微博用户和热点话题间的社交吸引法则研究

[研究目的]探究微博用户和热点话题间社交吸引力的内在作用机制有助于深入理解社交吸引力的决定因素和热门话题的流行成因。[研究方法]以2022年微博平台的7类14个热点话题为研究对象,从用户行为视角构造用户与热点话题之间的吸引力测算公式,从话题、用户、距离、环境属性出发,确定影响社交吸引力的23个指标。采用4种机器学习模型构建吸引力的影响因素模型,利用SHAP模型对结果最好的模型XGBoost进行解释,分析各项特征的贡献大小和相互影响关系。[研究结论]研究发现,用户属性的重要性非常明显,环境属性对社交吸引力基本没有显著贡献。在实践中,必要的高影响媒体转发造势、更多的话题上榜时间和更具有情感倾向的话题名称能带来更大的社交吸引力,帮助塑造与推进有益的热点话题,也为政府引导网络空间话题的健康发展提供决策参考。

2024年如何巩固经济回升向好基础--五部门回应热点话题

面对复杂的外部环境和国内转型压力,中国经济如何进一步巩固回升向好基础?最近,五场“全面推进中国式现代化建设”经济形势报告会先后在京举行。国家发展改革委、工业和信息化部、财政部、农业农村部和商务部负责同志回应了热点话题。

再谈春繁的几个热点话题

1开繁时间怎么确定?依据是什么?是早开繁好,还是迟开繁好?一般认为,开繁的时间应该选择当地第一个蜜源流蜜前50~60d进行较合适(大约可培育两到三代子),为什么?很简单,养蜂干什么?不就是为了获取蜂产品,创造效益,增加收入。在蜜源到来前培育更多的采集蜂,蜜源流蜜时,就有足够的“搬运工”参与劳动。

谈秋季管理的几个热点话题

1治螨、换王1.1秋繁前和越冬前的断子治螨进入秋季,外界气温渐渐下降,蜜源也逐步增多,更适宜幼蜂的生长发育,与此同时,蜂螨也蠢蠢欲动,有“抬头”并发威的趋势,随着繁殖的提速,蜂螨寄生率也随之上升。

热点话题

关键词:中国产能过剩论中文关键词:中文摘要:近段时间,美西方一些媒体政客极力炒作“中国产能过剩论”。美国财长访华前后也一再提及“中国产能过剩”,并指向电动车、光伏和新能源等新兴领域。国际观察人士认为,美国指责中国所谓“产能过剩”,实际上是为其贸易保护主义找借口,暴露的是其背后的“自私算计”和霸权思维。

基于用户影响力的热点话题检测方法研究

[目的/意义]对微博消息进行热点话题挖掘,进而从海量微博文本中实时找出用户关注、讨论的热点事件,是进行舆情监测、应急管理的基础。然而,现有微博热点话题检测研究却大多忽略了不同影响力用户对话题产生及传播的作用,并且检测结果直观性较差。针对此问题,提出了基于用户影响力的热点话题检测方法。[方法/过程]首先识别用户特征要素,构建用户影响力模型,计算用户影响力;然后,综合考虑主题词影响力、影响力增长速度和增长斜率,提出基于用户影响力的微博热点话题主题词抽取方法,抽取主题词簇;之后,识别核心主题词并进行热点话题关键词抽取。最后,通过实验验证方法的有效性。[结果/结论]实验结果表明:基于用户影响力的热点话题检测方法能够有效识别并直观表达出检测时间窗口内的典型热点话题;该方法能有效提升实证性热点话题识别效率,减少娱乐性热点话题的识别;通过对不同时间窗口内同一话题的关键词抽取,可以实现对相应话题的热点跟踪。

2024年全国两会召开,教育热点话题抢先看!

2024年全国教育工作会议提出,组织实施教育强国建设规划纲要是今年教育系统的工作主线、头等大事、一号工程。通过梳理后发现,在教育类提案中科学教育、心理健康教育、职业教育等话题备受关注。科学教育问题广受关注。

基于增量文本聚类算法的热点话题检测研究

针对传统TF-IDF方法提取文本特征时无法增量更新以及传统Single-Pass算法聚类准确率较低的问题,本文通过使用已有的语料库来设置IDF表并更新的方法,来减少TF-IDF计算时对语料库的依赖性,通过均值计算簇中心来提高Single-Pass算法在聚类时的准确率。利用各大平台获取的新冠肺炎新闻数据对模型进行验证。结果表明,该方法使得传统的TF-IDF提取关键词时可以增量更新,利用改进的Single-Pass算法使得综合评价指标提高了8.64%。相对于传统的Single-Pass算法,改进的Single-Pass算法只需要与一部分候选簇进行比较,有效地降低了比较次数,提高了聚类的准确性以及效率。

