基于<bold>LDA</bold>模型的新冠肺炎疫情微博用户主题聚类图谱及主题传播路径研究

doi:10.3772/j.issn.1000-0135.2021.03.002

情报学报

2021, Vol. 40

Issue (3): 234-244 DOI: 10.3772/j.issn.1000-0135.2021.03.002

专题约稿

本期目录 | 过刊浏览 | 高级检索

基于LDA模型的新冠肺炎疫情微博用户主题聚类图谱及主题传播路径研究

张柳¹, 王晰巍^1,2,3,5, 黄博⁴, 刘婷艳¹

1.吉林大学管理学院，长春 130022
2.吉林大学大数据管理研究中心，长春 130022
3.吉林大学网络空间治理研究中心，长春 130022
4.吉林大学计算机科学与技术学院，长春 130022
5.吉林大学东北振兴研究院，长春 130022

Research on the Topic Clustering Graph and the Transmission Path of Micro-blogging Users amid COVID-19 Based on the LDA Model

Zhang Liu¹, Wang Xiwei^1,2,3,5, Huang Bo⁴, Liu Tingyan¹

1.School of Management, Jilin University, Changchun 130022
2.Research Center for Big Data Management, Jilin University, Changchun 130022
3.Research Center of Cyberspace Governance, Jilin University, Changchun 130022
4.School of Computer Science and Technology, Jilin University, Changchun 130022
5.Academy of Northeast Revitalization, Jilin University, Changchun 130022

摘要
图/表
参考文献
相关文章 (10)

全文: PDF (6331 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要本文构建“日本钻石邮轮”舆情话题微博用户的主题聚类图谱和对网络社群间主题传播路径进行分析，可以更好地识别微博用户主题特征和意见领袖，从而帮助舆情监管部门对舆情进行更为有效的引导和监管。本文基于LDA（latent Dirichlet allocation）模型构建新冠肺炎疫情事件下微博用户的主题聚类图谱，利用困惑度评价指标来确定微博用户的最优主题数和主题分布；利用网络用户转发评论关系构建微博用户主题聚类图谱，提出网络社群间主题传播路径分析方法。本文结合“日本钻石公主号邮轮”这一全球新冠肺炎疫情期间的重要舆情话题，进行微博用户群体主题的确定、主题意见领袖的识别以及该话题下的网络社群间主题传播路径分析。研究结果表明，基于LDA模型可进行网络群体主题识别，并发现衍生的舆情话题，通过意见领袖识别可更好地进行舆情引导，利用网络社群的主题传播路径分析可进行话题推送，从而实现对舆情更好地引导及网络生态治理。

	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
	张柳
	王晰巍
	黄博
	刘婷艳

关键词 ： LDA, 新冠肺炎, 微博用户, 主题聚类, 传播路径

收稿日期: 2020-04-30

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: 张柳，女，1992年生，博士研究生，主要研究方向为网络舆情，E-mail:598837913@qq.com；王晰巍，女，1975年生，教授，研究员，博士生导师，主要研究方向为社交媒体网络舆情和信息行为；黄博，男，1990年生，博士研究生，主要研究方向为机器学习；刘婷艳，女，1989年生，博士研究生，主要研究方向为网络舆；

引用本文:

张柳, 王晰巍, 黄博, 刘婷艳. 基于LDA模型的新冠肺炎疫情微博用户主题聚类图谱及主题传播路径研究[J]. 情报学报, 2021, 40(3): 234-244.
Zhang Liu, Wang Xiwei, Huang Bo, Liu Tingyan. Research on the Topic Clustering Graph and the Transmission Path of Micro-blogging Users amid COVID-19 Based on the LDA Model. 情报学报, 2021, 40(3): 234-244.

链接本文:

http://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2021.03.002 或 http://qbxb.istic.ac.cn/CN/Y2021/V40/I3/234

