互聯(lián)網(wǎng)中事件檢測與跟蹤系統(tǒng)設計與實現(xiàn).pdf

1、近年來，隨著WEB3.0的飛速發(fā)展，社交媒體也迅速發(fā)展起來，各大社交平臺競相怒放，用戶量迅猛增長。截至2016年11月，F(xiàn)acebook注冊用戶數(shù)超過14億，Twitter月活躍用戶數(shù)已達到3.1億，國內(nèi)的新浪微博月活躍用戶數(shù)也超過2.6億。大量的活躍用戶，每天自發(fā)的貢獻，提取，創(chuàng)造，傳播新聞資訊，使得每天有上億條微博信息在各個平臺上發(fā)布和傳播。龐大用戶群、海量文本信息吸引了越來越多的學者的關注與研究。
　　事件檢測與跟蹤是一項旨

2、在基于事件對信息進行分析和利用的研究。目前，國內(nèi)外針對社交媒體的事件檢測與跟蹤研究成果較少。并且，社交媒體信息有文本短，信息不集中，網(wǎng)絡用語多，口語化等特點，傳統(tǒng)話題檢測與跟蹤方法用于社交媒體準確率很低。本文針對以上問題，提出了一種融合基于LDA淺層學習特征和基于Word2Vec深度學習特征的分類方法對新浪微博進行事件檢測，并在事件檢測基礎上進行了事件熱度預測與情感傾向性分析。
　　本文以新浪微博為主要研究對象，構(gòu)建了連續(xù)時間跨度

3、超過兩個月的語料庫。通過融合基于LDA淺層學習特征和基于Word2Vec深度學習特征，使用隨機森林算法對融合特征進行分類，可以獲得微博條目的事件標簽。我們對事件分類后的結(jié)果，利用微博的轉(zhuǎn)發(fā)數(shù)，評論數(shù)，點贊數(shù)，是否是大V發(fā)布等參數(shù)以及歷史熱度信息，構(gòu)建線性回歸模型，對事件熱度進行計算與預測。并提出了基于評價對象期望的情感傾向性分析方法來對事件的情感傾向性進行評判。為了驗證算法的有效性，本文使用我們構(gòu)建的語料庫進行了實驗驗證并設置了對比實驗