基于动态记忆案件描述的涉案微博评论讽刺句检测方法

涉案微博评论讽刺句检测的难点在于评论句字面语义与实际情感存在着较大差异,仅利用评论本身的特征难以判断,而涉案微博正文是案件的事实性描述,可以将其作为评论讽刺句检测的依据。为此,该文提出一种基于动态记忆案件描述的讽刺检测方法。首先利用动态记忆机制对微博正文进行案件特征抽取,其次利用注意力机制获得评论句特征,并与案件特征进行一致性比较,最后基于比较的特征进行讽刺句分类。实验结果表明,该文所提出方法的准确率和F_(1)值分别达到85.65%和85.91%,较基线模型有较大提升,验证了案件描述对涉案微博评论讽刺句检测有很好的支撑作用。

基于OBE理念的机器学习课程实验教学案例设计

机器学习是人工智能专业的核心课,课程具有工程实践性强、算法复杂且不易掌握的特点.基于工程教育的OBE教育理念,依据机器学习项目开发流程,利用课程算法设计了新浪微博热点话题研究的实验教学案例.将微博文本向量化后,基于TF-IDF算法赋予特征项权重并构建特征词矩阵,然后利用LDA模型采用EM算法得到不同时间窗口的主题,结合可视化技术发现微博热点主题.开展该教学案例的实验教学实践表明,使用机器学习算法解决社会热点问题的实验案例,不但能够较好地培养学生的实际工程能力和工程素养,而且激发了学生对该门课程的自主学习热情,是一种有效的实验教学案例设计方法;该实验综合性强,对学生的数理功底也是一种挑战.

基于Lotka-Volterra的微博谣言事件演进分析

微博作为新媒体时代的重要工具,为谣言的传播提供了沃土,谣言及其相伴而生的反谣言在传播过程中相互竞争。研究微博谣言事件中,谣言和反谣言的交互演进规律有助于快速有效地澄清谣言。借鉴生态学中的Lotka-Volterra种间竞争模型,建立了谣言-反谣言的传播模型,分析其在相互抑制、相互促进、促进-抑制、抑制-促进的四种作用模式下的平衡点,研究发现最终的平衡点仅由谣言-反谣言之间的影响系数来决定,同时试图以微博案例来解释微博谣言难以根除的原因。为验证模型的有效性,采用了微博2013年8月"成都高新区奥克斯广场发生劫持公交事件"的谣言事件为实证案例,采集微博相关数据,对模型进行了较好的拟合。最后提出了应对谣言、管理微博的建议。

微博用户在突发事件中转发行为研究:基于信息源的视角

本文从信息源的角度出发，以新浪微博为平台，运用实证研究探讨了微博用户在突发事件中转发行为的影响机制。通过使用R软件对12361条含有“昆明暴恐案”的微博信息进行分析，研究发现除了用户简介，加v和粉丝关注比；积分等级、微博数、粉丝数等信息源特征均显著影响微博用户的突发事件转发行为。本文一定程度上深化了对微博用户信息分享和传播行为的研究，对于微博平台的健康和可持续发展具有理论和实践意义。

微博舆论场中的事实消解与意见生成——基于“江歌案”的分析

互联网时代,微博在拓宽了民众意见表达场域的同时,也模糊了真实与想象之间的界限,放大了舆论场的杂音,甚至形成了以网民“意见”替代客观“事实”的现象。站在中立的理性立场,通过分析2017年11月引发而至今尚未平息的热点——“江歌案”,可以清晰的还原网民(包括事件主角)以主观“意见”消解甚至替代客观“事实”的现象及其机理。我们应理性运用微博等自媒体,正确引导网络舆论,以促进社会公平正义之实现。