1 百度营销. 百度App用户战疫实录: 每天超10亿人搜索新冠肺炎信息[EB/OL]. (2020-02-20) [2020-02-25]. http://so.baidu.com/news/xydt/2543.html.
2 Theja Bhavaraju S K, Beyney C, Nicholson C. Quantitative analysis of social media sensitivity to natural disasters[J]. International Journal of Disaster Risk Reduction, 2019, 39: 101251.
3 Kumar A, Singh J P, Dwivedi Y K, et al. A deep multi-modal neural network for informative Twitter content classification during emergencies[J/OL]. Annals of Operations Research. (2020-01-16). https://doi.org/10.1007/s10479-020-03514-x.
4 Ray A, Bala P K. Social media for improved process management in organizations during disasters[J]. Knowledge and Process Management, 2020, 27(1): 63-74.
5 唐明伟, 苏新宁, 王昊. 突发事件应急响应情报体系案例解析——以公共安全事件为例[J]. 情报科学, 2019, 37(1): 105-111.
6 李明, 李莹, 许应成. 突发事件环境下的虚拟问答社区知识可信度影响因素研究[J]. 情报理论与实践，2019, 42(9): 128-132, 145.
7 刘建准, 唐霈雯, 石密, 等. 突发事件应急管理中情报介入与融合模型研究[J]. 图书情报工作, 2019, 63(18): 78-86.
8 于晓虹, 楼际通, 楼文高, 等. 突发事件网络舆情风险评价的投影寻踪建模与实证研究[J]. 情报科学, 2019, 37(11): 79-88.
9 樊舒, 孙鹏. 基于实时视频的应急决策情报体系构建[J]. 情报杂志, 2019, 38(6): 17-22.
10 人民网. 人民网评: 警惕疫情“第二波”, 哪怕“十防九空”[EB/OL]. (2020-01-30) [2020-02-26]. http://opinion.people.com.cn/BIG5/ n1/2020/0130/c1003-31564992.html.
11 Bailón-Elvira J C, Cobo M J, Herrera-Viedma E, et al. Latent Dirichlet Allocation (LDA) for improving the topic modeling of the official bulletin of the spanish state (BOE)[J]. Procedia Computer Science, 2019, 162: 207-214.
12 Rashid J, Shah S M A, Irtaza A. Fuzzy topic modeling approach for text mining over short text[J]. Information Processing & Management, 2019, 56(6): 102060.
13 Pavlinek M, Podgorelec V. Text classification method based on self-training and LDA topic models[J]. Expert Systems with Applications, 2017, 80: 83-93.
14 Hagen L. Content analysis of e-petitions with topic modeling: how to train and evaluate LDA models?[J]. Information Processing & Management, 2018, 54(6): 1292-1307.
15 Du Y J, Yi Y T, Li X Y, et al. Extracting and tracking hot topics of micro-blogs based on improved Latent Dirichlet Allocation[J]. Engineering Applications of Artificial Intelligence, 2020, 87: 103279.
16 Ma T H, Li J, Liang X N, et al. A time-series based aggregation scheme for topic detection in Weibo short texts[J]. Physica A: Statistical Mechanics and Its Applications, 2019, 536: 120972.
17 丁绪武, 吴忠, 夏志杰. 社会化电子商务用户兴趣图谱构建的研究[J]. 情报理论与实践, 2015, 38(3): 90-94.
18 林杰, 苗润生. 专业社交媒体中的主题图谱构建方法研究——以汽车论坛为例[J]. 情报学报, 2020, 39(1): 68-80.
19 刘雅姝, 张海涛, 徐海玲, 等. 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.
20 朱晓霞, 宋嘉欣, 孟建芳. 基于动态主题——情感演化模型的网络舆情信息分析[J]. 情报科学, 2019, 37(7): 72-78.
21 Zareie A, Sheikhahmadi A, Jalili M. Identification of influential users in social networks based on users’interest[J]. Information Sciences, 2019, 493: 217-231.
22 王晰巍, 张柳, 文晴, 等. 基于贝叶斯模型的移动环境下网络舆情用户情感演化研究——以新浪微博“里约奥运会中国女排夺冠”话题为例[J]. 情报学报, 2018, 37(12): 1241-1248.
23 Alexa. Traffic detail (sina.com.cn)[EB/OL]. [2020-03-15]. http://www.alexa.com/siteinfo/www.sina.com.cn.
24 曾子明, 王婧. 基于LDA和随机森林的微博谣言识别研究——以2016年雾霾谣言为例[J]. 情报学报, 2019, 38(1): 89-96.
25 牟冬梅, 邵琦, 韩楠楠, 等. 微博舆情多维度社会属性分析与可视化研究——以某疫苗事件为例[J]. 图书情报工作, 2020, 64(3): 111-118.
26 王晰巍, 张柳, 韦雅楠, 等. 社交网络舆情中意见领袖主题图谱构建及关系路径研究——基于网络谣言话题的分析[J]. 情报资料工作, 2020, 41(2): 47-55.
27 陈思菁, 李纲, 毛进, 等. 突发事件信息传播网络中的关键节点动态识别研究[J]. 情报学报, 2019, 38(2): 178-190.
28 Hashemi A, Dowlatshahi M B, Nezamabadi-Pour H. MGFS: a multi-label graph-based feature selection algorithm via PageRank centrality[J]. Expert Systems with Applications, 2020, 142: 113024.
29 Huang W D, Wang Q, Cao J. Tracing public opinion propagation and emotional evolution based on public emergencies in social networks[J]. International Journal of Computers Communications & Control, 2018, 13(1): 129-142.
30 Haihong E, Hu Y X, Peng H P, et al. Theme and sentiment analysis model of public opinion dissemination based on generative adversarial network[J]. Chaos, Solitons & Fractals, 2019, 121: 160-167.