基于主题模型分析与用户长短兴趣的活动推荐

针对活动社交网络中如何为用户进行个性化活动推荐的问题,结合LDA主题模型分析,提出了一种结合用户长短期兴趣建模的活动推荐方法.算法引入了时间函数与行为权重,根据用户的历史行为记录,分别计算用户的长短兴趣模型,然后采用长兴趣模型匹配活动类别,选取高匹配度的前三类活动后,再利用短兴趣模型对所匹配活动类别中的活动进一步筛选,得到每类活动与用户短兴趣模型匹配度较高的K个活动,最后汇总排序后选取相似值较高的K个活动形成推荐结果.爬取了豆瓣活动网站的实际数据进行实验,结果验证了该算法的有效性和高效性.

基于改进主题模型方法的三级短视频用户画像的研究

针对如何从海量短视频数据、用户数据、交互数据中快速抽象出精准的用户兴趣的问题,提出了基于主题模型的三级标签用户画像构建方法。基于主题构建方法,将融合的LDA和GSDMM主题模型所获取的视频主题词作为用户兴趣表达向量。首先,搭建了LDA过滤器,通过比对阈值剔除与主题无关的文本信息,缩小文本规模,降低非主要语料对于兴趣表达向量生成的影响。然后,提出结合语义信息和语境信息的特征词权重矩阵的构建方法,使用Bi-GRU神经网络计算词向量的上下文特征,并将其作为语境特征,使用TF-IDF算法计算出的词频权重作为语义特征,结合语境和语义特征扩充特征词含义。最后使用带有兴趣权重分配的GSDMM模型学习特征向量权重矩阵,实现用户兴趣标签生成和用户不同喜好程度影响下的兴趣权重修正。实验结果表明,该方法能够比较完备准确地表征用户画像,优于单一的主题构建方法,并且在聚类效果上表现出色。通过构建完备的用户画像,能够精准把握用户痛点,为后续个性化推荐提供服务。

我国县级融媒体中心公共文化服务研究综述——基于LDA模型的主题演化分析

县级融媒体中心承担着“引导群众、服务群众”的职能,是打造乡村主流舆论的重要阵地。本文运用LDA主题模型的分析方法,对近年来我国县级融媒体中心公共文化服务相关研究做出较为全面的梳理,以此为基础探析我国县级融媒体中心公共文化服务研究的现状与趋势。总体而言,目前学术界重点讨论了县级公共文化服务体系建设研究、县级融媒体中心发展建设研究等六大方面的问题。分析发现,目前国内相关研究大多缺乏公共管理学研究视角,对县级融媒体中心的差异性研究不足,缺乏针对县级融媒体中心公共文化服务的效能评估研究。文章从公共管理的视角探讨我国民族地区县级融媒体中心公共文化服务研究的趋势。

意义探索与意图查核——“一带一路”倡议五年来西方主流媒体报道LDA主题模型分析

'一带一路'倡议提出至今5年有余,已成为西方主流媒体涉华报道的重要议题。本文通过隐含狄利克雷分布(Latent Dirichlet Allocation,LDA)主题模型,对5年来美、英、澳、俄、日、法、德等7国主流媒体报道进行数据挖掘,整体勾勒出西方主流媒体舆论地图。本文运用框架与语境作为意义解读理论,国家利益与镜像作为意图透视理论,对西方主流媒体'一带一路'倡议报道主题模型分析结果从时空两个维度进行意义探索和意图查核。以'上下往返'的方式穿梭于理论探索与数据挖掘之间,整合主题模型'计算范式'与国际传播'理论范式',为大数据时代的国际传播研究提供一种可行路径。

在线校园新闻主题分析模型的建立与应用

我国的智慧校园建设和数字化校园建设已经持续多年,积累的相当数量的数字化信息,反映了各学校发展历程中的关切点。校园在线新闻是数字化校园与智慧校园建设的组成部分,建立新闻主题分析模型,对在线新闻进行智能化的挖掘、统计和分析,提供相应参考数据,有利于智慧校园建设和完善。新闻主题分析模型运用Python编程语言实现爬虫程序,建立数据获取模块,经清洗和结构化处理后,借助Han Lp技术进行词语切分,实现中文语法分词,统计、分析在线新闻的隐含信息和潜在价值。最后使用该分析模型针对某高校近五年新闻数据,按照时间和主题进行了分析和汇总。

基于主题模型的社交媒体倦怠行为研究

以python爬取的数据为基础,通过LDA主题模型和机器学习得到用户倦怠的隐藏主题,使用“S-O-R”理论对其分析,得到用户产生社交媒体倦怠的8个重要性主题,发现影响微博用户倦怠的因素可分为媒体因素和个体因素。其中媒体因素是产生倦怠的主要原因,包括平台服务、媒体环境、信息质量及社交压力;个体因素分为上进意愿和个人敏感度,通过词云分析进一步验证主题分析结果的合理性。

面向主题的专利分析系统

设计并实现了面向主题的专利分析系统。主要包括根据专利分析需求抽取专利数据放入本地专利数据源,对专利数据源进行清洗、转换生成纯净的专利基础数据库,根据不同分析主题模型从基础数据仓库中抽取、转换生成数据集市,并在数据集市的基础上建立多维立方体和KPI指标,生成专利地图完成从不同主题对专利数据进行自动分析的功能。

一种面向大规模微博数据的话题挖掘方法

随着微博的日趋流行,新浪微博已成为公众获取和传播信息的重要平台之一,针对微博数据的话题挖掘也成为当前的研究热点。提出一个面向大规模微博数据的话题挖掘方法。首先对大规模微博数据进行分析,基于Bloom Filter算法对数据进行去重处理,针对微博的特有结构,对文本进行预处理,提出改进的LDA主题模型Social Network LDA(SNLDA),采用吉布斯采样法进行模型推导,挖掘出微博话题。实验结果表明,方法能有效地从大规模微博数据中挖掘出话题信息。

气候变化视频传播中的框架策略——基于无监督机器学习方法

气候政策体系中的一个重要环节是加强面向公众的气候变化传播。在传播中使用并创新框架策略能达到影响公众认知与行为,提升传播效果的目的。但现有气候变化传播框架策略研究在媒介选择和方法运用上存在不足,难以支撑框架策略在形态丰富性和识别准确性上的创新。从视频媒介YouTube上提取234个气候变化纪录片的字幕构建了130万单词量的语料库,并基于无监督机器学习的主题模型网络分析法识别其中的框架策略。结果发现,气候变化视频传播语料中存在“环境威胁框架”“人类威胁框架”和“危机可控框架”3种策略。前两者分别强调气候变化对环境和人类生存的威胁;后者则强调气候变化所造成负面后果可通过科学、技术及多主体共同行动来有效控制。这是已有文献中未曾发现的复杂框架策略。研究发现对推进中国气候变化传播实践具有重要启示。

利用LDA的领域新兴主题探测技术综述

以LDA为基础,系统梳理新兴主题探测以及主题趋势探测技术中的LDA以及其他LDA改进主题模型的发展现状。介绍LDA的变分推导和Gibbs抽样两种参数推导算法;总结近年来LDA模型的改进,包括对主题演化建模的主题模型、对文档内容和元数据联合建模的模型、采用在线式学习的主题模型及将LDA和引文分析相结合的主题演化方法等,并对不同的改进模型进行深入对比和分析;梳理NIH-VB、TIARA、VxInsight等几种主要的主题模型可视化技术。最后通过对LDA模型的总结分析,探讨利用LDA模型探测领域新兴主题时的关键研究问题。