一种基于话题演化的意见领袖发现方法

微博中的意见领袖不仅在社交网络的信息传播中发挥着举足轻重的作用,而且在网络舆情演化中也表现出显著的意见代表性。针对已有的意见领袖挖掘方法仅从复杂网络或者基本图模型来建模发现意见领袖,忽略了意见领袖在具体的话题演化中的意见代表性的问题,提出了基于话题演化的意见领袖发现的方法。该方法首先根据用户之间的交互构建图模型,然后利用寻找中心节点的图论算法挖掘潜在意见领袖,再利用话题演化模型判断潜在意见领袖的演化中心度,最后发现在整体舆情上的具有意见代表性的真实意见领袖。在新浪微博的话题数据集上的试验结果表明,该算法较仅考虑网络模型的意见领袖发现方法更优。     

基于多Agent的微博社交网络信息传播模型

针对传统微博社交网络信息传播模型没有考虑用户个体差异性和用户强弱关系的问题,本文建立了基于多Agent的微博社交网络信息传播模型。将微博用户抽象为Agent,并定义Agent的属性,分析微博社交网络信息的传播机制,定义Agent之间的交互规则,考虑不同强弱关系下影响用户转发信息行为的因素,通过仿真实验探究个体态度、影响力、个体间认同度等因素对微博网络信息传播的影响。仿真结果表明,微博信息的传播呈裂变式扩散模式,微博用户的态度、影响力等因素对信息的传播起促进作用,所提出的相关影响变量对有效利用与管控微博信息传播具有一定的启示意义。     

面向多源社交网络的社团结构特征研究

为了研究社交网络社团结构对舆情传播的影响,本文对比分析了多源社交网络的社团结构特性及传播特性,并且利用COPRA算法和LFM算法进行了社交网络重叠社团研究,提出一种基于节点度过滤的LFM改进方法——NF-LFM算法。该算法先对好友关系网络中节点度小于某一阈值的节点进行过滤,再对剩下的好友关系网络进行社团划分。研究发现:1)人人网、QQ空间、新浪微博都具有明显的社团结构特性,其中,人人网和QQ空间的社团结构特性强于新浪微博;2)在不考虑社交网络用户活跃度的情况下,舆情信息在人人网上扩散范围最广,新浪微博次之,QQ空间扩散较慢。本文提出的改进方法能解决现有算法社团划分结果分辨率低的问题,且有效弥补了LFM算法在大规模社团发现时陷入无限迭代过程而导致时间复杂度高的缺点,将其应用于经典数据集中也符合理论预期结果。本文的研究结果将有助于进一步理解和认识社交网络社团结构对舆情传播的影响,同时对于网络群体事件发现和舆情监控及引导等具有重要意义。     

面向多源社交网络的社团结构特征研究（研究生论坛）

为了研究社交网络社团结构对舆情传播的影响,本文对比分析了多源社交网络的社团结构特性及传播特性,并且利用COPRA算法和LFM算法进行了社交网络重叠社团研究,提出一种基于节点度过滤的LFM改进方法——NF-LFM算法。该算法对好友关系网络中节点度小于某一阈值的节点进行过滤,再对剩下的好友关系网络进行社团划分。实验结果表明：1）人人网、QQ空间、新浪微博都具有明显的社团结构特性,其中人人网和QQ空间的社团结构特性强于新浪微博;2）在不考虑社交网络用户活跃度的情况下,舆情信息在人人网上扩散范围最广,新浪微博次之,QQ空间扩散较慢。本文提出的改进方法能解决现有算法社团划分结果分辨率低的问题,且有效弥补了LFM算法在大规模社团发现时陷入无限的迭代过程而导致时间复杂度高的缺点,将其应用于经典数据集中也符合理论预期结果。本文的研究结果将有助于进一步理解和认识社交网络社团结构对舆情传播的影响,同时对于网络群体事件发现和舆情监控及引导等具有重要意义。     

多特征神经网络微博转发预测

随着社交网络的快速发展,微博已成为一种信息扩散传播的平台。鉴于微博信息扩散的特点,挖掘微博转发过程中的潜在规律对于舆情监控、热点话题追踪、产品营销等有着重要意义。以新浪微博作为数据源,以用户和微博内容作为特征源,引入机器学习中的神经网络预测算法建立预测模型,实现对微博的转发预测。结果表明,与传统预测方法的对比,对微博转发可以做出较高准确率的预测。     

基于监督随机游走的有影响力用户发现算法

基于用户主题偏好的监督随机游走是当前热点研究之一。受微博文本稀疏性的影响,基于微博主题衡量用户影响力的研究较少。为研究某些领域的用户影响力强弱,文章提出一种基于监督随机游走的有影响力用户发现算法(TP-SRW)。通过研究微博用户自身的属性和微博文本的主题特征,构建基于用户交互信息的个体链接关系,并结合代表用户同质性的微博主题兴趣的相似性,构建有向加权网络模型。实验结果分析表明,在不同主题下挖掘高影响力用户,提出的TP-SRW算法和模型具有良好的性能。     

