基于微博挖掘技术的企业产品信息监测研究

依据微博信息资源对企业产品信息进行监测,可以使企业更好地了解用户的相关信息。监测的基本步骤为:采集相关用户的描述标签与相关博文,对标签和博文分别进行聚类,从而发现兴趣社区与相关热门话题。其后以某一知名微博系统为平台,以某一品牌为例,进行相应的实证研究,结果表明所提方法具有一定的实践价值。

突发公共卫生事件微博舆情主题挖掘与演化分析

探索突发公共卫生事件微博舆情传播周期中各阶段的热点主题,勾勒舆情事件主题演化的时序发展趋势,为舆情决策与分析提供科学依据。以近期发生的影响巨大的一起重大突发公共卫生事件为例,结合生命周期理论、TF-IDF特征词-权值模型以及潜在狄利克雷模型方法,将时间维度融入微博文本分析,进行包括时间序列的主题挖掘工作,挖掘隐含的主题信息和舆情演化规律,并提出相应的舆情管控策略。采用的舆情演化分析方法能够揭示突发公共卫生事件微博舆情传播周期中各阶段主题的讨论内容和时序发展趋势,研究对于优化微博平台民意收集作用和辅助相关管理部门在处理类似事件时,有效引导与控制网络舆情提供了一定的理论基础支撑和科学决策支持。

基于Word2vec和SVM的微博情感挖掘与仿真分析

针对微博情感挖掘问题中忽略词汇重要程度和缺失语义关系的问题,文中提出了一种基于Word2vec和SVM的微博情感挖掘方法。首先,使用大量的文本数据训练Word2vec词向量;然后统计微博预料中不同词汇出现的频率,并对Word2vec词向量进行加权;最后,使用加权后的特征训练SVM分类器将微博分为积极和消极两种情感。实验结果表明,提出的方法具有更高的分类准确率、召回率、F值和正确率。

微博数据挖掘中人工智能推理引擎的应用

伴随着网络在人们生活中的不断普及,微博开始在人们的日常生活中扮演着越来越重要的角色。伴随着微博使用量的不断增加就需要加强对微博用户的研究来更好的提升微博的用户体验,因此就需要加大人工智能推理技术在微博数据挖掘中的运用,通过人工智能推理引擎的运用来对数据进行挖掘从而给不同的微博用户提供精准的服务。本文主要讲述了人工智能和数据挖掘之间的关系和发展趋势,以及探索了微博数据中人工智能自动推理系统的设计。

基于迁移学习微博情绪分类研究——以H7N9微博为例

社交媒体的发展吸引大量用户,继而产生海量的用户生成内容。对用户生成内容的挖掘分析能够及时掌握用户的情绪动态,继而帮助事件处理、政策施行等。已有研究利用监督机器学习方法进行文本情绪分类,但是这类方法依赖于语料的标注、耗时耗力,并且存在领域适应性问题。迁移学习方法能够避免大量的语料标注、并且一定程度解决领域适应性问题。但是,目前迁移学习鲜有用于情绪分类任务。此外,情绪分类主要是针对博文等长文本,缺少针对微博短文本的相关实证研究。本文在主客观分类基础上,利用迁移学习方法对H7N9微博主观语料文本进行情感分类,并对结果进行情绪分类。实验结果表明,首先,设置形容词个数阈值为2时主客观分类效果最优;其次,利用迁移学习算法进行微博情感分类效果优于非迁移学习方法;最后,利用词频-相关频率作为特征权重计算方法时可以得到较好的情绪分类性能。

基于粗糙集的微博用户性别识别

针对微博消息往往会不同程度表现出性别倾向性的特点,从消息内容挖掘的角度出发提出了一种基于粗糙集的微博用户性别识别算法。设计了一种基于容差粗集的微博消息表示模型(TRSRM),有效地刻画微博消息的性别特征。实验结果表明,在1000个真实微博用户的微博消息的测试集下,所提模型的准确率比特征项频数表示模型平均提高了7%,取得了更好的识别效果。

