Correction to Levant et al. (2000).

Reports an error in "The evolving profession of psychology: Comment on Lowe Hays-Thomas's (2000) "The silent conversation." by Ronald F. Levant, Stanley Moldawsky and Tommy T. Stigall (Professional Psychology: Research and Practice, 2000[Jun], Vol 31[3], 346-348). On page 346 in the author note, Louisiana Southern University was given as the university where Tommy T. Stigall received his PhD. The correct university is Louisiana State University. (The following abstract of the original article appeared in record 2000-03894-017.) The authors comment on R. Lowe Hays-Thomas (2000; see record 2000-03894-016). The article begins with a few comments about the master's-degree issue and then examines the evolution of professional psychology in relationship to the master's issue over the past 50 years and into the future. (PsycINFO Database Record (c) 2010 APA, all rights reserved)     

论建筑评论的信息传播属性及其特征

从信息传播的角度分析了我国建筑评论领域缺乏建筑评论的主体队伍、缺乏相应的建筑基础理论的研究、缺乏科学的建筑评论观念的现状,指出认识建筑评论信息传播的四个属性——共享性、主体性、互动性和多元性的重要意义．提倡创造多元共存．一元主导的建筑评论局面。     

基于卷积神经网络的谣言检测

人工检测谣言通常需要耗费大量的人力物力,并且会有很长的检测延迟。目前现存的谣言检测模型一般根据谣言的内容、用户属性、传播方式人工地构造特征,而人工构建特征存在考虑片面、浪费人力等现象。为了解决这个问题,提出了基于卷积神经网络（CNN）的谣言检测模型。将微博中的谣言事件向量化,通过卷积神经网络隐含层的学习训练来挖掘表示文本深层的特征,避免了特征构建的问题,并能发现那些不容易被人发现的特征,从而产生更好的效果。实验结果表明,所提方法能够准确识别谣言事件,在准确率、精确率与F1值指标上优于支持向量机（SVM）与循环神经网络（RNN）等对比算法。     

基于mixtureLDA的微博主题挖掘

针对目前的主题挖掘只考虑主题内容的概率分布方法,本文提出一种综合考虑内容、时间等因素的微博主题挖掘模型mixtureLDA. 该模型能够分析用户不同类型微博的主题概率分布和时间微博主题概率. 实验使用新浪微博数据集,结果表明基于mixtureLDA的微博主题挖掘模型能够有效地挖掘出用户微博和时间微博的主题概率分布. 与MB-LDA、userLDA模型对比,mixtureLDA模型可有效降低困惑度.     

基于有意义串聚类的微博热点话题发现方法

针对微博数据特征稀疏、内容碎片化的特点,提出一种基于有意义串聚类的热点话题发现方法。结合重复串计算、上下文邻接分析和语言规则过滤多种策略,提取能够表达独立完整语义的有意义串,并将微博数据建模在相对较小的有意义串空间,通过聚类产生候选话题,根据热度排序发现热点话题。微博数据实验结果表明,该方法在一定程度上实现对微博高维稀疏空间的降维,对于微博空间的热点话题发现有效可行。     

一种基于语言模型的微博检索技术

步入互联网时代,微博吸引了成千上万的用户并且以迅猛的速度发展成为主流的网络媒体。人们通过微博服务传播与分享即时信息,在这个平台上产生了大量宝贵的信息,因此基于微博的研究具有十分重要的意义。与传统的网页和文章相比,微博文本具有自身独特的特性,包括文本稀疏性、动态性、噪声和长度短等。基于满足用户从海量微博中获取信息的目的,本文在语言模型的基础上结合微博文本的时间特性,提出一种基于动态伪相关反馈模型的查询扩展方法,使准确率提高至53.9%。     

基于能量优化的微博用户转发行为预测

微博用户转发行为预测是微博社交网络消息扩散模型构建的基础,在舆情监控、市场营销与政治选举等领域有着广泛的应用.为了提高用户转发行为预测的精度,本文在MRF（Markov Random Field）能量优化框架下综合分析了用户属性与微博内容特征、用户转发行为约束、群体转发先验等因素对用户转发行为的影响,并在逻辑回归模型的基础上构造了相应的能量函数对用户转发行为进行了全局性的预测.实验结果表明,微博用户转发行为不仅取决于用户属性、微博内容等特征,而且也受到用户转发行为约束、群体转发先验等因素不同程度的影响.相对于传统算法,本文算法可以更准确地对用户转发行为进行建模,因而可获得更好的预测结果.     

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。     

一种面向大规模微博数据的话题挖掘方法

随着微博的日趋流行,新浪微博已成为公众获取和传播信息的重要平台之一,针对微博数据的话题挖掘也成为当前的研究热点。提出一个面向大规模微博数据的话题挖掘方法。首先对大规模微博数据进行分析,基于Bloom Filter算法对数据进行去重处理,针对微博的特有结构,对文本进行预处理,提出改进的LDA主题模型Social Network LDA（SNLDA）,采用吉布斯采样法进行模型推导,挖掘出微博话题。实验结果表明,方法能有效地从大规模微博数据中挖掘出话题信息。     

中文微博情感词典构建方法

提出了一种中文微博情感词典构建方法。采用上下文熵的网络用语发现策略,通过TF IDF(term frequency inverse document frequency)进行二次过滤得到网络用语;利用SO PMI(semantic orientation pointwise mutual information)算法在已标注的微博语料库中计算网络用语的情感倾向值,构建网络用语情感词典;将词典应用到微博情感分类实验,并与朴素贝叶斯分类器的分类性能进行了比较分析。实验结果表明,直接利用微博情感词典的分类效果好于朴素贝叶斯分类器,并具有分类过程简单、快速等优势。