融合微博热点分析和LSTM模型的网络舆情预测方法

当前互联网已成为公众获取信息、表达观点的重要平台,也带来社会舆情事件易发生的风险,通过对网络舆情走势的提前预测,能够准确判断热点事件的发展态势,为政府相关部门应对舆情危机提供参考.针对单一预测模型预测精度不高和社交媒体对舆情走势影响较大的问题,提出了融合微博热点分析和长短期记忆神经网络(LSTM)的舆情预测方法.利用网络爬虫和PyTorch机器学习平台构建了用于舆情时序数据分析的网络舆情预测系统;在此系统内,考虑微博的强时效性,采用网络热点分析技术计算微博热度分值;改进LSTM网络,设计由2个隐含层组成的MH-LSTM预测模型;将MH-LSTM模型用于舆情事件百度指数的定量预测中,通过试验验证了模型的正确性,证实了该预测模型拥有较好的预测效果.

一种消除孤立点的微博热点话题发现方法

微博具有数量多、字数少、话题广泛等特点,导致数据中孤立点较多,对微博热点话题聚类算法产生不利影响,为此,提出一种消除孤立点的微博热点话题发现方法。首先消除数据集中的孤立点,然后采用CURE(Clustering Using Representatives)算法对剩余有聚类价值的数据进行聚类,最后通过实例验证算法的有效性。结果表明,相对于对比聚类算法,该算法降低聚类结果对孤立点的敏感度,提高了微博热点话题发现的准确性,并提高了算法的运行效率,更适合应用于大规模的微博热点话题发现。

基于中心词和LDA的微博热点话题发现研究

[目的/意义]通过引入中心词概念,提出一种改进LDA主题模型,以期在微博热点话题发现中获得更好的话题分布效果。[方法/过程]以微博热点数据为研究对象,进行文本表示学习,将基于Bert和Word2Vec的模型设为实验组,基于TF-IDF和BOW的模型设为对照组,令实验组和对照组分别生成改进LDA模型和传统LDA模型。[结果/结论]通过对比传统LDA模型和改进LDA模型,发现改进方法所生成的LDA模型在高频词分布集中度上更优于传统方法,在下游任务应用中更适合热点话题生成。

改进在线词对主题模型的微博热点话题演化

话题演化分析是舆情监控的研究热点之一,面向微博热点话题进行演化分析,对于网络用户以及网络监管部门都有很重要的现实意义。针对在线词对主题模型(On-line Biterm Topic Model,OBTM)新旧主题混合、冗余词概率相对较高的问题,对OBTM进行改进,提出基于话题标签和先验参数的OBTM模型(Topic Labels and Prior Parameters OBTM,LPOBTM)。根据微博热点话题的话题标签,将微博文本集区分为含话题标签和不含话题标签的两类数据集,并设置不同的文档-主题先验参数;在前一时间片文档-主题概率分布的基础上,借鉴Sigmod函数对所有主题进行强度排名,从而优化当前时间片上主题-词分布的先验参数计算方法。实验结果表明,LPOBTM能够更准确地描述话题的内容演化情况,并且有更低的模型困惑度。

支持向量机修正ARIMA误差的微博热点预测

微博热点预测是一类贫信息、小样本、不确定性的复杂预测问题。为了提高微博热点预测精度,提出一种基于支持向量机修正ARIMA误差的微博热点预测模型(ARIMA-SVM)。首先对微博数据进行预处理、提取主题构建网络微博热点时间序列,然后采用ARIMA建立网络微博热点预测模型,并采用支持向量机对ARIMA预测误差进行修正得到微博热点最终预测结果,最后模型性能进行仿真测试。结果表明,相对于传统预测模型,ARIMA-SVM提高了网络微博热点的预测精度,预测结果具有一定实用价值。

基于改进神经网络算法的微博热点预测系统设计

针对传统预测系统一直存在预测结果不准确、系统稳定性差的问题,提出并设计了基于改进神经网络算法的微博热点预测系统,其硬件部分主要对数据采集模块、微博信息传播趋势分析模块、微博热点判别模块进行了分析并设计,软件部分主要引进了改进神经网络算法,对原有系统进行了优化。实验结果表明,采用改进系统对微博热点进行预测时,其预测稳定性相比传统预测系统要优越,在相同时间内,出现波动的次数降低了2~4次,具有一定的优势。