商务部回应近期商务热点话题

下半年,中国外贸发展面临的形势仍然比较复杂。主要表现在:外需增势并不稳固,主要市场补库存力度和持续性有待观察,加上地缘政治、贸易壁垒、航运价格等干扰因素增多,企业接单履约仍面临较多不确定性。日前,商务部发布的数据显示,今年1-5月,我国服务贸易继续快速增长,服务进出口总额30219.6亿元,同比增长16%。其中,出口12195.6亿元,增长11%;进口18024亿元,增长19.6%;服务贸易逆差5828.4亿元。

社交网络热点话题情感分析系统的设计研究

随着时代的发展,当前我国的互联网技术已经达到比较发达的水平,网民数量、互联网信息不断攀升,在社交网络上,存在大量网络用户,这些网络用户对热点话题发表了自己的看法与情感,这些内容都是有较强的倾向性的信息,具有一定的商业价值与社会价值,对其进行分析具有一定现实意义。本文结合相关科学理论知识,构建了一个社交网络热点话题情感分析系统,该系统能够获取社交网络平台上的用户信息与内容,并对相关数据进行分析处理,实现情感的分析与可视化展示。从功能测试来看,该系统确实能够发挥一定价值,即可以挖掘社交网络中热点话题的情感分析结果,辅助相关单位做出决策。希望本文的研究内容能够为社交网络公众情感挖掘工作提供一定的理论支持。

面向热点话题时间序列的有效聚类算法研究

聚类热度时间序列是揭示和建模网络热点话题形成与发展的重要过程.Leskovec等人在2010年提出面向话题时间序列的K_SC聚类算法,其精确度较高且能较好地刻画话题内在发展趋势特征.但K_SC算法具有对初始类矩阵中心高度敏感、高时间复杂度等特性,使其难以在实际高维大数据集上应用.文中结合小波变换技术,提出一个新的迭代式聚类算法WKSC,主要提出两个创新:(1)用Haar小波变换将原始时间序列进行压缩,降低原始时间序列的维度,从而降低了算法的时间复杂度;(2)在Haar反小波变换中,将低维聚类返回得到的矩阵中心作为高维聚类的初始矩阵中心,在迭代聚类过程中优化了对初始矩阵中心高敏感性的问题,提高了聚类的效果.文中分别采用国内外3个数据集作为测试样本,进行了大量的实验.实验结果表明WKSC算法能显著降低聚类的时间复杂度,同时改进聚类效果.WKSC算法可很好的应用于大量高维热点话题的模式分析.

流量内容词语相关度的网络热点话题提取

针对网络舆情分析的需求,给出了网络热点话题定义及其形式化描述,分析了流量内容中热点词语与热点话题的关系,提出了流量内容中热点词语的相关度计算算法.在此基础上,采用基于高密度连接区域的密度聚类方法得到热点词语簇,结合热点词语簇相关的网页标题及网站地址信息,得出网络热点话题的属性描述.实验结果表明,该算法能够有效获取当前网络中的热点话题,话题提取有效率达到16.7%,为网络热点话题传播特性研究提供了基础.与Web挖掘、话题监测与跟踪方法相比,所提算法通过选取合适的数据源,能更大程度地还原网络用户行为,从而得到了更为准确的网络信息传播状况.

一种突发性热点话题在线发现与跟踪方法

针对在线发现与跟踪动态突发性文本流中的热点话题问题,在突发性热点词发现与度量方法的基础上提出了一种动态文本模型———动态突发性向量空间模型,用于有效描述文本的动态属性,并且结合文本聚类方法,提出了突发性热点话题的在线发现与跟踪方法.该方法可有效解决传统的基于静态向量空间模型的热点话题发现与跟踪方法仅可分析静态文本的缺陷,并具有以下特点:在特征选择阶段动态地生成热点词特征库,利用模型统一文本和话题的表示,在文本表示时给予突发性热点词更大的权重.基于实际网络文本流数据的实验表明,该方法对突发性热点话题发现的精确率与召回率分别达到92.75%和80.34%,显著优于传统的基于静态向量空间模型方法的实验结果,并可有效跟踪突发性热点话题,弥补了传统静态方法不能有效跟踪热点话题的不足.

