共查询到10条相似文献，搜索用时 63 毫秒
1.
[目的/意义]针对单纯使用统计自然语言处理技术对社交网络上产生的短文本数据进行意向分类时存在的特征稀疏、语义模糊和标记数据不足等问题，提出了一种融合心理语言学信息的Co-training意图分类方法。[方法/过程]首先，为丰富语义信息，在提取文本特征的同时融合带有情感倾向的心理语言学线索对特征维度进行扩展。其次，针对标记数据有限的问题，在模型训练阶段使用半监督集成法对两种机器学习分类方法（基于事件内容表达分类器与情感事件表达分类器）进行协同训练（Co-training）。最后，采用置信度乘积的投票制进行分类。[结论/结果]实验结果表明融入心理语言学信息的语料再经过协同训练的分类效果更优。 相似文献
2.
[目的/意义]基于本体的公共危机事件情景模型研究旨在给应急决策者创造熟悉的环境和场景,引导和支撑应急决策者适应和了解当前态势,进行有针对性的决策行动。[方法/过程]从知识管理的角度提出了支持政府危机决策的情景构建体系,运用本体论的思想与方法构建了危机事件情景模型,并对其特征及应用价值进行了具体分析。[结果/结论]研究表明,基于本体的公共危机事件情景模型以危机情景为描述对象,以本体作为知识组织体系的描述手段,以情景知识元素作为语义单元,以语义知识网络作为情景表现形式,具有语义分析能力和推理能力,能够有效支持政府危机预警、监测、指挥、评估等管理系统。 相似文献
3.
[目的/意义]健康危机事件可能会对受众产生持续性影响,厘清舆论视频中公众的情感震荡规律和卷入机制有助于业界和学界掌握、预判民间舆论场的动态发展趋势。[方法/过程]以Bilibili视频社交平台为例,借助情绪传染理论建构VAR时间序列模型,以此对420个舆情视频中发布者的面部离散情绪震荡规律与公众动态卷入机制进行深入剖析。[结果/结论]不同类型面部情绪对公众卷入存在差异化影响,其中厌恶情绪是健康危机中的重要导火索,在所有情绪中最快速、最迅猛地引发公众卷入高潮。总体来看,对公众卷入影响最强烈的是高唤醒消极情绪,其次是低唤醒消极情绪,影响最微弱的是积极情绪和中立情绪。 相似文献
4.
[目的]研究大数据网络环境发展新形势下,通过概率分析判断导致危机爆发的关键环节,为网络舆情危机管理决策提供依据。[方法]使用贝叶斯模型作为分析工具,探究网络舆情危机关键节点诊断的流程和机理。建立网络舆情危机分类匹配模型和关键节点诊断模型。[结果]建立60个网络舆情危机事件训练组得出模型条件概率表,3个测试组样本经实证诊断结果与事实相符。[局限]贝叶斯网络结构的构建需要进一步通过定量分析进行优化。[结论]对网络舆情危机进行分型,并精确地从复杂变量中诊断出对危机态势最具影响的关键节点。 相似文献
5.
[目的/意义]网民对突发事件的评论和传播会造成涉事组织的网络舆情危机,影响组织的声誉和形象。而网民的情绪化传播是引发网络舆情危机的重要因素,但目前缺乏对网民情绪化传播机理的研究。[方法/过程]使用扎根理论研究方法,以D&G辱华事件为对象,以网民对事件的评论内容为样本进行研究。[结果/结论]通过三级编码归纳出情绪化传播的形成要素,构建了网络舆情情绪化传播的机理模型。 相似文献
6.
【目的/意义】随着互联网在社会中的影响力逐渐增大,面对网络群体性事件对社会生活的冲击,需把握网
络群体性事件的演化规律,确定事件类别,提炼事件特征,基于不同类别的网络群体性事件,提出有针对性的应对
措施。【方法/过程】通过LDA主题模型与K-means算法相结合,利用LDA模型实现文本潜在语义的识别,最终运用
SVM算法进行网络群体性事件聚类分析,得到五类网络群体性事件。【结果/结论】构建的网络群体性事件动态识别
模型,通过大量的文本训练,在事件聚类数为5时具有良好的解释性,完成了网络群体性事件的客观分类,分别为：
经济型、社会型、文化型、民族型和环境型,为政府分类应对策略提供依据。【创新/局限】利用 LDA主题模型和 Kmeans算法,减少了模型的迭代次数,确定最佳主题数,提高了网络群体性事件识别结果的准确性,但是运用慧科新
闻数据库搜集到的文本数据范围有限,且分类结果反应的事件特征具有一定局限性,后续研究可进一步扩大动态
文本数据库,对分类算法进行改进和深化。 相似文献
7.
【目的/意义】探究针对微博文本的基于深度学习的情绪分类有效方法,研究微博热点事件下用户转发言论的情绪类型与隐私信息传播的关系。【方法/过程】选用BERT、BERT+CNN、BERT+RNN和ERNIE四个深度学习分类模型设置对比实验,在重新构建情绪7分类语料库的基础上验证性能较好的模型。选取4个微博热点案例,从情绪分布、情感词词频、转发时间和转发次数四个方面展开实证分析。【结果/结论】通过实证研究发现,用户在传播隐私信息是急速且短暂的,传播时以“愤怒”和“厌恶”等为代表的消极情绪占主导地位,且会因隐私信息主体的不同而产生情绪类型和表达方式上的差异。【创新/局限】研究了用户在传播隐私信息行为时的情绪特征及二者的联系,为保护社交网络用户隐私信息安全提供有价值的理论和现实依据,但所构建的语料库数据量对于训练一个高准确率的深度学习模型而言还不够,且模型对于反话、反讽等文本的识别效果不佳。 相似文献
8.
9.
[目的/意义]为了解决因微博文本多义性和复杂性导致的谣言检测中语义特征提取不全面的问题,提出了一种结合微博内外多粒度语义的BiLSTM-CNN-ECA模型。[方法/过程]首先,对微博文本从字词句三个粒度级别建模,运用双向长短期记忆网络提取微博内部语义特征,生成事件字向量矩阵和事件词向量矩阵;然后,拼接事件句向量矩阵形成三维文本特征矩阵,输入多尺度卷积神经网络,并行提取微博之间的依赖关系特征;最后,引入高效通道注意力模块赋予通道权重,进行微博谣言检测。[结果/结论]构建的三维文本特征矩阵有机结合了各粒度文本的语义特征贡献,包含更多、更全面的微博语义信息;ECA可有效捕获通道间重要信息,进一步提高了多尺度CNN模型对谣言检测的准确率。 相似文献
10.
[目的/意义]对社交媒体中热门新闻的及时识别,有助于加速正面资讯的投送或抑制负面资讯的扩散。当前,基于自然语言处理的传统识别方法正面临社交媒体新生态的挑战：大量新闻内容以图片、音视频形式存在,缺乏用于语义及情感分析的文本。[方法/过程]对此,本文首先将社交网络划分为众多社群,并按其层次结构组织为贝叶斯网络。接着,面向社群构建基于卷积神经网络的热门新闻识别模型,模型综合考虑新闻传播的宏观统计规律及微观传播过程,以提取社群内热门新闻传播的特征。最后,利用贝叶斯推理并结合局部性的模型识别结果进行全局性热度预测。[结果/结论]实验表明,本方法在语义缺失场景下可有效识别热门新闻,其准确度强于基于语义信息的机器学习方法,模型具有良好的时效性、可扩展性和适用性。该研究有助于社交媒体的监管机构及时识别出各类不含语义信息且迅速扩散的热点内容。 相似文献