热点舆情事件中网民攻击性行为影响因素分析

[目的/意义]通过对网民发布攻击性评论行为的影响因素分析,预防进一步恶化形成网络暴力事件,为健康网络环境的治理提供参考。[方法/过程]构建网民攻击性评论行为影响因素模型,通过问卷调查获取攻击性评论发布的行为影响因素的相关数据,采用路径分析法对数据进行处理,对影响因素模型的实践意义进行探讨。[结果/结论]自我认知、环境影响、他人引导以及对于可能承担后果的考量四个因素通过中介变量影响网民情绪的产生,对网民的攻击性评论行为具有显著影响,其中,因素“对可能承担后果的考量”起到消极作用,另外三个因素均为正向积极作用。

一种改进的TextRank多文档文摘自动抽取模型

多文档自动文摘通过自然语言处理技术从多篇同主题的文档中提取概述性信息,可有效缓解信息负载问题,有助于用户迅速准确获取原文核心内容。针对中文文本特点,构建一种基于TextRank算法改进的多文档文摘自动抽取模型。首先通过预训练Word2Vec词向量模型与SIF方法融合,在中文维基百科语料库上进行预训练,获取文档中所有句子的句向量;然后借助余弦相似度构造TextRank句子间的边关系;最后使用MMR算法对文摘句进行冗余处理,得到全面又多样的文摘。通过ROUGE-N评价指标对模型进行性能评价,实验结果表明,所提模型的ROUGE-1、ROUGE-2、ROUGE-L指标值分别为0.549、0.322、0.357,均优于传统TextRank方法和Word2vec(实验样本语料)+TextRank+MMR模型,文摘质量更高。

基于舆情事件演化分析及改进KE-SMOTE算法的舆情反转预测研究

【目的】当新的舆情事件出现时,准确高效地预测出该事件是否会发生反转。【方法】首先,根据舆情反转事件反转点前的演化特点及演化过程构建事件特征;其次,通过设计聚类中心数自动寻优过程提出改进的KE-SMOTE算法,对正负样本分布悬殊的事件集合进行均衡处理;再次,基于均衡处理后的事件集构建以神经网络为基础的集成学习分类模型,实现舆情反转预测;最后,选取2021年发生的30个热点舆情事件对所构建的模型进行验证,并对预测结果与真实结果不符的事件逐一分析错误原因,同时对于如何避免舆情反转现象提出相应的对策建议。【结果】本文构建的集成学习分类模型在测试集上的预测准确率为99.7%,同时,较高的召回率显示所有反转事件均被预测正确,与舆情反转预测任务的要求相符。【局限】随着舆情反转事件从发生到反转之间的时长越来越短,可以获取的数据集也越来越少,所提出的特征和模型是否依然有效值得深入研究。【结论】所构建的基于改进KE-SMOTE算法的舆情反转预测模型可以在事件发生初期较为精准地识别出舆情反转事件。