基于K-means算法微博热点话题预测分析

微博热点受多种因素影响,具有较强的非线性特征。为了获得理想的微博热点预测结果,提出了一种基于数据挖掘技术的微博热点预测模型。首先,分析了微博热点的研究现状,指出了当前微博热点预测模型的局限性。然后,利用数据挖掘技术,即神经网络算法,对微博热点进行建模和分析。最后,利用模拟实验分析了微博热点的预测性能。结果表明,数据挖掘技术能够描述微博热点的变化特征,提高微博热点预测的准确性。

基于关键词的微博热点话题实时检测方法

微博热点话题发现不仅要对微博文本以及话题识别本身进行研究,还要处理微博用户的社会关系。由于微博文本的简短和半结构化特性,传统的热点话题检测方法并不适用。本文提出基于微博关键词的热点实时检测方法,并利用微博多元数据对该方法进行修正,实验证明该方法针对微博数据的有效性。

基于大数据分析方法的微博热点建模与预测

微博热点反映一个社会对某一事件的看法,其受到许多因素的影响,具有一定的规律性,同时具有一定的随机性,数据规模庞大,传统方法无法准确、客观描述,微博热点预测错误大,为此设计基于大数据分析方法的微博热点建模与预测方法。首先对微博热点变化特点进行分析,找到引起微博热点预测错误大的原因,然后收集微博热点历史数据,通过聚类分析选择最优样本点组成训练样本,减少数据的规模,最后引入大数据分析方法建立微博热点预测模型,并与其他微博热点预测方法进行对比测试,所提方法的微博热点预测精度超过95%,预测误差远小于当前其他微博热点预测方法,而且建模与预测时间明显减少,加快了微博热点建模与预测效率,具有更高的实际应用价值。

基于MQPSO-LSSVM的微博热点话题预测

微博热点话题预测是一类小样本、不确定性的复杂预测问题,传统线性方法不能刻画微博热点话题的变化规律,神经网络存在过拟合、泛化能力不强等缺陷.为了提高微博热点话题的预测精度,提出了一种改进量子粒子群(QPSO)算法优化LSSVM的微博热点话题预测模型(MQPSO-LSSVM).首先采用MQPSO算法优化LSSVM的参数,然后将优化后的LSSVM对微博热点话题变化趋势进行建模,最后选取具体微博热点话题数据进行仿真实验.实验结果表明,MQPSO-LSSVM提高了微博热点话题的预测精度,预测结果具有一定实用价值.

基于FCM并行算法的微博热点发现

微博作为发展最迅猛的信息传播平台,每天都会产生大量数据,迅速增长的数据对数据处理提出了新的要求。针对微博数据特点,对VSM模型进行改进,并在MapReduce平台上,设计微博热点话题发现并行模糊C均值(HTD-PFCM)算法。实验结果表明,基于改进VSM模型的HTD-PFCM算法具有良好的加速比,并且能够更高效地处理微博数据,发现微博热点话题。

新浪微博热点事件的舆论传播与群体心理

新浪微博是一个基于用户关系分享、传播及获取的简短实时信息的广播式的社交网络平台,作为自媒体时代的信息传播主要媒体之一,以其便利性、可接近性及参与受众的广泛性成为在当代可以产生巨大舆论影响力的新媒体,呈现出的热点事件舆论使微博成为公众舆论新的集散地。

从社交网络暴力的成因探析其应对策略——以微博热点事件为例

近年来,社交网络已经成为我国广大网民表达自我、传播信息的主要平台。然而,在社交网络加快信息传播的同时,网络暴力事件的频发亦成为其发展途中的重要阻碍。本文通过分别从社交网络暴力事件的两种不同表现形式作为切入,全面梳理社交网络暴力的产生原因以及应对策略,以期为从业者和管理者提供学理层面的借鉴。

