基于GMM-HMM的话题生命周期状态识别及趋势预测方法

[目的/意义]本研究对正处于演化过程中的话题进行状态识别及趋势预测,为相关部门了解话题现状,对话题进行有效监管提供科学依据。[方法/过程]首先,考虑网民情感,结合话题的新颖度和关注度,构建话题生命周期状态观测指标;其次,基于隐马尔可夫模型(HMM)和高斯混合模型(GMM)的原理,提出话题生命周期状态识别及趋势预测方法;最后,选用微博话题构建数据集,设计对比实验,验证方法的有效性。[结果/结论]基于GMM-HMM的话题状态识别及趋势预测方法的F1值和准确率均高于87%,MAPE低于3.5%,相较于GaussianHMM和BP神经网络具有较大优势。

基于HMM的话题风险状态预测方法研究

如何在互联网海量信息中预测话题风险性和演化趋势,是舆情监管部门的工作重点。针对话题演化趋势预测研究中存在的不足:话题状态划分方法单一、话题状态演化预测研究缺乏等,从话题预警的视角,提出话题风险状态预测方法,为舆情监管部门提供预警依据。首先,基于向心度和密度指标划分不同等级的话题风险状态,直观地刻画话题引发舆论危机的风险程度;其次,基于HMM(Hidden Markov Model,隐马尔可夫模型)对各话题风险状态构建模型,并将各风险状态下所对应的观测序列数据作为训练集训练模型;最后,根据极大相似准则选用最佳模型预测话题观测值,进而借助平面坐标映射法得到话题在未来时刻的风险状态。以新冠肺炎疫情事件为研究样本话题,验证基于HMM的话题风险状态预测方法的有效性,交叉检验的平均预测准确率达到90%以上,相比于BP神经网络、LSTM以及RNN时间序列预测模型,该方法的预测误差更小。

话题演化研究综述

话题演化分析对监控话题传播概况、预测其未来发展趋势具有重要意义。本文通过对国内外话题演化相关研究进行系统调研和分析,归纳总结话题演化研究的基础,并从话题强度、话题状态、话题内容与演化路径等多个方面探讨话题演化研究的不同维度,以及话题演化的趋势预测,此外还对话题演化研究的不同方法进行探讨,最后指出现有研究的不足,并对今后的话题演化研究进行展望。