一种在线社交网络的自适应观点引导模型及实现

在线社交网络已成为信息传播的重要途径,给人们获取信息带来便利的同时,也为不良信息的扩散提供了温床。目前主流的在线社交网络都采用关键字匹配的方式屏蔽不良信息的发布,在阻止信息本身的同时,也屏蔽了与其相关的积极观点的传播。本文提出一种自适应的观点引导模型,实现对在线社交网络用户的观点引导。该模型首先分析网络用户对事件／事物的观点和情感倾向,确定其中观点消极的用户作为引导对象,然后向其推送与之关注点相近且情感相对积极的信息或用户,进行观点引导,同时引入反馈机制,根据引导对象的观点变化动态调整推送内容,以实现长期精确引导。基于该模型设计并实现了观点引导系统,包括引导信息模块、观点标注模块、推荐模块和反馈模块,实现了自动选择群体、自动识别群体情感倾向、自动选择和调整推送内容等功能。实验结果表明,该模型能够实现对在线社交网络用户的观点引导。     

基于MapReduce的微博文本采集平台

微博不仅数据量大,而且实时性高,采用传统的Web文本爬取方式,很难在短时间内获取足量的微博.为了解决研究微博数据面临的数据采集问题,提出了基于MapReduce的微博数据采集平台,将整个微博抓取系统部署在hadoop平台上,充分利用hadoop分布式框架的特点,实现多节点同时抓取微博,很大程度上提高了抓取速率;并就微博采集过程中因输入数据过小导致hadoop不能有效均衡负载的问题,提出了采用多个小文件的输入方式,有效地解决了负载不均衡的问题.最后以Sina微博为例进行结,结果表明,该系统成本低、扩展性好、效率高,可广泛应用于基于微博数据的舆情分析以及传播学和虚拟社会学等方面的研究,并作为其基础数据采集平台.     

基于表情图片与情感词的中文微博情感分析

微博是Web 2.0时代新生的社会化媒体平台,网民通过微博抒发自己的情感,表达自己的喜怒哀乐与爱恶,从而产生了海量的情感文本信息.通过对情感信息的分析,可以得到网民的情绪状况、对某个社会现象的观点、某个产品的喜好等信息,其不仅有一定的商业价值,还对社会的稳定有所帮助.利用微博中的表情图片,并结合情感词语的方法来构建中文微博情感语料库,既保证了语料库的规模与准确性,又省去了人工的负担;在情感语料库的基础上,构建贝叶斯分类器;最后利用熵的概念对语料库进行优化,提高了分类的准确性,并比较了使用不同n-gram特征项的性能.最终发现,使用UniGram特征项并用熵进行优化之后,分类的效果最好,召回率和准确率都可以达到85％以上,F值甚至可以达到89％以上.