网络社会事件发展过程中的舆情心理分析——以“躲猫猫”事件为例

本文以网络社会事件——"躲猫猫"事件为研究对象,对网络民众发帖及回帖的数量、内容等运用内容分析法进行深入分析,就该事件发展的三个阶段:事件发展前期(潜伏期)、事件发展中期(激化期)、事件发展后期(消解期),从网民关于网络社会事件的关注度(回帖量)、网民的情绪变化(情感分析)、网民的认知倾向(回帖的用词强度、用词频度和不同意见类型比例)、传播的扩散度(网络媒介的扩散情况和网络民众的地域分布)等方面,对"躲猫猫"事件发展过程中的舆情心理特点进行分析,并提出了相应的对策和建议。

基于时间片划分和多元数据融合的异质媒体网络社会事件发现

为了能在大规模、多异质的网络环境下进行网络社会事件的有效检测,提出了一种基于时间片划分和多元数据融合的异质媒体网络社会事件发现方法.该方法首先采用时间片划分的方法,结合用户信息和时间信息来建立用户-时间(user-time,UT)数据模型以减小数据规模;然后通过多元数据线性叠加来整合不同元数据间的相似度并用基于密度的算法以完成社会事件的发现.在最新的SED 2014数据集上进行对比,实验结果表明:该方法与现有方法相比,具有数据处理速度快、事件发现准确率高的优点.

基于事件社会网络推荐系统综述

基于事件社会网络(event-based social network,简称EBSN)是一种结合了线上网络和线下网络的新型社会网络,近年来得到了越来越多的关注,已有许多国内外重要研究机构的研究者对其进行研究并取得了许多研究成果.在EBSN推荐系统中,一个重要的任务就是设计出更好、更合理的推荐算法以提高推荐精确度和用户满意度,其关键在于充分结合EBSN中的各种上下文信息去挖掘用户、事件和群组的隐藏特征.主要对EBSN推荐系统的最新研究进展进行综述.首先,概述EBSN的定义、结构、属性和特征,介绍EBSN推荐系统的基本框架,并分析EBSN推荐系统与其他推荐系统的区别;其次,对EBSN推荐系统的主要推荐方法和推荐内容进行归纳、总结和对比分析;最后,分析EBSN推荐系统的研究难点及其发展趋势,并给出总结.

基于事件社会网络中考虑约束全局推荐策略

近年来,以Meetup,Plancast和Douban为代表的基于事件社会网络(Event-based Social Networks,EBSN)得到快速发展,其推荐策略得到越来越多关注.EBSN推荐系统应同时考虑用户和事件组织者的需要,即在尽可能满足用户偏好兴趣的同时,要保证事件资源的全局均衡分配,因此研究EBSN全局推荐策略十分迫切且必要.然而,由于EBSN存在多种约束条件,包括用户允许参与事件数、事件允许接纳用户数和时间冲突等约束,仅面向用户的传统推荐方法已不再适用.首先定义了EBSN全局推荐优化目标,即在满足约束条件下,使得全部用户的不满意度和全部事件的不满意度之和最小化;然后,为将约束问题转化为非约束问题求解,分别为三类约束条件建立惩罚项,并生成考虑约束的单一目标函数.为有效实现优化目标,提出了考虑约束的二进制粒子群优化算法(Constrained Binary Particle Swarm Optimization,CBPSO),其优点是能够解决多约束条件下二进制离散空间问题.为进一步提高优化性能,分别提出了一种增进的二进制粒子群优化算法(Improved Binary Particle Swarm Optimization,IBPSO)和支持全局推荐扩展的二进制粒子群优化算法(Extended Improved Binary Particle Swarm Optimization,EX-IBPSO).在真实数据集上进行了性能测试,结果验证了所提出方法可行且有效.

