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.     

投资者情绪与不同规模股市收益的交互影响——基于SVAR模型的实证研究

投资者是股票市场的重要参与者,我国市场中非机构投资者占比高达90%,投资者情绪对股票市场起到重要影响.投资者情绪影响投资者决策,进而影响股市收益,股市又对投资者情绪产生刺激.文章基于日度数据构造投资者情绪指标,运用结构向量自回归(SVAR)模型对我国投资者情绪与大中小盘不同规模股市收益之间的关系进行研究.结果表明,投资者情绪与不同规模股市收益之间交互影响.股市收益对投资者情绪的影响存在时滞效应,但当投资者情绪受到影响,则反过来在当期显著地影响股市收益.同时,投资者情绪对不同规模股市收益的影响存在差异性,中小盘股指收益受到投资者情绪的影响程度大于大盘.     

基于事理图谱的突发事件网络舆情演化模型构建

通过构建突发事件网络舆情事理图谱，揭示舆情事件之间的逻辑关联与演化路径，为突发事件的分析与应对提供参考。首先，基于规则模板提取突发事件网络舆情中的事件逻辑关系，构建事理图谱。其次，将事件向量化表示后进行泛化处理，采用K-Means++算法对相似事件进行聚类和抽象以构建网络舆情抽象事理图谱，最后在此基础上对目标事件进行推演和预测。结果表明：突发事件事理图谱中的事件关系类型主要为因果、并列和顺承关系，大部分事件的逻辑链条较短，且与其他事件无明显关联；构建突发事件事理图谱有利于分析事件的演化脉络、把握关键事件节点并预测事件发展方向。     

股市舆情潜藏情感倾向对收益率的预测研究

以网络股评舆情数据作为非结构型文本数据研究对象,结合股票市场的相关交易指标,使用文本挖掘技术和机器学习算法确定投资者情绪测度指标,分析舆情数据中潜藏情感倾向对未来短期内股票收益率的预测能力.实证结果表明,舆情文本中挖掘潜藏情感信息能够以较高的准确率实现对股市收益率的预测.分析讨论了对预测结果有一定影响的特征字段与训练样本两个因素,发现在特征字段数量不变的情况下,随着训练数据的增多,预测结果的解释能力会有所提高;而当训练数据维持在一定范围内时,特征词数量的选取对预测结果也有很大的影响.     

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。     

均线滞后的时序自回归股市态势预测算法

针对艾略特波浪理论中的W形态,给出一种均线滞后性的量化方法,并提出融合均线滞后特征的时序自回归股市态势预测算法(DSMA).算法首先基于波浪理论提取W形态,给出W形态结点的量化表示形式;然后引入均线滞后性,并计算均线滞后程度;最后,利用贝叶斯网络表示融入均线滞后性的W形态结构关系,将各结点的局部关系代入AR模型中实现对股市态势的预测.在实际数据上进行了算法比较分析,实验结果表明算法具有更高预测精度.     

基于优化BP算法的上证指数预测分析

上证指数变化是股市投资者重点关注的指标之一。文章基于BP神经网络来建立预测模型,结合遗传算法优化BP网络存在的不足,然后通过组合不同的辅助技术指标优化训练样本,探寻对上证指数预测准确度较高的混合算法。实验结果表明,优化后的混合算法能较好的预测上证指数未来一段时间的走势变化,为投资者提供决策辅助。     

基于R语言的网络舆情对股市影响研究

以开源R语言为平台,东方财富网的股评为研究对象,结合中文文本挖掘技术和SVR支持向量回归模型.利用中文挖掘技术,对股评进行去噪声、分词、同义词合并、去停用词、TFIDF、文本向量化将非结构化文本数据转化为结构化的特征向量矩阵,与股票的收益率建立SVR回归模型,通过预测未来的股票收益率来预测股价的涨跌趋势.研究结果表明,预测股价涨跌趋势与实际趋势基本吻合,可以通过分析网络舆情来对股市未来发展趋势进行预测.     

