基于机器学习的政务决策网络支持度应用研究

发布时间：2021-05-23 03:37

　　网络舆论已经成为当代社会舆论最为重要的组成部分之一,也是政府听取民意、把握社会舆论方向以及做出政务决策的重要依据和数据来源,同时机器学习已经成为当今数据科学领域使用的最为有效的数据分析方法之一。虽然目前使用机器学习的方法来进行情感分析的研究不在少数,但在政务决策领域的研究还比较匮乏,准确性和可靠性也并不是很理想。因此,本文使用机器学习的方法,通过对政务决策相关微博评论的情感倾向性分析,得出网民对某项政务决策的支持程度,从而为政府提供参考依据。本文针对政务决策微博的特殊性,创新性地构建了政务决策领域的情感分析词典,设定了情感得分机制,并在情感分析之前增加水军检测,以提高判断微博上网民对于政务决策支持度的准确性和可靠性。本文尝试性的在新浪微博上选取了30条政务决策微博及其在微博下面的所有评论,首先使用一种基于政务领域情感词典和情感得分机制的情感倾向性分析方法对评论进行情感分类,并使用不同的分类模型进行训练并对其效果进行了比较。然后对每条微博的评论使用一种改进后的基于多特征的网络水军识别方法对水军评论进行检测和过滤,再次使用上述方法进行情感倾向性分类。实验结果表明,分类前增加水军检测后,能够... 

【文章来源】：中北大学山西省

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 引言
    1.1 研究背景
    1.2 国内外研究现状
    1.3 论文研究内容
        1.3.1 研究内容
        1.3.2 组织结构
    1.4 本章小结
2 相关概念及基本理论
    2.1 网络舆情的特点及研究方法
    2.2 机器学习的研究方法及相关概念
    2.3 情感倾向性分析的主要研究方法
    2.4 网络水军的特点及识别方法
    2.5 本章小结
3 数据获取与处理
    3.1 数据获取
    3.2 数据预处理
    3.3 本章小结
4 基于情感词典与情感得分机制的情感分类模型
    4.1 基于How Net的情感词典构建
    4.2 情感得分机制
    4.3 特征选择
    4.4 分类算法
        4.4.1 朴素贝叶斯
        4.4.2 支持向量机
        4.4.3 最大熵分类
    4.5 总体实验思路
    4.6 实验与分析
        4.6.1 系统及实验环境
        4.6.2 评价指标
        4.6.3 实验方案
        4.6.4 实验过程
        4.6.5 实验结果
        4.6.6 结果分析
    4.7 本章小结
5 基于多特征的水军检测模型
    5.1 特征选取
        5.1.1 语义特征
        5.1.2 非语义特征
    5.2 实验与分析
        5.2.1 实验方案
        5.2.2 数据与特征
        5.2.3 实验结果
        5.2.4 结果分析
    5.3 本章小结
6 水军检测－情感分类模型
    6.1 模型结合
    6.2 实验与分析
        6.2.1 实验方案
        6.2.2 实验结果
        6.2.3 结果分析
        6.2.4 理论依据
    6.3 本章小结
7 总结与展望
    7.1 本文所完成的工作
    7.2 本文的不足与展望
参考文献
攻读硕士期间发表的论文及所取得的研究成果
致谢



本文编号：3202212