基于智慧校园建设的高校网络舆情预警机制构建研究

伴随着教育信息化技术的成熟和发展,高校数字校园正在向智慧校园稳步迈进。网络舆情预警机制作为智慧校园的重要组成,其构建意义重大。基于对当前智慧校园建设背景下高校网络舆情预警机制建设的现状和特点的总结,探索从网络舆情警报机制、舆情预防机制、舆情处理机制等五个方面构建高校网络舆情预警机制。     

网络群体事件的心理学分析

毫无疑问,网络已经占据了人们的日常生活,因而网络群体性事件也随之出现。社会转型带来的矛盾冲突以及网民构成群体的特殊性,使网络群体性事件变得更为复杂。因此,从心理学视角对网络群体性事件进行分析,可以探索其成因,以便有针对性地采取有效对策,更好地处理类似事件,维护社会的和谐稳定。     

网络群体事件传播机制及应对策略

近年来,随着人们应用网络频率的不断增加以及对网络依赖程度不断增强,网络成为人们发表各种意见的新出口。这给普通民众提供了一条表达自己意见的出口,但是,在我国社会急剧变化的情况下,各种积压已久的矛盾都逐渐爆发出来,如果民众将这些东西发布到网络之上,很容易产生群体不理性,进而爆发网络群体事件。因此,为了实现社会的和谐和稳定,我们很有必要对网络群体事件的传播机制进行分析,进而提出高效平息网络群体事件的策略。     

基于张量分解的个性化标签推荐算法

基于互联网的社会标签推荐系统为广大用户提供了一个信息共享平台,让用户以"标签"的形式为其浏览的物品标注信息。标签既描述了物品语义,又反映了用户偏好。标签系统的最大优势在于可以发挥群体的智能,获得用户对物品比较准确的关键词描述,而准确的标签信息是提升个性化推荐系统性能的重要资源。然而,现存的标签推荐系统面临的问题是:由于兴趣的不同,不同的用户对于同一物品可能会打不同的标签,或者是同一标签对于不同用户可能会蕴含不同的语义。因此如何有效获取用户、物品、标签3者之间潜在的语义关联成为标签推荐系统需要解决的主要问题。为此引入三维张量模型,利用三维张量的3个维度来分别描述社会标签推荐系统中3种类型的实体:用户、物品、标签。在基于历史标签数据(标签元数据)构建初始张量的基础上,应用高阶奇异值分解(HOSVD)方法降低张量维度,同时实现3种类型实体之间潜在的语义关联分析,从而进一步提高标签推荐系统的准确性。实验结果表明,该方法较当前两种典型的标签推荐算法(FolkRank和PR)在准确率和召回率性能指标上有明显提升。     

外部事件影响下的网络舆情失控风险分析仿真

在对外部事件影响下的网络舆情失控风险进行报警的过程中,各个因素相互影响并且各因素独立存在,在外部因素影响下复杂性更高,无法进行准确分类并设定波动较小的权值,导致传统的网络舆情失控风险报警方法,在利用决策树分类算法对舆论数据进行分类时候,不能客观、准确的对失控风险进行量化计算,无法实现失控风险的有效报警.提出基于外部事件分析的网络舆情失控风险报警模型,确定可能引起网络舆情失控的外部事件,通过被报警网络舆情的实际情况,对失控风险后果的属性类型进行确定,给出失控风险后果属性与其权重,对每种外部事件引起失控的可能性以及可能产生的后果值进行分析,获取所有外部事件影响网络舆情失控的相对严重程度,对其进行排序,报警实现外部事件影响下网络舆情失控风险的准确报警.仿真结果表明,所提方法能够准确的实现失控风险报警,更适合应用于实际网络失控风险报警中.     

高校网络舆情事件有效应对和处置的策略研究

高校舆情是大学生对社会及其管理者所持有的认知、情绪、态度、看法、建议和意见的总和.其主要方式是微博、微信、QQ群等.加强高校网络舆情事件应对和处置,有利于确保高校网络安全、促进大学生健康成长;有利于彰显高校维护社会稳定的能力,促进学校良性发展;有利于凸显高校的文化软实力,促进学生文明上网、理性表达自己的合理诉求.但是,...     