网络舆情治理中权威媒体影响力仿真

随着新媒体的兴起,权威媒体作为政府引导舆情的媒介,在舆情管控中具有不可忽略的作用,对其进行量化研究有利于政府部门更好地制定舆情管控策略.在传统SEIR模型中加入治愈效用权威媒体,构建SEIRM模型,利用NetLogo进行仿真,探究权威媒体是否应当介入舆情发展,量化其在舆情治理中发挥效能的大小,根据结果支持政府制定更为科学的舆情管控措施.研究结果表明,当舆情危机发生时,政府选择适中权威度媒体进行调控,可有效缩短舆情生命周期,减少社群中的危机传播人数,并通过与其他级别媒体合作加强信息传播度,避免线上不满情绪积攒过多带来的线下危机.     

基于时序主题的网络舆情热点话题演化分析方法

针对舆情话题演化中的话题漂移和衍生效应,提出基于时序主题信息的舆情话题演化分析方法并通过加入时序标签,对舆情热点话题内容和强度的演化过程进行了可视化.实例证明,该文提出的话题追踪算法能够有效探测出各阶段的舆情热点话题、分析舆情演化趋势,为突发事件发展态势的预测提供理论借鉴.     

舆情信息对投资者频繁交易的影响研究

大数据环境下,互联网与新媒体的飞速发展加快了网络舆论的流动性,也影响到投资者的交易行为。我国机构和个人投资者普遍偏好短线交易,大量舆情信息的冲击更容易使投资者增加交易频次。本研究借鉴已有研究成果,选取2019年9月至2022年9月与舆情相关的概念股,研究舆情信息传播与投资者频繁交易之间的关系,研究发现：（1）舆情信息的传播增加了投资者的交易频次;（2）舆情信息的传播虽然使投资者频繁交易,但并没有促成过度交易;（3）舆情信息通过吸引投资者的关注从而促使投资者产生频繁买卖的行为。研究结论对投资者正确看待舆情信息、监管当局关注媒体舆论导向和金融市场稳定发展具有重要的现实意义。     

基于行为金融理论的我国股市非理性繁荣研究

目前我国股市表现出浓烈的投机氛围,出现了非理性繁荣.基于行为金融理论,通过对股市与投资者行为之间关系的研究,力图揭示造成中国股市的非理性繁荣的因素.研究表明中国股市非理性繁荣的原因之一是投资者的非理性行为,因此治理我国股票市场的措施是完善股市的信息披露制度.     

基于图注意力网络的舆情演变预测研究

要想实现对纷繁复杂的网络舆情的监控和管理,预防舆情危机的突发状况,一个关键的解决方案就是对网络舆情事件的发展趋势进行预测.然而,目前针对舆情演变预测的研究工作却十分有限,尤其是社交网络环境中的舆情演变预测.本文将评论文本的情感值作为演变预测的对象,利用情感词和舆情事件中评论文本的语义相似度,为事件发展的每个时间段都构造一个对应的图结构,再结合门控循环单元（GRU）与图注意力网络（GAT）对情感时间序列进行预测.为了验证模型的有效性,本文以Twitter中弗洛伊德事件的评论文本作为数据集,开展与基于图卷积网络的预测模型的对比实验.实验结果表明,本文提出模型的R²决定系数为0.569,平均绝对误差（MAE）、均方误差（MSE）和均方根误差（RMSE）均小于基于图卷积网络的预测模型,能较好地实现舆情事件中评论文本的情感演变预测.     

基于时间演化图卷积网络的舆情热点内容预测

有效预测舆情事件的热点内容有利于提高对舆论导向的把控能力和对公众诉求的预判能力. 然而，现有的舆情预测工作大多关注事件整体趋势指标或情感极性的演变预测，鲜有针对舆情事件热点内容的预测研究. 为解决以上问题，本文提出一种基于时间演化图卷积网络的舆情热点内容预测方法：以舆情事件的热点词作为预测对象，首先，通过演化图卷积网络学习各时间片词语的空间关联关系；然后，使用门控循环单元捕捉各时间片词语特征的时序变化；最后，通过全连接层进行输出，实现对舆情事件热点词的预测. 以微博上两个不同的舆情突发事件的相关文本作为数据集，与两种现有热点词预测方法开展对比实验. 实验结果表明，该方法在两个数据集上的精确率分别达到51.21%和50.98%，召回率分别达到50.17%和48.15%，F1值分别达到50.68%和49.52%，均高于两种对比方法，能够更好地完成舆情事件中热点词的预测.     