网络社会热点事件对高职院校学生价值观的影响

高职院校思想政治教育工作者要正确地看待网络社会热点事件与高职大学生价值观的关系,合理使用网络和新媒介对高职大学生开展思想政治教育,引导他们树立正确的价值观。

基于生成对抗网络的事件描述生成

在基于事件的社会网络(EBSN)中,自动生成社交事件(Social Event)的事件描述(Event Description)供组织者参考,从而有效避免描述贫乏、描述过度、精准度低的问题,易于形成丰富、准确、高吸引力的事件描述。为了自动生成与真实事件描述足够相似的文本,提出了一种生成对抗网络(GAN)模型GAN_PG来生成事件描述。GAN_PG模型中的生成模型(Generator)采用变分自编码器(VAE),判别模型(Discriminator)采用带门控循环单元(GRU)的神经网络。模型训练时借鉴了强化学习中的策略梯度(PG)下降,并通过设计合理的奖励函数来训练生成器生成事件描述。实验结果表明,设计的模型生成事件描述的BLEU-4值达到了0.67,证明了提出的事件描述生成模型GAN_PG可以无监督地产生与自然语言足够相似的事件描述。

基于事件描述的社交事件参与度预测

在基于事件的社会网络(EBSNs)的相关研究中,基于事件描述来预测社交事件参与度是难点问题。相关的研究非常有限,研究难度主要来自对事件描述评价的主观性和语言建模算法的局限性。针对这些问题,首先定义了成功事件、相似事件和事件相似度等概念,并基于这些概念将采集自Meetup平台的社交数据进行抽取,同时分别设计了基于拉索回归、卷积神经网络(CNN)和门控循环神经网络(GRNN)的分析预测方法。实验时,先从抽取过的数据中选取部分数据训练三种模型,然后用剩余的数据进行分析预测。结果显示,相较于不含事件描述的事件,经过拉索回归模型处理的事件在不同分类器下的预测准确率可提高2.35%~3.8%,经过GRNN模型处理的事件在不同分类器下的预测准确率可提高4.5%~8.9%,而CNN模型的处理结果不理想。证明了事件描述能够提高事件参与度,GRNN模型在三个模型中预测准确率最高。

注意力感知的群组Next事件推荐策略

近年来,基于事件社会网络(EBSN)逐渐成为人们寻找感兴趣事件的有效途径,如何将事件精准地推荐给有需求的用户已成为该领域的重要主题。下一个项目推荐能够捕获用户的动态偏好,在电子商务等领域取得较好推荐效果。然而,鲜见有关EBSN中的面向群组的下一个(Next)事件推荐研究。主要研究面向群组的Next事件推荐策略,但由于群组偏好会发生动态变化,且事件生命周期短、新事件冷启动等问题使得针对群组进行Next事件推荐变得更加困难。首先,针对群组偏好会随时间发生动态变化的特征,将群组与事件的历史交互划分为多个时段。考虑到划分后群组成员数据变得更加稀疏,不利于群组偏好建模,采用基于参与度的排序策略提取当前时段核心成员的成员偏好,并利用注意力机制融合出群组静态偏好。然后,通过序列模型将各个时段的静态偏好融合得到群组动态偏好。最后,将事件推荐视为多标签分类问题,即将上下文看作事件的多个标签,通过预测各个上下文的概率分布以匹配事件,从而有效缓解新事件冷启动问题。实验结果表明,所提出的推荐策略具有较好的性能。

网络热点事件与大学生价值观

随着新媒体网络技术在大众生活中的普及,网络热点事件伴随网络舆情冲击着高校学生的思想,其中负面的网络热点事件会影响大学生对社会环境的认知,为此高校要引导大学生树立正确的价值观,这是其重要责任。研究选取热点事件调查大学生的情绪反应,结果表明大学生对民生教育类热点事件的情绪反应与价值观有显著关系。热点事件会反作用于大学生,选取家庭学校与网络原因等因子构建网络热点事件下大学生价值观的模糊评价模型,最后提出高校学生价值观的引导对策。