基于LDA的企业微博主题传播超网络建模及分析方法

综合利用微博内容及粉丝评论数据,对企业微博主题的传播效果进行研究。使用LDA主题模型发现微博内容及粉丝评论中的主题,在此基础上,通过建立内容关键词与粉丝评论关键词之间的映射,构建微博主题传播超网络(MTDSN)模型。基于MTDSN模型及各构成子网,分析微博传播重点主题、粉丝热点主题、有效传播热点词及有效传播核心词,并通过凝聚子群分析有效传播主题及其构成。以华为花粉俱乐部官微为实例,证明该模型及方法的有效性。

基于离散缝洞网络模型的缝洞型油藏混合模型

针对存在大尺度导流裂缝的复杂缝洞型油藏,为了克服目前常用数学模型不能准确高效对其进行流动模拟的缺陷,提出一种新的混合模型。首先根据缝洞的结构特征划分合适的正交网格,在每个网格单元内建立离散缝洞网络模型(DFVN),基于超样本技术和体积平均方法求得网格单元的等效渗透率张量,对小尺度的缝洞结构进行等效处理;以形成的正交网格为基础建立嵌入式离散裂缝模型,对大尺度导流裂缝进行显示处理,并基于模拟有限差分方法建立能准确处理全张量形式渗透率的数值计算格式;最后通过单相稳定渗流数值算例验证本文方法的正确性和优越性。研究结果表明:对于缝洞结构易发生变化的油藏,只需根据变化后的缝洞结构进行局部的参数修正,避免了类似于离散缝洞网络模型的整体网格重构,有效提高了计算效率。

基于卷积神经网络的图像超分辨率方法研究

结合认知构架ACT-R模型(Adaptive Control of Thought-Rational),基于邻域嵌入算法和深度学习的图像超分辨率重建方法,构建一个应用于超分辨率重建研究的ACT-R研究模型.在匹配阶段,根据低分辨率(Low Resolution,LR)测试图像的结构和内容特征,运用图像的多尺度相似性和非局部相似性,对图像进行特征提取;在选择阶段,把邻域嵌入算法分为两层,进行邻域图像块的寻找,同时构建一个端到端的深层门限卷积神经网络,把从匹配阶段得到的高分辨率无细节小图像块输入到卷积神经网络中并得到输出图像,将输出图像与高分辨率无细节小图像块相加得到该低分辨率小图像块对应的高分辨率小图像块,最后把高分辨率图像块组合成高分辨率(High Resolution,HR)图像.决策阶段,我们进行实验并与其他方法对比.结果表明,该模型对单帧图像具有良好的重建能力,在视觉效果上和客观评价标准上都取得了不错的效果,能够较好的重建低分辨率图像.

基于词嵌入与卷积神经网络的建筑能耗预测

在对建筑能耗进行回归预测时需要利用到时序特征与分类特征,而传统模型只能处理其中一种特征。针对该问题,文中提出了一种融合一维卷积与词嵌入的神经网络新构架,其中,一维卷积核能提取连续的时间序列特征,词嵌入模型能对离散的分类特征进行嵌入计算,从而建立能同时处理时序特征与分类特征的建筑能耗预测模型。通过与梯度提升决策回归树和长短时记忆网络的比较,证明所提出的模型在效率与准确率上都有良好的表现。在超参数调节上,采用基于贝叶斯优化的超参数自动优化算法,该算法能在树搜索空间上寻找最优超参数,相比于人工调参,超参数自动寻优算法能在较快的时间内提升模型本身的性能。最后进行了算例仿真,结果表明,文中提出的模型在性能上要优于集成学习模型与长短时记忆网络。

远近与壁垒:社交网络传播中用户的“社会—信息嵌入”研究

在网络社会强势崛起的语境下,社交网络中的在线层级"社会—信息"复合化嵌入与分化深植于网络空间的内在逻辑,并成为关系到网络社会中的区隔性和流动性的重要议题。本文基于社会—信息嵌入的理论探讨,通过数千万条新浪微博的抓取及后续的清洗、二次采样、处理,对它们分属的7813个微博样本用户的在线层级特征及信息内容特征的关联,进行计算传播学的文本挖掘和实证分析。根据社交网络用户特征,将其转换为高维度的信息内容空间、在线社会层级空间中的坐标后可发现,用户嵌入在线空间中的"社会位置"与其"信息位置"之间具有显著的关联机制。用户在不同空间中的位置相似度和主体间性的"远近"以及相互间"壁垒"的趋近,构成了用户在社会—信息层面的同质化复合嵌入。它关注和凸显的是从某种"空间的嵌入"的个体意义到"嵌入的空间"的整体转换。这种"嵌入"映射着用户在网络空间中的社会位置、信息层级间的数字壁垒,体现着在线空间"可到达性"与主体性流动之间的隐形区隔。

基于“Effect-theme”共现网络的专利分类方法

在产品创新中,以效应为类标签的专利分类对于辅助设计者创新具有重要参考意义。但在实际情况中由于效应文本较短以及效应描述较抽象,导致难以获得高质量的类标签特征。为此,本文以效应特点为基础,通过融合点互信息值方法和LDA模型提出了一种全新的"Effect-theme"共现网络。之后本文通过LINE函数获取效应在网络中的结构特征并与该效应文本特征结合形成最终的类标签,有效解决了类标签特征难以提取的问题。此外,本文还针对"Effect-theme"共现网络提出了基于自定义规则的节点匹配方法、融合节点相关性和空间距离的节点权重计算公式以及基于节点权重和空间距离的分类计算公式用于专利分类。实验结果表明,该方法准确率可达到78%以上。

语义社会网络的超网络模型构建及关键节点自动化识别方法研究

【目的】通过对语义社会网络的建模,讨论如何识别对舆论传播演化起核心作用的关键节点。【方法】引入超网络理论对微博语义社会网络进行理论建模,使用情感本体以及LDA话题模型对数据实现节点量化,提出超边排序算法对用户节点进行计算和排序从而获取关键节点。【结果】利用真实微博网络数据编程实现超网络模型的构建和量化,通过结果分析证明本文的关键节点识别方法在实际应用场景中的有效性和准确性。【局限】关键节点识别方法的实时应用效果和对识别关键节点后如何有效引导和干预机制未能全面涉及。【结论】本文的关键节点识别方法能够挖掘出微博网络的关键节点,为政府对网络舆情监管和引导提供一种解决方案,减少负面内容和消极舆论对互联网健康发展的影响。

网络虚拟学习社区重要用户与核心主题联合分析

【目的】自动分析网络虚拟学习社区的资源,解决信息过载选择困难问题。【方法】本文提出一种基于"用户-文档-词汇"三维权重矩阵的超网络嵌入LDA模型,通过引入"用户-词汇"超网络分析,以超网络临近性信息修正LDA模型,加大超网络结构中连接紧密的词汇或用户在同一主题下的分配概率,提高主题凝聚性。【结果】与传统社会网络分析的用户活跃程度不同,超网络嵌入LDA模型根据"用户-词汇"频度矩阵、"用户-主题"分布概率,发现论坛重要用户、核心主题以及两者的互动关系,分析用户兴趣偏好特征。【局限】超网络分析技术目前并不成熟,本文加权无向超网络,未对虚拟学习社区的发帖回复等有向关系进一步深入研究。【结论】超网络嵌入LDA模型是传统作者主题模型的改进,可以有效分析社区短文本主题,了解社区用户之间的互动主题关系,对参与社区学习者和论坛管理者都有重要意义。