群体事件中用户传播重要性的评价模型

为了达到更进一步理解群体事件在微博中的传播机理并得到能够综合评定事件参与用户在传播中重要程度的方法,采用定性分析和定量研究相结合的方式,基于真实案例的传播数据对社会群体事件的微博进行了分析。通过事件的消息转发关系构建了群体事件的微博传播系统;通过对若干传播基础指标实施主成分分析,构建了群体事件用户传播重要性的综合评价模型;结合复杂网络的相关理论,开展了该模型的评价值和复杂网络中心性指标的相关性分析。通过分析和研究,发现了群体事件的网络是具有无标度性质、小世界特征和较高集聚系数的复杂网络,在该网络中用户传播重要性的评价值实际与用户的复杂网络 核分解指标值存在极高的相关性。因此,人们可以依靠 核分解为核心的分析方法更精确、更有效地找到影响群体事件微博传播的重要用户。     

以主体为中心的微博计算方法--微博计算微革命:从“信息”中心到以“人”为本

针对以微博为对象的分析挖掘,提出了“以人为本”的微博计算模型,即以微博主体为微博计算的主要对象,研究微博博主个性化表示模型,博主情绪感知算法、及微博内容分析等关键技术,综述了微博计算已有的研究进展.创新之处在于突破了纯粹内容分析的局限,更好地适应了微博计算的需求.     

微博舆论场:突发事件舆情演化分析的新视角

微博舆论场逐渐成为了突发事件网络舆情的策源地,在舆情生成演化中扮演重要角色.本文以微博舆论场为研究视角,首先运用超网络建模理论,构建了集社交、信息、心理、观点四层子场为一体的微博舆论场超网络模型,并对各层子场内部以及子场间关系进行建模分析;然后提出了微博舆论场超网络模型的衡量指标,对微博舆论场"场强"进行了量化分析;最后使用社会计算和数据挖掘算法,定量分析了微博舆论场对新进入的无知者和感染者的作用过程,以及对新个体发生作用后,微博舆论场中舆情的演化.以期对突发事件舆情态势进行预测预警,为舆情干预治理提供理论依据,有效引导突发事件舆情良性发展.     

基于模型集成的突发事件舆情分析与趋势预测研究

近年来,突发事件发生后,事件演进受网络舆情的影响越来越大,分析突发事件发生后网民情绪并进行预测,可为政府部门的应急管理和策略设计提供有效支撑,赢得宝贵的时间.本文提出了一个基于模型集成的微博情感分析与预测模型,对突发事件微博舆情进行情感分类与趋势预测.为了更准确地分析微博情感与未来走势,首先,利用多模型集成策略对突发事件相关的单条微博进行情感分析;接着,将单条微博情感进行集成,形成微博情感时间序列;再次,利用多模型集成思路对微博情感的未来走势进行预测;最后,通过实例验证提出方法的有效性.实证结果表明,集成模型较传统分类在微博情感分析上具有优势,集成模型较传统回归模型在微博情感走势预测同样具有明显优势,可以取得较高的预测精度.     

微博用户关系网络的结构研究与聚类分析

将个人微博用户关系网络作为研究对象,抓取了一个用户从开始注册到一定稳定期3个时间点的数据,构建了3个复杂网络,研究了该微博用户关系网络的结构属性变化,得出用户行为和影响力的变化.使用K-means聚类算法对微博用户关系网络进行了聚类分析,从使用目的角度将微博用户分为3种类型——普通社交型、个人兴趣型和信息散播型.微博服务商可以通过算法优化,根据详细的聚类结果更有针对性地进行页面和应用程序推荐,创造商业价值.     

突发事件微博舆情爆发地点监测方法

研究突发事件网络舆情爆发地点监测方法,对于有针对性的引导和控制突发事件网络舆情有重要意义。为此,提出了基于空间扫描统计量的微博中突发事件舆情爆发地点监测方法。选取新浪微博上1320万条数据为数据集,通过实验验证了该方法的有效性。实验结果表明,突发事件相关的微博舆情确实存在区域聚集性,并且在突发事件发生后,微博信息量这一舆情要素会对微博舆情的区域聚集性产生更大影响。基于空间扫描统计量的微博舆情监测方法能够有效监测出舆情爆发地点及区域,解决了目前在突发事件相关的网络舆情监测中难以对突发事件网络舆情爆发地点进行动态、有效判断的问题,为相关部门对舆情热度不同的地区进行有针对性的控制、监测舆情提供依据。     

微博网络中用户关注行为预测

在微博网络中挖掘博主的潜在关注用户,建立相应的关注预测指标和模型,对于增加博主活跃粉丝数、增强信息传播具有重要意义。利用微博粉丝人际关系网络,在众多与博主交互的用户中,预测潜在的活跃粉丝。在融合微博主影响力、用户活跃度等因素的基础上,提出了以兴趣相似度为核心的用户关注预测指标。利用模糊近似支持向量机作为预测工具,对模糊隶属度算法进行了优化,推导了基于矩阵的模糊近似支持向量机预测模型。利用KDD Cup 2012腾讯微博公开数据进行了实证研究。实验结果表明,本文提出的指标能很好地用于微博用户关注行为的预测,通过与其他支持向量机模型及模糊化算法相比,本文提出的优化方法具有较高的预测精度,且预测结果稳定,在微博用户关注行为预测中具有较强的实用性。     

基于信任随机游走模型的微博粉丝推荐

利用微博关注关系和社交行为构建微博信任网络,通过引入基于信任的随机游走模型,结合用户间兴趣相似度,建立了微博粉丝推荐模型。为提高粉丝推荐系统的覆盖率,将用户间的社交行为引入信任的计算,实现了TopN推荐。利用KDD Cup 2012腾讯微博数据进行了实证研究。实验结果表明:在混合多种社交行为的信任网络中,推荐算法的整体性能最优;推荐长度对推荐结果影响较大,当长度为40时算法获得最好的推荐性能;与主流的推荐算法相比,改进后的基于信任的随机游走推荐模型在推荐准确率和覆盖率等多种评价指标上都取得了更好的结果。研究结论为微博粉丝推荐研究提供了新的方法,为微博网络社会化推荐提供了新的视角。     

社交媒体中的跨平台信息扩散特征及机制

为揭示社交媒体中跨平台信息扩散的特征及影响因素,以昆山反杀案事件为例,利用统计推断和回归分析方法,研究了其他平台的信息在新浪微博中的扩散特征及相关因素。发现用户在微博的高信息量和获取信息的便利性之间权衡时更倾向于后者,跨平台信息的可传递性、基本再生数和扩散深度均显著小于非跨平台者。来自微信公众号、微博视频、微博文章和新浪新闻的信息在扩散深度和规模上相对其他类信息更有优势。与普通用户相比,认证为媒体和政务的用户从新闻平台转发的信息扩散规模更大。综合考虑信息的类型及来源平台能更好地理解突发社会事件在互联网空间中的传播,藉此有助于高效地引导或控制舆情演变。     

基于微博数据挖掘的贝叶斯观点演化模型

考虑到在微博信息传播过程中,每一位网络用户的观点都受到其前一位网络用户观点的影响,提出建立基于微博数据挖掘的贝叶斯观点演化模型。以“动态清零政策是我国抗疫总方针”为关键话题词,利用Python爬取微博评论数据,经过数据预处理和分词,对贝叶斯观点演化模型进行实证分析,结果发现官方媒体对舆情的及时引导对情感演化倾向起到重要作用。