基于社交网络的事件属性与发展趋势分析

发布时间：2021-07-28 03:03

　　随着社交网络和智能终端的快速普及,人们通过社交网络不仅了解到世界各地的新闻事件,也对当下热门的话题和事件发表自己的看法和观点。收集和研究这些意见和观点可以为了解社会趋势和舆论导向提供一个有效的窗口和视角。而基于社交网络的事件预测便是通过对社交网络中大量的用户生成内容进行分析,预测事件的发展趋势和舆论的导向,从而为决策制定和社会管理提供一定的帮助和支持。但是由于社交网络的动态变化的特性,事件和热门话题也在不断变化,导致事件预测效果不佳。同时由于智能设备的普及,在社交网络中人们可以不仅通过文字信息进行分享和交流,也发表图片、视频等多媒体信息,使得社交网络包含多种不同类型的数据。通过对社交网络中的用户生成内容的分析和挖掘,可以预测事件背后的舆论导向并推断用户的地理位置。社交网络的动态特性导致现有的静态预测模型难以分析新事件带来的变化,但对新数据的标注需要人力和时间的投入,使得现有方法难以将新的数据引入模型的学习过程中,导致预测效果下降。而社交网络数据类型的多样性,内容的不规则性使得基于单一类型信息的地理位置推断模型的稳定性和准确性都难以保证。本文针对以上两个问题展开研究,主要工作和贡献如下:... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

AlexNet模型的结构简介[60]

电子科技大学硕士学位论文Unit），它可以解决梯度弥散问题。如图2-3所示，ReLU在x>0时导数一直是1，求梯度非常简单，计算起来也很快。ReLU解决了激活函数的导数问题，所以有助于缓解梯度消失，也能解决梯度爆炸，从而加快训练速度。图2-3三种常见的激活函数因为全连接层容易过拟合，而卷积层不容易过拟合，，AlexNet最后2个全连接层中使用了Dropout方法。在每次迭代时，根据预设的概率p让某个神经元的暂时停止工作，但保持输入层与输出层神经元的个数不变，只更新被保留下来的的神经元参数。那么，每次迭代生成的网络结构会因为随机失活的神经元不同而产生变化，使得模型泛化能力更强，避免模型过度依赖某些局部特征，从而有效地减少过拟合。图2-4给出了一个Dropout的示例。图2-4标准网络与Dropout以后的网络12

标准网络与Dropout以后的网络


本文编号：3307072