融合情绪知识的案件微博评论情绪分类

案件微博评论的情绪分类是一个特定领域的情感多分类任务,旨在快速有效地识别海量评论中的情绪,有助于相关部门及时评估舆情风险和制定相关政策.由于传统方法难以有效利用评论中常用的情绪词和表情符号等情绪知识,本文提出一种融合情绪知识的案件微博评论情绪分类方法.首先,整合现有的情感计算资源构建了一个包含案件微博情绪词典、表情符号、网络用语、否定词及程度副词等的情绪知识库.其次,考虑情绪知识库和词性的作用定义了15种情绪知识,通过提出的连续向量表示方法构建评论的情绪知识表示.然后将评论的语义表示和情绪知识表示分别输入一个语义初始化滤波器的卷积神经网络(INIT-CNN)和一个结合注意力机制的全连接网络中,得到深层的语义特征向量和情绪知识表示的注意力特征向量.最后,将两个特征向量进行拼接以融合语义特征和情绪知识特征,训练一个情绪分类模型,称为EK-INIT-CNN(Emotional knowledge enhanced INIT-CNN).在案件微博评论数据集上的实验表明,相比INIT-CNN,EK-INIT-CNN的Macro_Precision、Macro_Recall和Macro_F1指标分别提升了1.87%、1.95%和1.88%.EK-INIT-CNN在NLPCC中文微博情绪分析评测数据集上的性能则超过了目前已知文献中的最好结果.实验证明,该方法能有效地融入外部情绪知识,且相对传统方法在情绪分类任务上具有明显的优势.

基于特征扩展卷积神经网络的案件微博观点句识别

通常的微博观点句识别主要根据微博评论本身是否带有观点来进行判断,而案件微博的观点句识别需要进一步考虑该评论是否讨论与特定案件相关的主题。针对这一任务,该文提出一种结合微博原文进行特征扩展的观点句识别模型。以卷积神经网络分类模型为基本框架,在嵌入层加入案件微博原文中的关键词向量,与对应评论词向量进行拼接;利用扩展的特征进行观点句识别。实验表明,该模型在根据案件微博爬取的两个数据集下准确率分别达到84.74%和82.09%,与现有的基准模型相比有较明显提升。

基于正文和评论交互注意的微博案件方面识别

微博案件观点所涉方面的自动识别是了解互联网社交媒体新闻舆情的重要手段,但由于微博文本形式和内容均灵活多变,传统的方面识别方法通常只利用单一的正文或评论,使微博语义理解非常有限。针对涉案微博文本的方面识别问题开展研究,提出一种基于正文和评论交互注意的案件方面识别方法,通过融合社交媒体的上下文信息,实现对案件观点所涉方面的识别。首先基于Transformer框架对正文和评论分别进行编码;然后基于交互注意力机制,实现正文信息和评论信息的融合,并基于融合后的特征实现对评论文本案件方面的识别;最后基于12个案件构建的微博数据集进行实验,实验结果表明,采用交互注意力机制融合微博正文信息和评论信息可以显著提升案件方面识别的准确率,证明了所提方法的有效性。

基于关键词结构编码的涉案微博评价对象抽取模型

涉案微博评价对象抽取旨在从微博评论中识别出用户评价的案件对象词项,有助于掌握大众对于特定案件不同方面的舆论。现有方法通常将评价对象抽取视为一个序列标注任务,但并未考虑涉案微博的领域特点,即评论通常围绕正文中出现的案件关键词展开讨论。为此,本文提出一种基于关键词结构编码的序列标注模型,进行涉案微博评价对象抽取。首先从微博正文中获取多个案件关键词,并使用结构编码机制将其转换为关键词结构表征,然后将该表征通过交互注意力机制融入评论句子表征,最后利用条件随机场(Conditional random field,CRF)抽取评价对象词项。在两个案件的数据集上进行了实验,结果表明:相较于多个基线模型,本文方法性能得以提升,验证了所提方法的有效性。

律师微博直播庭审的正当性——以“黎庆洪”案为例

近几年,我国司法实践中出现了不少引人争议的新现象。其中律师在庭审中利用微博"直播"的现象是个值得探讨的问题。从"李庄案"到"北海案",律师在开庭时利用微博发布庭审现场信息在贵阳"黎庆洪案"中的发挥最引争议。从法理上、法律制度上以及职业道德上来看,律师在庭审过程中通过微博发布庭审信息这一行为具备正当性。

修辞批评视域下的刑事被害人话语研究--基于“杭州网络诽谤案”的分析

互联网时代,刑事案件被害人可借助微博表达诉求,与司法机关和公众互动。被害人话语在不同的诉讼阶段有不同的表达方式,以“杭州网络诽谤案”为研究对象,运用伯克的戏剧主义修辞批评范式探讨自诉案件被害人的话语建构过程和运用策略,发现:第一,被害人在话语建构过程中应注意发挥场景要素的作用,第二,被害人在不同诉讼阶段宜采用不同的修辞策略,第三,被害人在寻找救济的过程中可以通过合理安排戏剧主义五要素和同一策略达.到修辞目的。