改进的支持向量机在微博热点话题预测中的应用

发布时间：2018-02-09 23:36

  本文关键词： 马尔科夫模型 组合支持向量机 微博 舆情 热点话题 预测　出处：《现代情报》2017年03期 　论文类型：期刊论文

【摘要】：为了提高微博舆情的预测精度,针对不同单一核函数的局限,用线性拟合确定两种核函数的权重提出改进的支持向量机模型。首先利用马尔科夫模型矩阵的稀疏程度提取影响因子指标,得到微博传播的增减趋势;然后用改进的支持向量机对实时数据按照4∶1的比例划分测试集和训练集,进行实时预测与警示。实验结果表明:应用马尔科夫模型进行微博舆情的主成分提取效果较佳,改进的支持向量机构造了新的组合核函数,比传统的预判效果更佳。
[Abstract]:In order to improve the prediction accuracy of Weibo's public opinion, aiming at the limitation of different single kernel functions, The improved support vector machine model is proposed by linear fitting to determine the weights of two kernel functions. Firstly, the influence factor index is extracted by using the sparse degree of Markov model matrix, and the increasing and decreasing trend of Weibo propagation is obtained. Then the real-time data are divided into test set and training set according to the ratio of 4: 1 with improved support vector machine. The experimental results show that the method of extracting principal components of Weibo's public opinion using Markov model is effective. The improved support vector mechanism makes a new combination kernel function, which is better than the traditional prediction.
【作者单位】： 韶关学院信息管理系;广西师范大学数学与统计学院;韶关学院教育技术系;
【基金】：教育部人文社会科学研究项目“社交媒体潜在舆情发现及导控机制研究”(项目编号:13YJCZH144) 广东省哲学社会科学规划项目“基于社交媒体的移动学习研究与实践”(项目编号:GD13CJY07) 广东省攀登计划项目“大学生微博热点话题趋势预测系统”(项目编号:pdjh2015a0471)
【分类号】：TP18;G206

【相似文献】

相关期刊论文 前10条

1 吴娟;范玉妹;王丽;;关于改进的支持向量机的研究[J];攀枝花学院学报;2006年05期

2 刘硕明;刘佳;杨海滨;;一种新的多类支持向量机算法[J];计算机应用;2008年S2期

3 尹传环;牟少敏;田盛丰;黄厚宽;;单类支持向量机的研究进展[J];计算机工程与应用;2012年12期

4 王云英;阎满富;;C-支持向量机及其改进[J];唐山师范学院学报;2012年05期

5 李逢焕;;试述不确定支持向量机应用分析及改进思路[J];中国证券期货;2012年12期

6 邵惠鹤;支持向量机理论及其应用[J];自动化博览;2003年S1期

7 曾嵘,蒋新华,刘建成;基于支持向量机的异常值检测的两种方法[J];信息技术;2004年05期

8 张凡,贺苏宁;模糊判决支持向量机在自动语种辨识中的研究[J];计算机工程与应用;2004年21期

9 魏玲,张文修;基于支持向量机集成的分类[J];计算机工程;2004年13期

10 沈翠华,邓乃扬,肖瑞彦;基于支持向量机的个人信用评估[J];计算机工程与应用;2004年23期

相关会议论文 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集（一）[C];2005年

3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年

7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

10 侯澍e，

本文编号：1499127