数据挖掘支持下的网络热点事件地理可视化研究

针对网络热点事件舆论分析的需求,研究了开放式、参与式的网络信息扩散模式下,网络中用户之间的新型互动行为及其在热点事件传播过程中的时空特征。利用网络数据挖掘技术,通过对网络热点事件评论的挖掘,提取关注热点事件的时空信息。通过网络热点事件关注群体地理分布的可视化表达,得到网络热点事件的舆论动态,为舆情综合管理提供决策支持。     

一种基于话题传播的微博用户影响力分析方法

基于微博话题传播过程,提出了一种新的用户影响力分析方法.该方法首先结合微博信息传播机制,构建信息推送网和信息转发网;其次,基于上述网络建立话题传播网模型并提出CTDN构建算法;最后,以该模型为基础设计并实现了一种用户影响力排序算法TD-InfluenceRank,该算法在迭代计算用户影响力时通过考虑节点间的信息传播,使影响力更多地转移给关系密切的节点.实验结果表明,以TD-InfluenceRank算法为核心的用户影响力分析方法,能够有效提高话题传播中用户影响力分析的准确性.     

微博社交网络舆情监测指标体系构建

在研究微博信息传播模式的基础上,借鉴网络传播中采用的信息空间模型构建了微博舆情的三维空间,对微博舆情的主客体进行分析,建立了微博舆情监测指标体系。该指标体系充分考虑了主客体的不同特点和关系,并提出体系中不同指标的量化方法,为管理者对微博舆情进行疏导提供了决策上的支持。     

基于Multiagent的社交网络舆情传播模型

为分析与预测社交网络中舆情传播过程和演化趋势,本文基于Multiagent分布式技术,建立了社交网络舆情传播模型,研究社交网络舆情传播方式,并根据Agent的行为和状态特性,对A-gent进行分类,分析Agent的属性特征,通过剖析Agent个体之间的交互微观行为,依据信息价值时效性、信息源覆盖率和信息关注度,对转发行...     

基于粒子群优化算法的社交网络可视化

为了使用户快捷、清晰地发现及研究微博用户之间的关系,提出基于粒子群优化(PSO)算法的微博数据可视化方法.根据用户在微博中的影响力将用户分为n层,以此来表示用户在网络中对信息的传播影响力的等级.基于数据的关联关系对数据进行子群划分;基于粒子群优化算法,设计目标函数,使粒子群优化算法适应社交网络的布局要求.为了进一步增强可视化效果,降低视觉复杂度,采用曲线代替直线,应用传输函数设置不透明度以及交互的可视化技术.实验结果表明,该方法可以形成清晰的可视化结果,以便更好地分析微博用户之间的关系.     

基于信息挖掘的高校网络舆情监测系统开发

受网上各种信息的影响,高校大学生对社会诸多现象、现实和问题等反应敏感,易受到错误言论的蒙蔽和误导。针对高校网络舆情监测与预警手段方面的严重不足,开发了一个基于网络信息挖掘技术的高校网络舆情监测系统,系统利用网络蜘蛛技术、中文分词技术和文本聚类技术,通过对互联网信息进行采集、处理,舆情识别分析,实现了舆情热点与话题信息的推送与跟踪功能,可进一步分析舆情内容的观点与态度问题,筛选并判定各级别网络舆情的发生,从而进行公共危机和热点事件的监测和预警。     

基于微博数据的台风"山竹"舆情演化时空分析

将情感分析模型、动态演化模型、话题聚类模型、网络社团模型结合地理可视化技术应用到台风的灾害评估中。将微博情绪与台风灾害联系起来,从情感值与讨论热度两个角度入手,根据台风“山竹”相关话题的25 798条微博数据,完整的展示本次事件网络舆情的演化过程,通过隐含狄利克雷分布(latent dirichlet allocation, LDA)主题模型挖掘用户关注话题,发现台风登陆事件与湖南收费站事件对公众情绪的消极影响;抽取台风“山竹”相关微博中蕴含的地理位置信息,建立广东省21个城市的网络社团模型,检验用户情绪、城市词频、用户位置、网络节点活跃度等指标探测受灾城市的能力;根据广东省38个气象站点的24 h最大降雨数据进行空间插值。降水主要集中在广东南部地区,阳江市发生特大暴雨,引发了严重的洪涝灾害,其情绪值也是最低的。     

