基于LTTB-KSC算法的网络舆情事件热度高峰研究

[研究目的]关注网络舆情事件热度高峰期对于政府相关机构及时监测可能产生的衍生话题具有重要意义。为了有效检测和控制网络事件传播,更好地为制定事件预警策略提供理论依据,提出一种基于LTTB-KSC算法的网络舆情事件热度高峰期预测方法。[研究方法]首先使用LTTB-KSC算法对热度序列聚类,然后借助三次样条插值法和高斯混合模型构建每一类的热度高峰函数,接着分析每一类函数曲线特征并将事件热度高峰划分为单高峰、高-低峰、低-高峰三种变化模式,最后使用DTW距离预测网络舆情事件热度高峰期对应的时间范围。[研究结论]实验结果表明,LTTB-KSC算法在聚类效率和效果上都优于KSC算法,提出的热度高峰变化模式能够为热度高峰期时间范围的预测和衍生话题的监测提供新思路。