多维特征融合的网络舆情突发事件演化话题图谱研究

doi:10.3772/j.issn.1000-0135.2019.08.004

情报学报

2019, Vol. 38

Issue (8): 798-806 DOI: 10.3772/j.issn.1000-0135.2019.08.004

情报理论与应用

本期目录 | 过刊浏览 | 高级检索

多维特征融合的网络舆情突发事件演化话题图谱研究

刘雅姝¹, 张海涛^1,2, 徐海玲¹, 魏萍¹

1.吉林大学管理学院，长春 130022
2.吉林大学信息资源研究中心，长春 130022

Research on Evolutionary Topic Map of Internet Public Opinion with Multi-dimensional Feature Fusion

Liu Yashu¹, Zhang Haitao^1,2, Xu Hailing¹, Wei Ping¹

1.School of Management, Jilin University, Changchun 130022
2.The Information Resource Research Center, Jilin University, Changchun 130022

摘要
图/表
参考文献
相关文章 (6)

全文: PDF (2313 KB) HTML (72 KB)
输出: BibTeX | EndNote (RIS)

摘要探索网络舆情突发事件中网民意见观点变化，挖掘事件发展特点，可以促使舆情导控工作有的放矢，实现全面控制精准引导的目标，这对于新时期网络舆论管理工作具有重大意义。本研究基于知识图谱方法，选取网络舆情突发事件评论数据构建舆情话题图谱，利用LDA方法对图谱中实体的话题属性进行划分，从Neo4j图数据库中提取话题图谱实体的话题、时间属性，以多维特征融合分析视角全方位追踪舆情话题的演化情况。所构建的舆情话题图谱可以有效识别话题讨论内容并对话题演化过程进行准确追踪，基于知识图谱方法构建的网络舆情话题图谱在动态追踪民意了解网络舆情突发事件发展方向上发挥了重大作用；网络舆情突发事件发展过程根据评论数量规模可以分为潜伏期、爆发期和衰退期三个阶段，各个阶段话题讨论数量、热度及内容等多维特征遵循着其独特的发展规律。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	刘雅姝
	张海涛
	徐海玲
	魏萍

关键词 ：话题图谱, 网络舆情, 演化分析

收稿日期: 2019-05-17

基金资助:国家社会科学基金重大项目“大数据驱动的社交网络舆情主题图谱构建及调控策略研究”（18ZDA310）。

作者简介: 刘雅姝，女，1993年生，博士研究生，研究方向为网络舆情，E-mail:1911670944@qq.com

引用本文:

刘雅姝, 张海涛, 徐海玲, 魏萍. 多维特征融合的网络舆情突发事件演化话题图谱研究[J]. 情报学报, 2019, 38(8): 798-806.
Liu Yashu, Zhang Haitao, Xu Hailing, Wei Ping. Research on Evolutionary Topic Map of Internet Public Opinion with Multi-dimensional Feature Fusion. 情报学报, 2019, 38(8): 798-806.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2019.08.004 或 https://qbxb.istic.ac.cn/CN/Y2019/V38/I8/798

1 StiloG, VelardiP. Efficient temporal mining of micro-blog texts and its application to event discovery[J]. Data Mining and Knowledge Discovery, 2016, 30(2): 372-402.
2 XieW, ZhuF D, JiangJ, et al. TopicSketch: Real-time bursty topic detection from twitter[J]. IEEE Transactions on Knowledge and Data Engineering, 2016, 28(8): 2216-2229.
3 ChenY, AmiriH, LiZ J, et al. Emerging topic detection for organizations from microblogs[C]// Proceedings of the 36th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York: ACM Press, 2013: 43-52.
4 ChenP X, ZhangN L, LiuT F, et al. Latent tree models for hierarchical topic detection[J]. Artificial Intelligence, 2017, 250: 105-124.
5 HuangB, YangY, MahmoodA, et al. Microblog topic detection based on LDA model and single-pass clustering[C]// Proceedings of the International Conference on Rough Sets and Current Trends in Computing. Heidelberg: Springer, 2012, 7413: 166-171.
6 廖海涵, 王曰芬, 关鹏. 微博舆情传播周期中不同传播者的主题挖掘与观点识别[J]. 图书情报工作, 2018, 62(19): 77-85.
7 唐晓波, 王洪艳. 基于潜在语义分析的微博主题挖掘模型研究[J]. 图书情报工作, 2012, 56(24): 114-119.
8 唐晓波, 肖璐. 基于依存句法分析的微博主题挖掘模型研究[J]. 情报科学, 2015, 33(9): 61-65.
9 丁晟春, 王鹏鹏, 龚思兰. 基于社区发现和关键词共现的网络舆情潜在主题发现研究——以新浪微博魏则西事件为例[J]. 情报科学, 2018, 36(7): 78-84.
10 梁晓贺, 田儒雅, 吴蕾, 等. 基于超网络的微博舆情主题挖掘方法[J]. 情报理论与实践, 2017, 40(10): 100-105.
11 BleiD M, NgA Y, JordanM I. Latent Dirichlet allocation[J]. Journal of Machine Learning Research, 2003, 3: 993-1022.
12 王静茹, 陈震. 基于隐含狄利克雷分布的文本主题提取对比研究[J]. 情报科学, 2018, 36(1): 102-107.
13 张海涛, 刘雅姝, 张枭慧, 等. 基于模块度的话题发现及网民情感波动研究——以新浪微博“中美间贸易摩擦”话题为例[J]. 图书情报工作, 2019, 63(4): 6-14.