基于BP神经网络的微博转发量的预测

微博已经成为人们传播和获取信息的重要途径。突发事件相关微博的传播范围对事件的影响起着重要的作用,微博转发是扩大微博传播范围的一种重要方式。该文以城管与民众冲突事件(俗称"城管事件")为例,将BP(back propagation)神经网络应用到该类事件相关微博的转发行为研究中,以实现该类突发事件下微博转发行为的影响因素分析和转发量的预测。该文先从发帖人和微博内容2个角度分析了突发事件下微博转发行为的影响因素,结果表明:1)微博发帖人的活跃度、微博涉及主题标签、包含视频等可视化信息、提及其他用户及微博的发表时间段均对该微博的转发量有较大影响;2)与发帖人相比,微博内容对其转发量的影响更大。在影响因素分析的基础上,该文通过将预测问题转化为模式分类问题,基于BP(back propagation)神经网络对突发事件下的微博转发量进行了预测,并通过改变样本数对预测结果的稳定性进行了测试,得到了有一定参考价值的预测结果。     

微博分析研究综述

微博,是当前重要的社会信息传播平台之一,具有易操作、传播快等特点,人们可以通过微博直接快速地表达对突发事件、公众人物、热门产品等的观点。为了利用海量微博信息,需要综合多种分析方法挖掘其潜在价值。综述了当前微博分析领域的研究现状,提出了自主研发的微博分析系统,探讨了未来微博分析的研究方向。首先,介绍了微博分析的主要技术方法,包括利用微博开放平台和利用网络爬虫技术。利用微博提供的开放接口,可以方便快捷地获取微博信息,如微博内容、用户评论、用户个人详情、粉丝数、关注数等。但也存在诸多限制,如每小时只能抓取有限次数、微博平台并不开放所有信息资源等。利用网络爬虫技术可以获取更多信息,如基于全网的网络爬虫的信息采集技术可以覆盖更广的范围,基于主题的网络爬虫的信息采集技术可以选择性爬取预先设定的主题等。其次,介绍了目前微博分析的热点问题,包括微博用户行为和微博内容两方面。微博用户行为分析包括:1)传播网络研究,利用Gephi等可视化工具,呈现出微博在传播过程中的传播路径、传播范围、关键转发节点等信息,可用于预测未来传播情况;2)传播因素研究,通过分析用户行为,揭示信息传播的可能原因;3)用户影响力分析,不同学者给出不同的度量方法,而要精准地评价用户影响力需要综合考虑多方面因素,如粉丝数、转发数、被提及数、回复、社会关系等。关于微博内容的分析包括:1)微博文本预处理,包括分词和去停用词2个步骤;2)微博热点话题发现,常用方法包括基于词频的统计方法和文本聚类方法,这两种方法都有利于提高发现热点话题的效果,但没有考虑到话题动态演变的特性;3)情感分析,也被称为观点挖掘,一直是微博研究领域的热点问题,可以利用微博表情图片抽取情感词,并结合构建语义词典和机器学习的方法对微博进行情感分类,最终判断微博情感极性,可用于舆情监控、商业预测和产品选择等方面。再次,提出了自主研发的微博分析系统——阅微,重点介绍了其情感分析、地域分布和传播图3个模块。情感分析模块,基于情感词典的方法对用户的评论内容进行情感分类;地域分布模块,提取参与用户的地理位置信息并加以统计分析,呈现出微博传播在全国范围内的分布情况;传播图模块,利用可视化手段展现微博信息的传播扩散情况,如转发关系、转发层级、转发范围等情况。最后,归纳全文,从技术和应用2个方面归纳微博分析的挑战问题:可从技术上突破微博接口资源限制,提高微博分析的效率和精准度;同时从微博应用方面发展事件监控、管理和商业方面的应用。     

微博营销道与术

2009年在中国正式诞生的微博，在2010年迅速崛起，目前已成为互联网上最热门的网络传播平台，也成为最具影响力的互联网入口，微博已经成为人们自我表达、社会关系拓展、寻找生活中各种疑惑的解决方案、关注明星和名人等的平台。     

基于XGBoost模型的融合多特征微博信息传播预测方法

为了有效地监管网络舆情,辅助管理人员进行决策,微博信息传播预测方法的研究具有重要应用价值。针对传统微博信息传播预测方法存在指标单一、预测效果较差问题,提出一种基于XGBoost模型的融合多特征微博信息传播预测方法。首先,分析微博传播网络和用户节点特性,提取出博主特征、微博内容特征、传播特征3类特征并构建数据集;接着,基于XGBoost方法分别构建微博累计转发量预测模型和微博最大转发深度预测模型;最后,通过模型在测试数据集上的平均绝对误差验证模型的预测效果。通过与线性回归等传统的预测方法比较分析可以看出,提出的预测方法能够取得良好的预测效果。     

