面向在線社交網(wǎng)絡(luò)輿情的信息傳播分析關(guān)鍵技術(shù)研究.pdf

1、隨著 Web2.0技術(shù)的誕生和迅速發(fā)展，互聯(lián)網(wǎng)進(jìn)入了在線社交網(wǎng)絡(luò)的時(shí)代。由于信息發(fā)布、傳播的開(kāi)放性和自由性，在線社交網(wǎng)絡(luò)中的信息傳播活躍性達(dá)到前所未有的高度。研究在線社交網(wǎng)絡(luò)的信息傳播規(guī)律，不僅有助于加深對(duì)網(wǎng)絡(luò)結(jié)構(gòu)和用戶群體行為的認(rèn)識(shí)，也能有助于引導(dǎo)在線社會(huì)網(wǎng)絡(luò)輿情，因而具有重要的理論價(jià)值和研究意義。
　　在線社交網(wǎng)絡(luò)具有主題多樣性、動(dòng)態(tài)演化性、數(shù)據(jù)規(guī)模海量性、高噪音性和非線性等特點(diǎn)，因此在分析方法和計(jì)算模型上都與傳統(tǒng)社交網(wǎng)絡(luò)具有

2、很大差別。本文以輿情分析為應(yīng)用背景，在分析研究現(xiàn)狀的基礎(chǔ)上，針對(duì)在線社交網(wǎng)絡(luò)中的社會(huì)關(guān)系中的主題多樣性和動(dòng)態(tài)演化性、數(shù)據(jù)的高噪音性、數(shù)據(jù)規(guī)模的海量性和話題熱度變化的非線性進(jìn)行了研究。本文主要的研究工作和貢獻(xiàn)如下：
　　1.研究了面向微博的社會(huì)關(guān)系信息抽取問(wèn)題，針對(duì)社會(huì)關(guān)系中的主題多樣性和動(dòng)態(tài)演化性，提出了一種主題和時(shí)間敏感的連接強(qiáng)度在線計(jì)算模型。
　　在線社交網(wǎng)絡(luò)中的信息傳播更多構(gòu)建于社會(huì)關(guān)系之上。一方面，用戶之間的通信主要

3、是以電子文本的形式進(jìn)行的，而文本是與主題相關(guān)的，這意味著社交網(wǎng)絡(luò)中的個(gè)體間連接具有主題多樣性。另一方面，社交網(wǎng)絡(luò)是一個(gè)動(dòng)態(tài)的網(wǎng)絡(luò)，個(gè)體間的連接強(qiáng)度和信息內(nèi)容是隨著時(shí)間而不斷演化的。已有方法大多沒(méi)有同時(shí)考慮上述兩個(gè)特性，影響了用戶傳播行為預(yù)測(cè)模型的精度。針對(duì)已有方法的不足，本文將用戶之間通信歷史記錄中的主題和時(shí)間兩個(gè)因素結(jié)合起來(lái)，提出了一種主題和時(shí)間敏感的連接強(qiáng)度計(jì)算模型。實(shí)驗(yàn)結(jié)果證明，相對(duì)于已有模型，本文提出的連接強(qiáng)度在線計(jì)算模型不僅在

4、用戶傳播行為預(yù)測(cè)的準(zhǔn)確性方面有明顯提升（提升幅度達(dá)33％左右），還能有效地發(fā)現(xiàn)微博用戶中的“主題好友”和“個(gè)人好友”。
　　2.研究了面向信息傳播的微博用戶興趣信息抽取問(wèn)題，針對(duì)微博文本中存在的高噪音性，提出了一種結(jié)合微博特征的微博用戶興趣發(fā)現(xiàn)方法。
　　微博文本具有篇幅短、規(guī)范性差、新詞泛濫等高噪音性，導(dǎo)致基于傳統(tǒng)信息抽取技術(shù)的用戶興趣發(fā)現(xiàn)方法無(wú)法發(fā)揮到良好的效果。本文為通過(guò)微博文本發(fā)現(xiàn)微博用戶興趣，提出一種微博用戶興趣關(guān)

5、鍵詞抽取方法。用戶興趣關(guān)鍵詞是指微博文本中最能反映用戶興趣的詞語(yǔ)集合。該方法首先針對(duì)微博篇幅短的特點(diǎn)，將每名用戶的所有微博文檔合成一個(gè)長(zhǎng)文檔，接著利用微博文檔中的轉(zhuǎn)發(fā)數(shù)、標(biāo)簽和發(fā)布時(shí)間等特征設(shè)計(jì)了候選興趣關(guān)鍵詞的特征，再使用機(jī)器學(xué)習(xí)的分類(lèi)算法，有效地抽取出用戶興趣關(guān)鍵詞，實(shí)現(xiàn)了用戶興趣的發(fā)現(xiàn)。通過(guò)微博用戶分類(lèi)對(duì)本文提出的用戶興趣發(fā)現(xiàn)效果進(jìn)行檢驗(yàn)。實(shí)驗(yàn)結(jié)果證明，本文提出的用戶興趣發(fā)現(xiàn)方法準(zhǔn)確率達(dá)到89.79%，在性能上比已有方法提升了約2