基于有意义串聚类的微博热点话题发现方法

针对微博数据特征稀疏、内容碎片化的特点,提出一种基于有意义串聚类的热点话题发现方法。结合重复串计算、上下文邻接分析和语言规则过滤多种策略,提取能够表达独立完整语义的有意义串,并将微博数据建模在相对较小的有意义串空间,通过聚类产生候选话题,根据热度排序发现热点话题。微博数据实验结果表明,该方法在一定程度上实现对微博高维稀疏空间的降维,对于微博空间的热点话题发现有效可行。

面向微博热点话题发现的多标签传播聚类方法研究

微博热点话题发现是目前的研究热点.针对传统热词抽取方法难以适用于微博数据的问题,提出一种基于老化理论的词生命值计算模型用于热词抽取,并基于热词间的相关性构建词共现网络;针对传统的词聚类算法不能较好地解决话题间存在重叠热词以及时间效率不佳的问题,引入多标签传播思想,设计一种接近线性时间复杂度的多标签传播聚类算法(TCMLPA)用于词共现网络的热词聚类,获得热点话题集.实验结果表明,词生命值计算模型能够有效过滤噪声并提取热词,TCMLPA算法则能够在保证聚类结果稳定性的情况下,有效提高热点话题发现的精度和效率.

基于自激点过程的网络热点话题传播模型

建模互联网中热点话题的传播过程具有重要的意义和价值,该文以网络热点话题为研究对象,基于自激霍克斯过程提出一个话题传播模型(Self-Exciting Point Process Model,SEPPM).SEPPM利用用户参与话题的自激效应,将话题传播过程建模为一个随机点过程.同时,SEPPM也考虑了话题传播的外部因素,综合形成话题传播模型.为了验证该模型的有效性,该文从仿真和实证两个角度分别进行了大量的实验比较,提出话题仿真算法,仿真结果说明SEPPM可以生成多种符合热点话题传播特征的模式.实际数据上的结果说明SEPPM不仅能够很好地拟合真实话题的传播过程,还能够有效地预测话题传播趋势.

基于改进CURE算法的微博热点话题发现

由于微博平台的信息量大,为对博文热点进行准确识别,本文提出了一种基于经典CURE聚类算法的改进算法来发现微博热点话题。本文选取了20391条中文微博作为样本数据集,通过将博文稀疏矩阵化达到将高维数据降维的效果,很大程度上提高了计算的精度和速度。从选取CURE层次聚类的代表点出发,将代表点转换为博文种子集,同时调节收缩因子,加大排除博文的异常点,利用CURE层次聚类算法的思想设计了改进的CURE算法来发现微博热点话题,通过实验发现改进CURE层次聚类算法能够将数据集中的74.65%作为孤立点,更好的提高了算法的精度,同时准确地抓住长尾效应的"头部",能够更加直观的发现微博热点话题。

基于多中心模型的网络热点话题发现算法

为了有效消除网络话题相关报道内容侧重点变化对网络话题发现准确性的影响,提出了网络话题多中心模型。将报道内容之间的关联关系层次化,提高了对网络话题的描述能力。提出了基于多中心模型的网络热点话题发现算法,利用话题中心判别新出现的报道是否属于已有网络话题,算法基于单遍聚类思想,通过引入话题中心的策略优化了算法的计算开销。实验结果表明:该算法可以全面、准确地发现网络热点话题,同时具有较为理想的性能,可应用于大规模网络动态流式数据环境下的热点话题发现。

融合热点话题的微博转发预测研究

微博转发行为是实现信息传播的重要方式,微博转发预测对微博影响力分析、微博话题分析具有重要价值。现有微博转发预测研究大多围绕消息属性、用户属性等微博自身特征,该文提出融合热点话题的微博转发预测方法,对背景热点话题内容和传播趋势对用户转发行为的影响进行量化分析,提出融合背景热点信息的转发兴趣、转发活跃度、行为模式等特征,并基于分类算法建立了面向热点话题相关微博的转发预测模型,在真实数据上的实验结果表明,该方法的预测准确性达到96.6%,提升幅度最高达到12.14%。

基于熵值的网络论坛热点话题发现

针对网络论坛热点话题的识别、发现和舆情监测问题,提出一种基于热度熵值的热点话题发现方法。通过网络爬虫抓取网络论坛中的数据,在对数据进行预处理和分析热点话题属性特征的基础上,合理定义各属性的权重和话题的热度熵值,并以此对话题的热点信息进行分析、统计与评估,从而发现和追踪网络论坛中的热点话题。同时,对话题的热度进行细致划分和各种类型的定义,采用不同阈值策略计算不同类型的热度信息标注的准确率。实验结果表明,该方法合理、有效,相比于传统的话题语义分析方法具有较高的准确率,可作为互联网论坛舆情监测的依据。