基于微博数据的台风“山竹”舆情演化时空分析

将情感分析模型、动态演化模型、话题聚类模型、网络社团模型结合地理可视化技术应用到台风的灾害评估中。将微博情绪与台风灾害联系起来,从情感值与讨论热度两个角度入手,根据台风“山竹”相关话题的25 798条微博数据,完整的展示本次事件网络舆情的演化过程,通过隐含狄利克雷分布(latent dirichlet allocation, LDA)主题模型挖掘用户关注话题,发现台风登陆事件与湖南收费站事件对公众情绪的消极影响;抽取台风“山竹”相关微博中蕴含的地理位置信息,建立广东省21个城市的网络社团模型,检验用户情绪、城市词频、用户位置、网络节点活跃度等指标探测受灾城市的能力;根据广东省38个气象站点的24 h最大降雨数据进行空间插值。降水主要集中在广东南部地区,阳江市发生特大暴雨,引发了严重的洪涝灾害,其情绪值也是最低的。     

基于SEI3R的微信舆情演化模型

舆情演化包括信息传播和观点演化两个相互交织、相互影响的过程。利用SEIR模型描述个体传播状态转移过程,基于Deffuant 模型描述个体观点交互过程,将传播者细分为正面传播者、负面传播者和中立传播者,建立了融合信息传播和观点演化的SEI³R模型框架。在SEI³R模型框架的基础上,分析微信传播特性,定义社会加强效应和兴趣衰减效应影响下的传播概率、基于亲密度的观点交互关系,建立了微信舆情演化模型。通过仿真实验,研究了信息传播、观点演化以及相互影响的效果,对舆情事件性质、立场调整系数以及用户心理阈值等参数进行了分析。     

基于语义分析的微博热点话题发现技术研究

近年来,微博热点话题发现已经成为当前网络舆情分析研究的热点.本文针对微博信息的碎片化、口语化等短文本特点,为解决向量空间模型(VSM)文本表示方法存在高维度、稀疏,及同义多义等问题,采用潜在语义分析法对微博信息进行建模,再通过贝叶斯分类算法实现话题发现.并采用J2EE开发包及Eclipse集成开发环境,结合Hibernate,Lucene等技术实现了微博热点话题发现系统,实验表明这种方法是有效的.     

微博信息流行度预测研究综述

微博的出现改变了传统的信息传播方式。文章针对微博流行度预测的一系列问题展开综述。在对微博流行度预测问题进行定义的基础上, 从微博内容、用户信息和网络结构3方面对影响微博流行度的主要因素进行介绍,对基于时间序列、基于流行病模型、基于分类模型和基于回归模型的4种微博信息预测主流方法进行比较,指出流行度预测未来的研究方向主要集中在时间粒度的划分、最小观测时间的确定、微博流行度的动态预测等方面。该研究对信息检索、舆情研判、企业营销等具有重要意义。     

基于动态认知的微博用户行为关系网络构建方法

构建微博用户的社会关系网络是分析微博数据的重要基础手段之一。由于微博用户在信息的发布和传播过程中具有不确定的行为特性,导致常见方法无法有效地完成微博用户行为关系网络的建模。该文以不确定理论为基础,提出了基于Rough Set的动态认知技术,对微博的海量不完备信息进行处理,完成对用户行为的计算分析,构建了微博用户行为关系网络。并以此为基础,结合用户操作、主题与情感分析方法,对微博中的网络事件发展进行了分析。     

面向舆情分析的短文本频繁模式聚类算法

基于短文本的舆情分析是当前信息挖掘与情感分析领域的研究重点,针对网络环境中大量的短文本信息的鲜明特点,本文突破了传统基于词的分类方法,提出一种基于后缀数组频繁模式发现的聚类算法,利用后缀数组频繁模式精确去重算法得到关键词库,结合局部性原理对位置点聚类之后作有意义字串挖掘,进而进行文本舆情分析,以便及时动态了解网络群体的情感方向以及社会舆情热点。     

融合立场检测和主题挖掘的突发公共事件网络舆情演化研究

基于立场检测和主题挖掘的突发公共事件舆情演化研究,能够帮助政府及利益相关者快速地掌握突发公共事件网络舆情的演化规律,具有重要的意义。划分具体突发公共事件的舆情生命周期,提出新的立场检测模型和主题句挖掘方法,针对每个生命周期阶段,在识别大众网民的立场信息的基础上筛选出高效用的舆情信息,再挖掘高效用舆情信息的主题,以深入分析突发公共事件主题信息的演化规律。以“杭州女子失踪案”的微博数据为例,首先将本文方法与多种方法的实验结果进行对比分析,验证了方法的有效性;然后基于实验结果进行舆情演化分析,证明了其能够在实际的突发公共事件舆情中快速聚焦关键点,较好地分析突发公共事件舆情演化规律和特点。该方法能较有效、准确地识别和分析舆情内容,为网络舆情演化的研究提供了新视角。