6、0%。在基于用戶興趣關(guān)鍵詞的微博用戶分類(lèi)中，由于能有效排除微博中無(wú)意義的詞匯，因而相對(duì)于傳統(tǒng)方法，分類(lèi)準(zhǔn)確率能達(dá)到91.26%，性能提升了18.7%。
　　3.研究了新型社交網(wǎng)絡(luò)應(yīng)用“微群”中信息傳播機(jī)制，針對(duì)數(shù)據(jù)海量性和社會(huì)關(guān)系隱藏性，提出了一種結(jié)合連接強(qiáng)度和用戶興趣的用戶傳播行為動(dòng)態(tài)預(yù)測(cè)模型。
　　微群是微博客社交網(wǎng)站中的一種類(lèi)似“QQ群”的新型社交網(wǎng)絡(luò)應(yīng)用，近年來(lái)發(fā)展迅速。這類(lèi)應(yīng)用將微博與電子公告板兩者的特點(diǎn)結(jié)合起來(lái)，

7、形成了新的傳播機(jī)制。在微群中，連接強(qiáng)度和用戶興趣共同影響著微博用戶信息交互行為。另外，由于微群的數(shù)量及其成員規(guī)模龐大并且社會(huì)關(guān)系隱藏在海量的回復(fù)關(guān)系，因此微群具有數(shù)據(jù)海量性和社交關(guān)系隱藏性的特點(diǎn)。針對(duì)微群以上特性，本文提出一種結(jié)合連接強(qiáng)度和用戶興趣的用戶傳播行為動(dòng)態(tài)預(yù)測(cè)模型。該模型先基于用戶平時(shí)發(fā)布的微博與給定話題的內(nèi)容相似度，度量用戶對(duì)目標(biāo)話題的個(gè)人興趣度，再利用用戶之間的回復(fù)關(guān)系構(gòu)建與話題相關(guān)的影響力網(wǎng)絡(luò)，然后基于自重啟隨機(jī)游走的話

8、題興趣度排序方法預(yù)測(cè)用戶傳播行為。該模型在內(nèi)容相似性度量中，基于LDA(Latent Dirichlet Allocation)模型的文本表示方法，有效克服了傳統(tǒng)基于“詞袋”的方法所帶來(lái)的高維度弊端。此外，該方法利用相鄰時(shí)間片文本數(shù)據(jù)具有相同語(yǔ)境的特點(diǎn)，實(shí)現(xiàn)動(dòng)態(tài)更新話題內(nèi)容，使預(yù)測(cè)模型能實(shí)時(shí)處理不斷涌現(xiàn)文本流數(shù)據(jù)。實(shí)驗(yàn)結(jié)果證明：本文提出的動(dòng)態(tài)預(yù)測(cè)模型在預(yù)測(cè)性能上優(yōu)于已有的預(yù)測(cè)模型，性能提升幅度約35%左右。
　　4.針對(duì)輿情話題熱

9、度變化的非線性，提出了一種基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的話題熱度預(yù)測(cè)模型。
　　輿情話題是由突發(fā)事件引起的話題，其熱度受到傳統(tǒng)新聞媒體、話題內(nèi)容本身和網(wǎng)絡(luò)中的意見(jiàn)領(lǐng)袖、用戶群體數(shù)量等多種因素的影響，具有非線性變化的特點(diǎn)。已有的預(yù)測(cè)模型大多基于傳統(tǒng)統(tǒng)計(jì)模型，一般只適用于線性變化或周期性變化的話題。針對(duì)已有預(yù)測(cè)模型的不足，本文提出了一種基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的話題熱度預(yù)測(cè)模型。首先基于灰色關(guān)聯(lián)度理論，發(fā)現(xiàn)意見(jiàn)領(lǐng)袖的影響力、回帖數(shù)和點(diǎn)擊數(shù)均與話題熱度

10、存在很強(qiáng)的正相關(guān)性，進(jìn)而利用神經(jīng)網(wǎng)絡(luò)對(duì)話題熱度與上述因素之間的非線性關(guān)系進(jìn)行建模和預(yù)測(cè)。此外，針對(duì)標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)解的不足，采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型，進(jìn)一步提高了預(yù)測(cè)精度。實(shí)驗(yàn)結(jié)果表明，無(wú)論是相對(duì)于標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)還是其它已有算法，本文提出的預(yù)測(cè)模型在話題熱度預(yù)測(cè)方面都有明顯的提升。
　　綜上所述，本文針對(duì)在線社交網(wǎng)絡(luò)數(shù)據(jù)的特點(diǎn)，研究了面向在線社交網(wǎng)絡(luò)輿情的信息傳播分析技術(shù)，分別從微觀層次和宏觀層次分析了在線社交網(wǎng)絡(luò)中