基于超网络理论的微博舆情关键节点挖掘

doi:10.3772/j.issn.1000-0135.2019.12.006

情报学报

2019, Vol. 38

Issue (12): 1286-1296 DOI: 10.3772/j.issn.1000-0135.2019.12.006

情报分析方法与技术

本期目录 | 过刊浏览 | 高级检索

基于超网络理论的微博舆情关键节点挖掘

张连峰¹, 周红磊¹, 王丹¹, 张海涛^1,2

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

Key Node Mining of Weibo Public Opinion Based on Super Network Theory

Zhang Lianfeng¹, Zhou Honglei¹, Wang Dan¹, Zhang Haitao^1,2

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

摘要
图/表
参考文献
相关文章 (6)

全文: PDF (1505 KB) HTML (163 KB)
输出: BibTeX | EndNote (RIS)

摘要为了更好地挖掘微博舆情中的关键节点，对其进行因人而异的思想引领，打造微博晴朗空间，本研究以超网络为理论基础，对微博舆情传播中的各子网进行建模，应用神经网络、LDA、Python仿真分析方法，挖掘微博舆情中的关键节点，并对关键节点的特征和情感进行分析与讨论。挖掘出微博舆情传播中的六类关键节点，分别是活跃人物、焦点人物、意见领袖、传播人物、潜在活跃人物、潜在传播人物。

	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
	张连峰
	周红磊
	王丹
	张海涛

关键词 ：超网络, 微博舆情, 关键节点

收稿日期: 2019-07-12

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: 张连峰，男，1987年生，研究员，研究方向为网络舆情，E-mail:19339590@qq.com

引用本文:

张连峰, 周红磊, 王丹, 张海涛. 基于超网络理论的微博舆情关键节点挖掘[J]. 情报学报, 2019, 38(12): 1286-1296.
Zhang Lianfeng, Zhou Honglei, Wang Dan, Zhang Haitao. Key Node Mining of Weibo Public Opinion Based on Super Network Theory. 情报学报, 2019, 38(12): 1286-1296.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2019.12.006 或 https://qbxb.istic.ac.cn/CN/Y2019/V38/I12/1286

1 高俊峰. 网络舆情场内领袖型信息受众的观点动员能力测度[J]. 情报科学, 2019, 37(1): 37-42.
2 詹天成, 曹子君, 王忠义. 基于社会网络分析的微博媒体领袖间的关系研究[J]. 情报科学, 2018, 36(8): 15-21, 154.
3 魏莹, 李锋. 基于主路径分析的关键节点识别与谣言扩散抑制研究[J]. 情报科学, 2018, 36(6): 13-19.
4 王丹, 张海涛, 刘雅姝, 等. 微博舆情关键节点情感倾向分析及思想引领研究[J]. 图书情报工作, 2019, 63(4): 15-22.
5 马宁, 刘怡君. 基于超网络中超边排序算法的网络舆论领袖识别[J]. 系统工程, 2013, 31(9): 1-10.
6 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.
7 黄秀. 基于多模态社交媒体数据源的用户画像构建的研究[D]. 成都: 电子科技大学, 2018.
8 张培晶, 宋蕾. 基于LDA的微博文本主题建模方法研究述评[J]. 图书情报工作, 2012, 56(24): 120-126.
9 席运江, 赵燕, 廖晓, 等. 基于LDA的企业微博主题传播超网络建模及分析方法[J]. 管理学报, 2018, 15(3): 434-441.
10 ChenY H, KrishnaT, EmerJ S, et al. Eyeriss: An energy-efficient reconfigurable accelerator for deep convolutional neural networks[J]. IEEE Journal of Solid-State Circuits, 2017, 52(1): 127-138.
11 LeCunY, BottouL, BengioY, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.
12 李枫林, 柯佳. 基于深度学习框架的实体关系抽取研究进展[J]. 情报科学, 2018, 36(3): 169-176.
13 吴鹏, 刘恒旺, 沈思. 基于深度学习和OCC情感规则的网络舆情情感识别研究[J]. 情报学报, 2017, 36(9): 972-980.
14 KimY. Convolutional neural networks for sentence classification[C]// Proceedings of the Conference on Empirical Methods in Natural Language Processing. Stroudsburg: Association for Computational Linguistics, 2014: 1746-1751.
15 蔡国永, 夏彬彬. 基于卷积神经网络的图文融合媒体情感预测[J]. 计算机应用, 2016, 36(2): 428-431, 477.
16 张磊. 微博超网络模型的建立及关键节点识别方法研究[D]. 南京: 南京航空航天大学, 2016.