低活跃度背景下的微博社区信息传播模型研究

在SIR传染病模型所提供的基本动力学机制基础上,引入微博社区的低活跃度特征和可信度函数,构建微博社区信息传播模型,提出各个参数的计算方法,并在此基础上通过爬取微博数据、利用Matlab进行计算和仿真,可以很好地描绘微博社区的信息传播规律,并对信息传播趋势做出有效预测.     

基于灰色预测的微博网络信息传播模型

微博网络信息传播具有动态、复杂、无规律性,因此难以进行信息传播的预测与控制.由于灰色理论在解决少数据、贫信息、不确定性问题具有一定的优势,本文提出了一种基于灰色神经网络的微博网络信息传播模型.模型将传播过程中动态、不确定因素作为扩展BP神经网络的输入参数,进行训练并预测信息传播的结果规律.仿真结果表明微博网络中信息传播在一般情况下具有初期传播平稳、中期传播迅速、后期逐渐缓慢形成稳定的传播规律.该模型对于微博网络上信息传播预测及控制具有一定的应用价值.     

基于复杂社会网络的微博营销理论

随着微博以及电子商务的快速发展,微博营销已经成为企业不可忽视的重要的网络营销和新型的信息传播方式.在传染病模型中SIR模型的基础上,结合微博网络具有无标度网络性质的这一特点,对该信息传播过程进行数学建模.并由计算得出平均场方程,再通过拟合参数,用Matlab对信息传播过程进行模拟.研究"唤醒率"对信息传播速度及最终规模的影响.企业可以通过采取相应措施来控制参数,扩大营销规模,更加高效地对微博营销这一"新媒体营销"进行推广和发展.     

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。     

一类SIRE对甲型H1 N1流感传播模型的稳定性

收集了我国甲型H1N1流感病毒实验室确认病例数量的数据,对SIR模型进行拓展,借助微分方程解析传染病SIR模型建立SIRE模型,对甲型H1N1流感病毒的传播规律进行研究和预测,得出了决定甲型H1N1流感病毒是否发生的阈值;解析了SIRE对甲型H1N1流感传播模型无病平衡点和地方平衡点的稳定性.     

基于信息功率谱的微博热点挖掘模型

微博信息具有传播速度快、数据量大、噪声大的特点,因而难以有效监测与控制.针对这些问题,提出了基于信息功率谱的微博热点挖掘模型,给出了该模型的框架结构、运作流程以及关键子算法.该模型根据微博信息流的功率谱密度变化趋势动态调整信息采集窗口,通过对信息功率谱计算对微博中的热点进行挖掘和预测,并抽取微博中的相关描述特征.仿真实验证明,该模型具有较高的预测准确度和特征覆盖度,且占用系统资源较少.     

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.     

多关系社交网络中基于兴趣匹配的网络舆情传播模型

以网络爬虫方式获取新浪微博用户属性信息及微博内容数据,利用数据挖掘技术从中发现微博用户间的多种显式和隐式关系.在此基础上,提出一种基于半监督学习的用户兴趣匹配预测算法,参照仓室模型的传播个体状态划分方法,基于传播个体间的兴趣匹配度界定各状态之间的转移过程和转移概率,进而构建基于用户兴趣匹配的网络舆情传播模型.研究结果表明,该模型能够较好地描述社交网络中的舆情传播规律,重现网络舆情在社交网络中的真实传播过程链.     