基于分层的微博话题传播模型研究

通过对社交网络新浪微博的数据的统计分析,得知微博数据具有高度的聚集性,即一个流行微博的只被转发一次的转发数占总转发数量的50%以上.因此,提出了对信息级联分层的STIC模型,该模型的第一层级联和第二层级联分别使用SVM分类算法和基于主题的信息级联模型对话题传播进行预测.实验结果表明,STIC模型的预测结果优于基于主题的信息级联模型.     

微博转发者的个性化排序

转发行为是微博平台上信息传播的主要形式。目前已有的工作大多数聚焦在转发行为的分析和预测。针对给定的一条微博时如何找到其转发者这个问题并没有得到很好的解决。结合贝叶斯个性化排序优化标准(BPR-OPT)和分解机(FM),提出了一种通用的方法用于对微博转发者进行预测,并进一步对影响用户成为转发者的特征因素进行了细致分析,然后根据这些特征,在大规模真实数据集上对微博转发者进行了预测。实验证明该方法能够明显提高预测效果,同时也验证了基于pair-wise和特征相关的方法能更有效解决微博转发者预测问题。     

基于双分支结构的融合多特征微博传播行为预测算法

随着如今微博平台的高速发展,微博转发行为预测已经成为舆情分析领域中一个热门的研究主题。针对该任务,提出一种添加多层间接粉丝用户权威度信息,基于双分支网络结构模型的微博转发行为预测算法。该方法通过对原始微博进行分析,运用LDA算法提取内容特征、构建用户关系网络提取间接关注用户权威度特征等多元特征,构建基于双分支结构神经网络模型预测微博传播行为。实验结果表明预测模型相比于其他算法在RMSE,MAE评估指标上都有较好的提高,验证了算法的有效性。     

基于微博网络在高校学生使用中的作用及规范对策研究

微博在世界已经成为一种盛行的传播信息的重要工具,它具备时效性强、信息碎片及公开化、参与性强等特点。在当今的社会,高校学生是使用微博的主要人群,也是未来社会的主人。高校学生生活的很多方面(价值观念、思想态度、人际交往、获得信息、娱乐休闲)都在因为微博的出现而改变着,正因为如此,对于高校学生的思想政治教育面临着一个全新的机遇及挑战。对微博传播以及交互的特征,我们理应正确把握,利用微博的优势来开展高效的思想政治教育。     

微博用户的应急预警信息传播行为研究

以微博为代表的在线社交媒体在预警信息的传播中发挥着越来越重要的作用.该文以灾害应急预警信息为例,从用户的角度出发,分别从利益相关、理性思考和用户兴趣3个方面分析微博用户传播应急预警信息的动机.基于分析结果,提出以地域指数(突发事件是否和用户所在地域相关)和兴趣指数(用户平时转发微博的内容)作为特征变量对用户的预警转发行...     

突发事件中政务微博的信息传播特点及模式——以雅安地震为例

政务微博尤其是党政机构微博,作为危机情景下的传播工具,越来越多地参与到突发事件的信息传播中。以雅安地震为例,分析了相关党政机构微博在突发事件中的信息传播特点及模式。指出其在传播特点上表现为信息公开及时,重视追踪报道;把握报道的全局性,重视信息的选择性;以告知性信息和单向度的互动为主。在传播模式上,信息的单向流动、树状流动、放射状流动和复合式流动同时存在,并通过"粉丝路径"和"转发路径"共同构成了信息的多级传播模式。     

社交网络中的用户转发行为预测

以新浪微博为研究对象,基于微博主题及用户特征,提出社交网络中的用户转发行为预测算法.首先,基于互信息理论,从已发生转发行为的用户的微博内容中提取特征,通过分析给定用户的微博内容与特征之间的相关程度,预测用户是否会对给定主题的微博发生转发行为;然后通过研究用户性别、粉丝数、关注数、微博数与用户转发行为的关系,选取合适的用户特征描述,并基于贝叶斯模型预测给定用户对微博的转发概率.最后,结合以上2种算法的预测结果,得到给定用户对某主题微博的转发行为预测.该预测算法对研究网络舆情传播及微博营销具有重要意义.     