基于社区时空主题模型的微博社区发现方法

提出了一种基于主题模型的微博社区发现方法。该方法采用狄利克雷过程(Dirichlet process)自适应生成多个潜在地理区域;利用多项式分布描述主题在连续时间中的强度;将用户对潜在地理区域和社区的选择偏好引入主题模型;最后通过EM方法和Gibbs采样,实现时空主题模型参数估算,以基于主题相似性进行社区发现。实验表明,该方法能更加准确地识别微博社区。

基于关联规则的微博主题搜索策略研究

在Web2.0时代,微博已成为一个有重要价值的信息平台。为了利用微博平台为用户提供较好的搜索服务,论文应用关联规则挖掘技术识别微博相关话题,利用相关话题扩充机制和话题语义相似度度量,构建微博搜索索引文件。实验分析表明:相对于传统的关键词搜索策略,论文提出的搜索策略能从浩瀚的微博信息平台中找到更加有效的搜索结果。

基于LDA模型的微博话题识别方法研究

微博(Micro Blog)作为新型社交媒体积累了各领域的海量数据,对这些数据的分析将会带来很大的社会和商业价值。但由于微博的产品特点使得对其的话题识别方法不同于以往的传统文本。本文针对微博的特点,提出使用LDA模型对微博海量数据中的隐含话题进行建模,解决发散性带来的高维问题。实验结果表明,该方法能够获得较准确的微博话题识别结果。

基于层次聚类法的微博新闻用户聚类研究

随着微博平台的广泛流行,越来越多的新闻媒体通过微博发布新闻资讯。对微博新闻用户进行聚类研究,可以帮助新闻媒体结合自身特点,针对性发挥自身媒体作用,提供更好的内容推送。首先构建基于层次聚类法的微博新闻用户聚类模型,运用数据采集软件获取用户数据,再采用SPSS软件对其进行聚类分析和聚类结果的描述统计。根据聚类结果结合相关特征值的现实含义,将微博新闻用户分为三大类,并针对各类媒体特征提出指导建议。

微博信息挖掘技术研究综述

对目前微博信息挖掘技术中的微博内容挖掘及用户关系挖掘的研究情况及相关方法进行介绍及归纳,认为其中微博内容挖掘主要包括微博短文本挖掘、话题趋势检测、情感倾向性分析等方面,用户关系挖掘主要包括用户群体特性、用户社区发现、意见领袖挖掘及微博传播模式等方面;指出这些方法的局限性,并对微博信息挖掘的发展进行展望,以为进一步研究提供参考。

LDA模型在文本主题建模中的研究与应用

微博由于其开放、低门槛、终端扩展、内容简洁的特征,已经成为一个信息分享、传播以及获取的大众新闻时事的重要平台,而微博中的海量文本基本都是短文本快节奏的数据,等待我们去分析其中蕴含的大量的信息。这里突出介绍了LDA主题模型和Gibbs Sampling采样算法。通过实验用LDA模型来进行主题挖掘,挖掘出来的每个主题即为该用户的兴趣和爱好。

基于时空主题模型的微博主题提取

已有地理主题模型没有考虑不同区域对微博主题影响程度的差异性,同时他们将时间要素离散化,难以得到连续时间上的微博主题强度。提出了一种顾及连续时间及区域影响力因素的时空主题模型。该方法将城市划分为多个区域,依据各兴趣点类型及数量对区域赋予权重以表达区域社会功能对微博主题的影响程度,基于稀疏增量式生成模型表达微博主题分布,利用Beta分布描述主题在连续时间中的强度,最终通过Gibbs采样得到时空主题模型各参数。实验表明,本文方法能发现连续时间上微博主题的演变,与已有地理主题模型相比,能更加准确地提取微博主题。

微博意见领袖群体“肖像素描”——以40个微博事件中的意见领袖为例

微博时代意见领袖出现了新的变化和特点,本文选取了近年来40个微博事件中283个微博意见领袖ID,通过微博数据挖掘和问卷调查,对这一群体的人格特质、微博行为特征和社会人口统计学特征等进行了分析,认为微博意见领袖的内涵和外延进一步延展,表现出媒体属性强化、圈群化、权力结构集权化等新特点和新趋势。