CrisisNLP-C:中文灾害数据集

当灾害发生时,人们经常使用微博、微信等社交媒体发布文本内容,描述伤亡人员、被困人员、车辆受损及基础设施损坏等情况。如果及时有效地处理这些在线信息,构建相应的机器学习模型,对应急响应组织进行态势感知、舆情应对或者救援活动极为有用。然而,目前对于社交媒体信息的有效处理仍存在众多挑战,比如准确分类这些简短和非正式的文本数据。从根本上讲,这些任务均涉及到数据样本问题,特别是国内目前还缺乏人工标注的中文灾害数据。为此,论文收集了2018年发生的与3起自然灾害相关的微博文本数据,并按照多层级分类方法进行了人工标注。该数据集将有助于业界解决自然语言处理时缺少灾害数据样本的现状,为进一步完善灾害危机应对和舆情管理等提供支持。     

网络舆论场域下热点新闻事件的影响力分析——以“江歌案”为例

全媒体时代不同媒介全方位融合,传统媒体舆论场衰落,以微博、微信为代表的新型的舆论场格局因势而生,热点新闻事件舆论场正逐渐"转场"。本文对"江歌案"中相关舆论进行数据统计,构建舆论影响力分析框架,全面分析网络舆论场域下社交媒体对舆论场的影响力。     

社交网络下基于个体技能的人力资源配置研究

针对社交网络人力资源的合理分配问题,本文提出了一个切实可行的包括分配机制与支付机制的人力资源配置拍卖方案.在这个方案中,雇主首先向社交网络提交其技能请求及报价;接着,社交网络分别利用人力资源配置拍卖方案中的分配机制和支付机制决定赢者及其支付费用.此外,本文从理论上证明了提出的机制同时满足个体理性、预算平衡、激励相容等良好的经济属性.最后,大量的模拟实验结果表明本文提出的人力资源配置方案可行有效,其具备良好的分配有效性以及较低的计算复杂性.     

面向大社交数据的深度分析与挖掘

社交网络在线化是大数据时代的典型特点,也是大数据产生的重要原因之一.本文从大数据的特点着手,结合互联网络尤其是在线社交网络的发展趋势,介绍大数据在提升国家信息产业科学化水平、引领新型互联网经济发展、推动社会学与信息科学交叉发展等方面带来的重大机遇;分析在线社会网络中存在的关键问题,阐述网络大数据研究在语义理解与分析、多模态关联与融合、群体行为分析与挖掘、多维分析与可视化、系统的研发与集成等方面面临的巨大技术挑战,以及当前国内外在大数据分析和在线社交网络领域的主要研究工作;总结和展望网络大数据研究的未来方向和前景.     

提升面试礼仪形象首重细节培养

面对异常严峻的就业形势，怎样在百万雄兵争渡的应聘现场跻身面试厅堂、如何提升面试礼仪形象取得理想职位，注重细节培养成为重中之重。现代企业在招聘员工时，越来越重视通过面试的方式直接对其综合素养进行考查。一些礼仪细节在求职面试中起着重要的作用。这些细节包括：求职信和个人简历应注意的礼仪细节、仪容仪表礼仪细节、行为举止和交流沟通的礼仪细节。很好地把握这些细节，求职者就能在面对面试官时，较好地展示自己，提高面试的成功率。     

基于时序和TOPSIS的社交网络节点重要性评价算法

针对社交网络随时间在不断复杂变化的实际情况,在采用TOPSIS算法的基础上,引入时间作为考量因素,设计了节点、节点属性和时序的综合评价算法。采用Facebook连续28个月的数据集,以7个月为一阶段,划分为4个时间段,以变化时间先后为序,进行算法的验证,并与TOPSIS算法的结果进行比较。实验结果表明,本文算法综合考虑了每段时间内的节点重要性,评价出的结果更符合节点动态变化的实际,且具有更高的准确性。