基于社会网络的农村群体负面情绪传播机制

针对我国社会经济转型期间农村的社会稳定风险,认为群体负面情绪是导致农村群体事件的主导要素,急需对其传播机制进行识别和测度。在分析了我国农村社会强网络嵌入性特征的基础上,基于社会网络理论提出了农村群体负面情绪传播的网络影响要素及其计算方法;并且通过运用和优化元胞自动机建模方法,对农村群体负面情绪传播进行动态建模。仿真结果验证了社会网络特征属性,如意见领袖、干群关系等,对于农村群体负面情绪传播的影响作用显著。     

基于文本事件网络自动摘要的抽取方法

将文本按事件方式进行表示,把事件作为基本语义单元来构建事件本体.根据事件间的关系构建事件网络有向图能较好地表达文本的语义信息及事件间的关系重要程度.利用PAGERANK算法测算事件网络图中各节点对应事件的重要度并进行排序,按事件发生的时间顺序,输出事件对应的原语句作为摘要.实验结果表明,基于事件网络的文本自动文摘方法抽取出的摘要效果较好.     

复杂背景下的人脸定位识别方法

现有的人脸识别算法多在标准库上进行,缺少对复杂背景下人脸识别问题的研究。提出一种快速的人脸定位识别方法,旨在解决复杂背景中人脸的定位和识别问题。在定位方面,提出一种新的自适应肤色分割的人脸定位算法,充分考虑类肤色背景对定位算法的影响,使该算法在户外环境下的人脸定位精度较传统方法有了一定的提高;识别方面,采用局部SVD方法提取人脸图像特征值,以PCA算法加以识别,新算法改进了传统PCA训练速度慢、内存占用大的缺陷。通过对ORL人脸库以及自制人脸库的实验分析,结果表明该方法不仅能解决复杂背景中人脸定位识别问题,并且高效、快速、有较好的实用性。     

基于表情子空间多分类器集成的非特定人人脸表情识别

针对非特定人人脸表情平均识别率普遍不高（约65%）的问题,提出了一种基于表情子空间和多分类器集成的人脸表情识别新方法。通过局部二进制模式(LBP)与高阶奇异值分解(HOSVD)方法对训练集1中的人脸图像的全脸、眼睛（包括眉毛）和嘴巴三个区域进行特征提取与分解,建立相应的表情子空间;利用支持向量机(SVM)方法对训练集2中的人脸图像在表情子空间训练,得到模糊系统参数;最后结合表情子空间与多分类器集成,对测试集中的图像进行表情分类识别。在JAFFE人脸表情库中实验,获得了71.43%的平均识别率。实验结果表明,该方法有效地减少了人脸外观特征和表情表现方式所带来的影响,具有更好的识别效果。     

基于观点树的网络舆情危机预警方法*

对初始情感种子集预处理,增加网络情感词汇、过滤部分特征词,采用改进逐点互信息—信息检索方法对特征词进行情感倾向性计算,实现对网络论坛网帖中网民观点极性和观点强度的挖掘,进一步实施网民观点属性挖掘;构建基于三粒度挖掘结果的观点树,建立基于观点树的网络舆情危机预警架构。通过实验验证,该方法能够对网络舆情危机作出预警判断。     

融合奇异值分解和最大间距准则的人脸识别方法

提出了一种融合奇异值分解（SVD）和最大间距准则鉴别分析（MMC）的人脸识别方法。对人脸图像进行奇异值分解,选取较大的一组奇异值构成特征向量,对所有训练样本按照最大间距准则鉴别分析算法计算投影矩阵,把人脸图像矩阵在投影矩阵上投影得到特征矩阵。融合决策阶段,在以上两类特征集中,分别计算待识别样本到所有训练样本的欧氏距离并对得到的两类结果进行加权融合,最后根据最近距离分类器分类。基于ORL人脸数据库上的实验结果表明算法的有效性。     

融合自适应加权和局部奇异值分解的人脸识别

提出了融合自适应加权和局部奇异值分解的人脸识别方法。首先,对每个训练样本分割出人脸图像的5个特殊区域并分别进行奇异值分解,提取一些较大的奇异值构成每一区域的特征向量。然后,计算各局部块的类内距离平均值和类间距离平均值,从而得到各部分对应的权值。识别阶段,计算待识别人脸图像每一区域对所有训练样本人脸图像相应区域的隶属度,最后采用加权融合策略做出判断。基于ORL和FERET人脸数据库的实验结果表明提出的方法具有有效性和可行性。     