基于用户行为属性的微博热点事件演化仿真

模拟微博热点事件的演化过程时,需要分析信息在网络中传播的特点,否则无法准确的获取反对人数和支持人数在微博热点事件中的变化趋势,存在演化精准度低的问题。由此提出基于用户行为属性的微博热点事件演化仿真,利用Python设计网络爬虫信息采集结构,采集微博信息,根据采集的信息构建信息传播模型,在信息传播模型的基础上分析用户在微博热点事件中的行为属性,根据分析结果对微博热点事件演化过程进行仿真。仿真结果表明,所提方法的演化精准度较高。

从传播学角度看微博热点事件的发生

微博以其特有的传播优势成为备受关注的传播工具,碎片化的信息处理为受众的多元化提供了可能,微博传播速度的及时性、内容的碎片化、受众的不受限性等,以及缺失"把关人",使微博热点事件在是是非非、真假对错面前显得扑朔迷离,而这些也使微博继各大论坛之后成为社会热点事件产生的温床。

微博热点

计生主任失独后陷入恐惧，后悔没生二胎。多多：希望能多看见这样的事实，出台相关的政策，使人人都能老有所依。

高维稀疏情境下微博专业领域热点话题挖掘研究

[目的/意义]专业领域微博往往具有话题的高维稀疏性,探寻此类情境下微博热点话题挖掘的高效模型,以便相关管理部门快速掌握领域近况并进行决策。[方法/过程]提出高维稀疏情境下微博热点话题挖掘模型,引入领域词典监督预处理微博文本,基于朴素贝叶斯分类器进行特定领域信息识别,采用"密度—距离"快速搜索聚类算法实现领域热点话题挖掘,并以国土资源领域为典型进行实证。[结果/结论]本文模型能在高维稀疏情境下准确识别专业领域信息并挖掘出热点话题,有助于专业领域微博舆情分析与预警。

微博热门话题关联商品品类挖掘

微博是目前人们广泛使用的在线分享和交流的社交媒体平台之一.某些被广泛关注的话题因为在微博中被大量网友转发、评论和搜索而形成微博热门话题,而这些热门话题的广泛传播则可能进一步刺激和推动用户的线下行为.作为其中的典型代表,某些微博热门话题可能会刺激电商平台中和该话题相关的商品的热销.提前挖掘出与微博热门话题相关联的商品品类,可帮助电商平台和卖家提前做好商品运维以及库存的调配,提高用户搜索的购物转化率,带来相应商品销量的提升.提出了一种微博热门话题所关联的潜在购物品类的挖掘方法.首先构建商品知识图谱,然后采用多种深度网络模型对商品品类的关联知识图谱信息与微博话题内容进行文本匹配,识别出每个热门话题和商品品类的关联强度.实验表明,该方法能够有效识别出热门话题和购物品类的关联关系,大部分的微博热门话题都可以关联到电商平台中至少一个商品品类.

结合互信息和主题模型的微博话题发现方法

为了解决短文本信息流的特征稀疏性对热点话题发现带来的挑战,提出了结合词语互信息和概率主题模型的微博热点话题发现方法。通过建立词共现矩阵并应用对称非负矩阵分解算法获取词项-主题矩阵,再利用概率潜在语义分析模型进行主题发现,最终通过定义微博热度分析和排序,有效地支持微博热点话题发现。实验表明,此方法能有效地进行话题聚类并检测出热点话题。

微博中转发行为的预测技术综述

在线社交网络中,微博平台的便捷性和开放性,给信息的传播和爆发提供了很大的便利。转发是微博平台上用户的重要行为,也是信息传播的关键机制。基于转发行为,分析一条推文是否被用户转发或者一段时间后的转发量,可以使我们更好地了解信息的传播特性,探索用户的行为与兴趣,以此推进信息推荐、预防突发事件和舆情监控等应用发展。该文较为系统地梳理了预测微博是否被转发及某段时间后的转发量这两方面的相关研究工作,着重阐述了基于用户、社交和内容特征的预测模型建立的过程并评价其预测性能,分析了微博转发行为的相关预测技术面临的挑战,展望了未来的可能研究方向。