微博时代草根阶层意见领袖的地位变化

近两年来微博发展势头迅猛,日益成为当今社会的主要传播手段之一,更由此而衍生出一个新群体——微博意见领袖。本论述主要探讨在微博时代,意见领袖地位的变迁,由最初的普通民众演变为娱乐明星和各界精英。并分析了变化之原因。     

新浪企业微博口碑传播的实证研究

该文针对企业微博的口碑传播,基于口碑营销理论和产品类型研究,对企业微博转发数的影响因素进行研究,建立了企业微博的口碑传播模型。企业微博的转发数受到粉丝数和产品类型的影响。通过抓取新浪企业微博的实际运营数据,运用面板数据模型对模型的系数进行了估计。研究结果表明:企业微博的转发数受到粉丝数和新增粉丝数的影响;并存在正的自相关,即前一天的转发数会正向影响后一天的转发数;产品类型对企业微博的转发数有显著的影响,提供体验型产品的企业转发数高于提供搜索型产品企业的转发数。     

基于混合特征和XGBoost算法的微博转发预测

微博转发是微博信息传播的重要途经.影响微博转发的因素主要是用户属性、微博内容、用户社交和用户兴趣.已有的微博转发预测模型仅考虑部分因素,实际上4个因素对用户转发行为都有影响,此外也应该关注预测模型的计算时间.基于此,提出一种基于混合特征和XGBoost算法的微博转发预测模型.首先根据4个因素分别提取用户特征、微博特征、社交特征以及兴趣特征;然后基于PageRank算法计算用户影响力,基于隐含狄利克雷分布(Latent Dirichlet Allocation,LDA)模型和KL距离计算兴趣相似度,定义用户转发活跃度和用户交互影响力的计算公式;最后利用XGBoost算法构建预测模型,对转发预测进行分析.实验结果表明,新的预测方法在准确率和时间等评价指标上有较好的表现,同时也验证了综合考虑4个因素的重要性和有效性.     

微博转发的从众心理研究

微博是微型博客,每次发布消息有字符数量限制。用户可以通过电脑、手机、即时聊天工具等多种途径随时随地向网站发布文字、图片和视频等内容,同时可以实时跟帖及转发某些用户发布的信息。特别是在2011年两会当中,微博发挥了新型传播方式特有的魅力。本文从应用心理学的角度分析微博转发中的从众心理。     

基于新浪微博的地震谣言传播特点分析

随着网络技术以及移动设备的普及,微博因为其短平快的优势成功在信息传播的舞台上占据了一席之地,成为目前的信息主流传播方式之一。本文从微博传播的"5W"特征分析入手,以地震谣言的传播为切入点,探讨微博的信息流动机制与传播形态。     

基于兴趣变化的微博用户转发行为建模

社交媒体的出现推动了对用户在线行为规律的研究。该文探讨微博中用户的转发行为规律。对这一问题的回答能够帮助人们更好地理解影响用户行为的因素,并且对用户转发行为的准确描述有利于对信息传播施加干预和控制。该文参考一个兴趣驱动的人类行为动力学模型,在分析其用户行为时长的基础上,针对差异化的用户行为时长和昼夜作息因素,提出了一个改进模型用以描述微博用户的转发行为。实际数据中用户相邻转发行为时间间隔呈现重尾分布,仿真结果与之相符,证明了该模型的有效性和灵活性。     

浅论意见领袖在微博广告传播中的作用

随着微博在网民中的影响力的增大,微博广告也随之兴起,本文通过分析微博广告及分类,找出微博广告中意见领袖的特征,并探究意见领袖在微博广告传播中的作用。     

学术动态

我校徐艟副教授编著的《微博广告研究》于2012年8月由安徽师范大学出版社出版。该书从微博广告的起源、现状、分类、管理、盈利模式等方面埘微博广告作了系统阐述。将目前微博领域的广告分为8类,即微博旗帜广告、微博按钮式厂“告、微博邮件列表广告、微博墙纸式广告、微博电子邮件式广告、竞赛和推广式广告、微博插页式广告、微博互动游戏式广告。     

基于图的微博广告文本识别

大量的微博广告影响了微博数据分析模型的使用.针对微博广告文本识别问题,利用基于图的半监督的标签传播算法,指导计算机从大量的非结构化的微博文本中自动识别出微博广告.通过对实验数据的评测,结果显示,当已有标签样本较少时,基于图的半监督的标签传播算法能够获得比有监督的支持向量机和朴素贝叶斯算法更好的性能.