我国突发事件网络舆情研究进展

风险社会与互联网时代叠加，致使由各类突发事件引发的网络舆情也日趋增多.为充分了解我国网络舆情研究进展，有效应对网络舆情引发的不利影响，选取CNKI数据库中突发事件网络舆情相关文献，运用CiteSpace文献分析软件对该领域文献进行主题聚类、时空分布等可视化分析.现阶段我国学界关于突发事件网络舆情的研究热点主要集中在舆情演化传播、监测预警和引导治理三大方面.在对其相关文献成果进行梳理与总结的基础上，得出已有研究需要改善的地方：突发事件网络舆情演化传播定量研究较少，突发事件网络舆情风险动态实时监测、防范控制领域研究较少，尚未构建基于现实情景的网络舆情治理体系等.提出应加强在突发事件网络舆情研究范式转变、网络舆情风险动态监测、跨学科研究视角下的舆情引导治理等方面的研究.     

基于混频数据的投资者情绪与股市波动效应的研究

根据投资者情绪对股市波动具有重要影响这一观点,引入投资者情绪的传统GARCH类波动率模型出现因不同频率数据建模而产生的效率损失问题。文章基于混频数据结构,分别从不同行业、不同情绪状态和不同经济阶段3个角度切入,引入自适应权重形式的广义自回归条件异方差混频数据抽样模型(GARCH-MIDAS-adapt),对中国股市日度波动率进行估计与预测比较。实证结果表明,自适应权重形式融合的混频数据结构可以更好地解释投资者情绪对股市产生的长期波动作用,不同行业表现出有显著的解释力和预测力。此外,在不同行业下,情绪低落时对股市的冲击更大。     

LDA和KNN相结合的帖子热度预测算法

随着互联网的快速发展,网络舆情对社会的影响与日俱增.对互联网上网民产生的海量文本内容进行快速准确的分析,以及在此基础上捕捉网络舆情,并对其发展趋势进行预测,对社会经济发展无疑具有重要意义.为此,本文研究了论坛中帖子的热度预测问题,针对现有算法在度量帖子内容相似性时仅仅考虑字面上的相似性,未涉及语义层面,并且未考虑发帖人的特定喜好等不足,提出了LDA(潜在狄利克雷分配)与KNN(K近邻)相结合的热度预测算法,该算法利用LDA挖掘帖子表面文本隐藏的主题信息和用户感兴趣的主题信息,在概念层面上度量帖子之间的相似性,在此基础上基于KNN算法对帖子的热度进行预测.在两组数据集的实验结果表明,所提出的算法在预测准确率方面明显优于相关工作中的方法,平均准确率分别提高了4.34%和2.52%.     

基于大数据分析的多关系社交网络舆情传播模型研究

为了真实再现舆情在多关系社交网络中的传播过程,通过对爬取的新浪微博数据进行大数据分析,从中得到社交网络中多种关系对网络舆情传播的影响,基于复杂网络理论提出了一种适用于多关系社交网络的舆情传播模型,该模型根据多种关系对舆情传播的影响界定传播模型中各状态之间的转移过程和转移概率.仿真结果表明:与传统社交网络舆情传播模型相比,该舆情传播模型可以更好地描述真实互联网环境中的舆情传播规律.     

基于LDA与注意力机制BiLSTM的微博舆情分析模型

为对网络舆情数据进行主题挖掘与情感分析,以微博某单位招聘热点事件的舆情演变为研究对象,提出了一种融合主题模型和情感分析的LDA-Attention-BiLSTM模型。运用Python的Scrapy框架爬取该事件文本评论。采用隐含狄利克雷分布(LDA)模型实现了主题识别。使用基于注意力(Attention)机制的双向长短期记忆(BiLSTM)网络进行文本情感分析。研究结果表明,构建的基于LDA与Attention机制BiLSTM的混合模型能够反映舆情中的热点话题与情感时序变化,揭示事件爆发的主要原因,事件传播阶段的主要话题与事件的处理结果等。     

基于神经网络的微博舆情预测方法

根据微博社交平台特征,提出了一种基于神经网络的微博舆情预测方法.该方法使用单位时间内的微博发帖量作为事件趋势的量化指标,考虑影响事件发展的因素,根据样本内的数据趋势建模,使用神经网络来预测范围外的事件的未来趋势.仿真实验结果表明,该方法可以快速地对事件发展的趋势进行量化分析和建模,能够准确地预测事件的爆发点和发帖量.