基于LDA-BiLSTM模型的高校网络舆情监测方法及实证
发布时间：2021-04-08 01:50
[目的/意义]高校网络舆情能够反映学生的思想动态。实时甄别高校网络信息内容,监测潜在舆情,对于合理引导学生思想、维护高校形象具有重要意义。[方法/过程]提出基于LDA-BiLSTM模型的高校网络舆情监测方法,以高校百度贴吧为数据源,提取数据中的热门主题,获取热门主题下回复文本的情感极性,分析其潜在舆情。[结果/结论]结果表明,此方法能够获取高校贴吧热门主题及其情感极性,监测潜在舆情,为高校网络舆情管理提供有效方法和模型。
【文章来源】：情报理论与实践. 2020,43(11)北大核心CSSCI
【文章页数】：6 页
【部分图文】：
高校网络舆情监测流程
词性是能够标识语义信息的重要语法特征[16]。在处理具体事件的语料时,词性对LDA主题模型的影响相对较小,因为此时主题模型提取的词语围绕该事件产生,相对来说可读性较高。但是在处理主题比较泛化的语料时,由于内容主体未知,其中提取的形容词、副词等可读性很差,难以辨别真正的关注点,而名词则能帮助我们较好地解读文本的中心思想。词性过滤算法结合了词典匹配和隐含马尔科夫模型(Hidden Markov Model,HMM),其中词典匹配方法基于前缀词典进行词图扫描,快速构建包含全部可能分词结果的有向无环图,然后使用动态规划的方法找出最大概率路径,从而实现分词功能,同时在前缀词典中查找该词的词性。
式中, P(λ|o)P(o) 的最大值即为目标值,而求解maxP(λ|o)P(o) 的方法是Veterbi算法,其核心思想是:如果最终的最优路径经过某个Oi,那么从初始节点到Oi-1点的路径必然也是一个最优路径。路径状态转移见图3。通过基于词性过滤的LDA主题模型处理,可以提取语料的热门主题及其关键词,研究关键词可知该主题的大体内容。后续还要分析热门主题的情感极性,长短时记忆网络(LSTM)模型可以很好地完成此项任务。
【参考文献】：
期刊论文
[1]高校网络舆情共振现象仿真及应对策略研究[J]. 李艺全,张燕刚. 情报杂志. 2019(12)
[2]一种融合主题模型的短文本情感分类方法[J]. 吴彦文,黄凯,王馨悦,林娴. 小型微型计算机系统. 2019(10)
[3]基于特征融合分段卷积神经网络的情感分析[J]. 周泳东,章韵,曹艳蓉,黄海平. 计算机工程与设计. 2019(10)
[4]基于LDA模型和Doc2vec的学术摘要聚类方法[J]. 张卫卫,胡亚琦,翟广宇,刘志鹏. 计算机工程与应用. 2020(06)
[5]基于SOAR模型的高校网络舆情应急响应研究[J]. 凌晨,冯俊文,吴鹏,张善飞. 情报科学. 2019(09)
[6]高校学生网络舆情的动态监测路径与防控机制研究[J]. 李中原. 现代情报. 2019(08)
[7]高校网络舆情管理如何一步到位[J]. 尹中华,赵建有. 人民论坛. 2019(15)
[8]基于动态贝叶斯网络的网络舆情危机等级预测模型[J]. 杨静,邹梅,黄微. 情报科学. 2019(05)
[9]基于主题一致性和情感支持的评论意见领袖识别方法研究[J]. 安璐,胡俊阳,李纲. 管理科学. 2019(01)
[10]电商评论综合分析系统的设计与实现——情感分析与观点挖掘的研究与应用[J]. 郭博,李守光,王昊,张晓军,龚伟,于昭君,孙宇. 数据分析与知识发现. 2017(12)
本文编号：3124610
【文章来源】：情报理论与实践. 2020,43(11)北大核心CSSCI
【文章页数】：6 页
【部分图文】：
高校网络舆情监测流程
词性是能够标识语义信息的重要语法特征[16]。在处理具体事件的语料时,词性对LDA主题模型的影响相对较小,因为此时主题模型提取的词语围绕该事件产生,相对来说可读性较高。但是在处理主题比较泛化的语料时,由于内容主体未知,其中提取的形容词、副词等可读性很差,难以辨别真正的关注点,而名词则能帮助我们较好地解读文本的中心思想。词性过滤算法结合了词典匹配和隐含马尔科夫模型(Hidden Markov Model,HMM),其中词典匹配方法基于前缀词典进行词图扫描,快速构建包含全部可能分词结果的有向无环图,然后使用动态规划的方法找出最大概率路径,从而实现分词功能,同时在前缀词典中查找该词的词性。
式中, P(λ|o)P(o) 的最大值即为目标值,而求解maxP(λ|o)P(o) 的方法是Veterbi算法,其核心思想是:如果最终的最优路径经过某个Oi,那么从初始节点到Oi-1点的路径必然也是一个最优路径。路径状态转移见图3。通过基于词性过滤的LDA主题模型处理,可以提取语料的热门主题及其关键词,研究关键词可知该主题的大体内容。后续还要分析热门主题的情感极性,长短时记忆网络(LSTM)模型可以很好地完成此项任务。
【参考文献】：
期刊论文
[1]高校网络舆情共振现象仿真及应对策略研究[J]. 李艺全,张燕刚. 情报杂志. 2019(12)
[2]一种融合主题模型的短文本情感分类方法[J]. 吴彦文,黄凯,王馨悦,林娴. 小型微型计算机系统. 2019(10)
[3]基于特征融合分段卷积神经网络的情感分析[J]. 周泳东,章韵,曹艳蓉,黄海平. 计算机工程与设计. 2019(10)
[4]基于LDA模型和Doc2vec的学术摘要聚类方法[J]. 张卫卫,胡亚琦,翟广宇,刘志鹏. 计算机工程与应用. 2020(06)
[5]基于SOAR模型的高校网络舆情应急响应研究[J]. 凌晨,冯俊文,吴鹏,张善飞. 情报科学. 2019(09)
[6]高校学生网络舆情的动态监测路径与防控机制研究[J]. 李中原. 现代情报. 2019(08)
[7]高校网络舆情管理如何一步到位[J]. 尹中华,赵建有. 人民论坛. 2019(15)
[8]基于动态贝叶斯网络的网络舆情危机等级预测模型[J]. 杨静,邹梅,黄微. 情报科学. 2019(05)
[9]基于主题一致性和情感支持的评论意见领袖识别方法研究[J]. 安璐,胡俊阳,李纲. 管理科学. 2019(01)
[10]电商评论综合分析系统的设计与实现——情感分析与观点挖掘的研究与应用[J]. 郭博,李守光,王昊,张晓军,龚伟,于昭君,孙宇. 数据分析与知识发现. 2017(12)
本文编号：3124610
本文链接：https://www.wllwen.com/shekelunwen/shgj/3124610.html