基于SIR-B对无症状感染者在COVID-19中的分析与预测

随着全球COVID-19疫情的蔓延,越来越多的无症状感染者被发现,并在疫情的传播中产生了越来越重大的影响。针对该问题,提出了一个基于时变修正的SIR-B模型,其在传统SIR模型的基础上考虑了存在无症状感染者的因素,利用改变了适应度函数的粒子群优化算法,对无症状感染者在疫情后续发展中的影响进行了预测。仿真实验结果表明SIR-B模型的感染人数比SIR模型多约三分之一,其数据更接近于实际情况。SIR-B模型较传统的SIR模型具有更强的自适应能力,且疫情预测更加准确。     

基于演化博弈和网络拓扑结构的改进SIR模型——以疫情舆情分析为例

传统SIR模型的初始参数是随机设定的,同时状态转换之间没有考虑实际网络拓扑结构,导致传播收敛效果与实际不一致.为了解决该问题,本文提出一种基于演化博弈和网络拓扑结构改进的SIR模型.改进的模型首先通过演化博弈方法确定影响因子,接着根据影响因子确定好SIR模型的初始感染率参数,然后根据网络拓扑结构调整状态之间的转换概率....     

基于SIR模型的蠕虫传播流量模型

为了更好地研究在蠕虫传播过程中的流量特征，通过对传统SIR蠕虫模型的不足之处进行分析，提出一个改进的蠕虫传播流量模型，用分层次划分网络拓扑和增加一个“临界”状态模拟网络延迟造成的影响，并在NS2环境中进行了模拟．模拟结果显示，改进的模型能较好地符合实际网络中的蠕虫传播趋势和流量特征．     

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。     

针对政府的微博网络舆情传播规律与对策研究——以新浪微博为例

以新浪微博为例,提出了一种基于扩散树的网络舆情传播模型,并探索微博舆情的传播规律及其对策。依照微博的传播特征及网络舆情生成规律,给出了微博网络舆情扩散树的定义及其构建方法;根据树的数理特征,揭示了基于扩散树的微博网络舆情"孤树"和"森林"传播规律,并进行了实证分析。基于扩散树特征,从舆情信息及时感知、官微澄清事实真相、积极培育微博红客、严厉惩处微博水军、政府官员谨言慎行、事件定性定论慎重六个方面,提出了应对微博网络舆情的策略。     

微博感知突发重大新闻事件的研究与分析

微博的出现打断了传统媒体对新闻报道的垄断,它能快速的发现重大事件,并迅速报道,形成一股强大的信息传播力量.本文通过从突发重大新闻事件发生时微博的反应,研究了微博对重大新闻事件感知速度和传播范围及其产生的影响.     

禽流感的SIR模型研究——以北京市为例

本文通过理论研究的方法,应用SIR模型对北京市禽流感的传播规律进行了相关的分析。     

基于微博情感分析的电影票房预测研究

微博作为电子口碑的重要载体,极大影响了消费者的购买决策和商家的产品销售.为此,以新浪微博为平台,研究从微博中挖掘情感信息并利用这些信息对产品销售进行预测的方法.分析影响微博评论的因素,基于已构建的情感本体,建立微博中情感计算方法.然后在传统自回归模型的基础上融入情感因素,提出自回归情感预测模型用于产品销量的预测.对电影数据集进行了广泛地实验,分析参数选择,并与其它预测模型进行比较,实验证实我们提出的方法的有效性.     

基于多任务学习的微博流行度预测

以短文本内容发布为主要特点的微博,已经成为重要的信息传播媒介,预测微博流行度对舆情监测、企业营销、热点推送等都具有重要意义.当前对微博流行度预测的研究主要侧重于对所有用户的微博数据进行统一建模预测,鲜有研究考虑不同影响力用户之间的差异.而微博数据的分析显示标签、提及和微博长度等对微博流行度的影响会随发布者的影响力变化显示出明显差异,在流行度预测中充分考虑这些差异,有助于取得更好的预测结果.为此,在流行度预测中引入多任务学习(Multi-Task Learning,简称MTL),并结合SVM构建SVM+MTL模型,此模型通过同时考虑所有用户的共同特性和不同用户的具体特性来提高预测性能.此外,除了预测常用的用户属性和微博发布行为等特征外,还引入微博内容相似性这一新特征,该特征能明显提高预测准确率.基于微博数据的实验表明,SVM+MTL模型可以有效提高微博流行度预测性能.     

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。     

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。     

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.