基于用户和产品Attention机制的层次BGRU模型

文本情感分类的核心问题是如何有效地表示文本的情感语义,然而,目前的大多数方法只考虑到了文本内容中的情感语义,忽略了与文本内容相关的用户信息以及文本内容所描述的产品信息。已有的包含用户和产品信息方法也存在着以下两个问题：（1）不能有效地表示用户和产品信息,而且模型复杂度过高导致训练速度满。（2）文本情感语义表示模型过于简单,不能有效地表示文本中的上下文语义信息。针对以上两个问题,提出了相应的解决方案：（1）针对用户和产品的评价数据,利用奇异值分解（Singular Value Decomposition,SVD）的方法得到用户和产品的语义准确的先验信息,同时避免了用户和产品信息等相关参数的训练,缓解了模型复杂度高的问题。（2）利用双向的门循环单元（GRU）模型代替原有的简单模型,更加有效地结合了文本中的上下文语义信息。实验结果表明：相比传统的文本分类方法,提出的方法有更好的分类效果,在部分实验数据中达到了最好的分类准确度。同时模型的训练速度也得到了提升。     

一种基于K-SVD的说话人识别方法

为了充分提取语音中的个人特征信息,类比矢量量化,提出了一种基于K-均值奇异值分解(K-SVD)的说话人识别方法。利用K-SVD训练得到的字典可较好地保存语音信号中的个人特征信息。利用这一特性,通过K-SVD从训练数据中提取包含说话人个人特征信息的字典,利用该字典实现说话人识别。相对于传统方法,该方法能够更好地利用语音的稀疏性保存语音中的个人特征信息并减小重构误差。实验仿真结果表明,与基于矢量量化的说话人识别方法相比,该方法在多说话人的情况下具有更好的识别率,具有更高的实用价值。     

基于SVD压缩的高保真可逆信息隐藏算法

针对嵌入秘密数据对原始图像造成失真明显的问题,提出一种利用奇异值分解（Singular Value Decomposition,SVD）进行像素预测的可逆信息隐藏算法。首先将原始载体分成灰和白两层,选取灰色层中的像素作为目标像素,其领域上的白色层像素作为参考像素;而后利用这些参考像素构成邻域矩阵,再对其SVD压缩处理,利用压缩结果预测目标像素;最后通过扩展预测误差嵌入秘密数据。实验数据显示,该算法有效降低了携密载体的嵌入失真。     

基于高阶奇异值分解的驾驶疲劳识别

提出一种基于人脸运动特征和高阶奇异值分解的驾驶疲劳识别方法。利用光流技术计算人脸皮层的运动速度,以此作为疲劳特征。为消除身份、光照和姿态等因素对疲劳识别的影响,利用高阶奇异值分解将疲劳特征与身份信息、光照信息、姿态信息分离。在疲劳子空间采用余弦距离最近邻方法进行疲劳识别。对不同光照条件下、不同人、不同姿态的疲劳状态进行识别实验,实验结果表明,该方法具有较好的识别效果。     

基于DCT和SVD变换的盲数字水印算法

结合奇异值分解（SVD）变换,提出一种基于DCT域内DC分量的数字盲水印算法。对原图像进行8×8分块DCT变换,对DC系数集合进行2×2分块的SVD变换,使用量化步长Q量化每个小块对应的最大奇异值,向量化后的结果嵌入水印。由于选择DC系数进行SVD变换,且SVD变换结果表现的是图像的内蕴特性而非视觉特性,故算法具有较高的稳健性和透明性。实验表明,该算法可以有效地抵抗中值滤波、JPEG压缩、噪声等常规篡改处理,水印的提取不需要原始图像参与,执行起来简单方便。     

基于MRSVD和VPMCD的轴承故障智能诊断方法研究

针对轴承早期微弱故障特征信息易被噪声掩盖和现实中难以获得大量典型故障样本的实际情况,提出了基于多分辨奇异值分解（Multi-Resolution Singular Value Decomposition,MRSVD）和变量预测模型模式识别（Variable Predictive Model based Class Discriminate,VPMCD）的轴承故障智能诊断方法。利用MRSVD对轴承加速度振动信号进行多层分解,提取包含故障特征的细节信息,建立对数正态分布模型,凸显细节信息中的非高斯特性,计算对数均值和对数标准差构造特征向量,并采用VPMCD方法进行故障识别。将该方法应用于实际轴承外圈、内圈、滚动体局部微弱故障状态下的故障诊断,结果显示：故障识别精度达到98.75%,证明了该方法的可行性和有效性。