陳玉萍

（安徽公安職業(yè)學(xué)院科信部，安徽合肥230031）

大規(guī)模人群聚集活動(dòng)網(wǎng)絡(luò)關(guān)注的信息熵計(jì)算

陳玉萍

（安徽公安職業(yè)學(xué)院科信部，安徽合肥230031）

隨著社交網(wǎng)絡(luò)的發(fā)展，人們?cè)诰W(wǎng)絡(luò)上對(duì)大規(guī)模人群聚集活動(dòng)的關(guān)注也越來越深刻地影響著現(xiàn)實(shí)社會(huì)的活動(dòng).由于缺乏有效的技術(shù)手段，信息處理的效率受到了限制.提出了一種新的大規(guī)模人群聚集活動(dòng)信息熵的計(jì)算方法，其基本思想是首先對(duì)大規(guī)模人群聚集活動(dòng)信息內(nèi)容進(jìn)行建模，然后以香農(nóng)信息論為理論基礎(chǔ)，對(duì)大規(guī)模人群聚集活動(dòng)的多維隨機(jī)變量信息熵進(jìn)行計(jì)算.該方法為大規(guī)模人群聚集活動(dòng)的定量化分析提供了一個(gè)重要技術(shù)指標(biāo)，為進(jìn)一步的研究工作打下基礎(chǔ).

社會(huì)計(jì)算；大規(guī)模人群聚集活動(dòng)；香農(nóng)信息論；信息熵；最大熵理論

0 引言

信息技術(shù)的快速發(fā)展推動(dòng)了生活、生產(chǎn)方式的巨大變革[1-3]，基于Web 2.0基礎(chǔ)的信息技術(shù)更是引發(fā)了網(wǎng)絡(luò)社交的繁榮發(fā)展[4-5]，通過這種方式，公眾的信息意見能夠快速、充分地利用網(wǎng)絡(luò)社交平臺(tái)得到反饋，對(duì)于社會(huì)的影響力也在不斷增強(qiáng)[6-8].尤其是近兩年，國(guó)內(nèi)頻繁發(fā)生大規(guī)模的群體聚集活動(dòng)，這就要求政府應(yīng)該加強(qiáng)對(duì)互聯(lián)網(wǎng)信息平臺(tái)的管理，能夠及時(shí)關(guān)注網(wǎng)絡(luò)上的輿論導(dǎo)向，并且要求能夠從中快速對(duì)相關(guān)事件信息進(jìn)行分析整理，這也是當(dāng)前社交網(wǎng)絡(luò)發(fā)展中所應(yīng)當(dāng)重點(diǎn)開發(fā)和研究的領(lǐng)域[9-12].

而對(duì)于群體性事件其影響程度以及重要程度的衡量，要求制定更加科學(xué)合理的方法，對(duì)于事件的衡量，如果僅僅通過網(wǎng)民反饋，得到的結(jié)果不僅不全面而且也是不夠細(xì)致深入的.這種事件分析機(jī)制不僅不能夠?qū)τ谑录举|(zhì)進(jìn)行有效的分析，而且得到的結(jié)果也是存在著較大滯后性，甚至可能得到誤導(dǎo)性的結(jié)果[13].同時(shí)，基于當(dāng)前所形成的計(jì)算方法，主要用于交互關(guān)系計(jì)算、媒體挖掘等方面[14-15].關(guān)于公眾意見分析的相關(guān)研究仍舊是相對(duì)滯后的，與之對(duì)應(yīng)的理論體系尚未能夠有效建立，特別是在量化分析指標(biāo)上仍舊是相對(duì)缺失的，故此，需要通過社會(huì)計(jì)算方法實(shí)現(xiàn)對(duì)此問題的充分解決.

當(dāng)前，大規(guī)模人群聚集活動(dòng)的文本方式已經(jīng)成為了實(shí)現(xiàn)信息傳播的重要方式，通過對(duì)其中的信息量進(jìn)行分析，能夠?qū)κ录挠绊懥?、輿論?dǎo)向能力形成更加清楚、明確的量化分析指標(biāo).本研究中，提出了一種新的大規(guī)模人群聚集活動(dòng)信息熵的計(jì)算方法，利用了最大熵等理論，對(duì)大規(guī)模人群聚集活動(dòng)的多維隨機(jī)變量信息熵進(jìn)行計(jì)算.

1 大規(guī)模人群聚集活動(dòng)數(shù)學(xué)模型

1.1 大規(guī)模人群聚集活動(dòng)的分析模型

圖1展示了網(wǎng)絡(luò)文本事件的基本結(jié)構(gòu)圖.在計(jì)算信息量時(shí)，需要完成的基本工作就是對(duì)整個(gè)大規(guī)模人群聚集活動(dòng)的基本構(gòu)成進(jìn)行分析.分析該結(jié)構(gòu)圖能夠得出主體、地點(diǎn)、時(shí)間、數(shù)量、未抽取信息，構(gòu)成了主要的信息內(nèi)容.除了基于事件主體所具有的不同的屬性特征，其他的影響因素還包括分析社會(huì)（自然）角色、社會(huì)（自然）關(guān)系、主體行為、所屬機(jī)構(gòu)體系等，而對(duì)于事件而言，具有的屬性僅有一個(gè)：社會(huì)（自然）類別.

設(shè)事件信息為全集U，由n個(gè)子集U1，U1，…，Un構(gòu)成，其中取10，U1表示事件主體集合，U2則代表了社會(huì)（自然）角色集合，U3代表社會(huì)（自然）關(guān)系，U4指的是所屬機(jī)構(gòu)或體系集合，U5為時(shí)間信息集合，U6為主體行為集合，U7為地點(diǎn)集合，U8為數(shù)量集合，U9為事件社會(huì)（自然）類別集合，U10指代了未抽取信息.依據(jù)定義能夠得出滿足U=U1∪U2∪…Un.

圖1 大規(guī)模人群聚集活動(dòng)結(jié)構(gòu)

通過上述分析能夠得出，其中包含的基本要素有5個(gè)，關(guān)聯(lián)屬性有5個(gè)，該結(jié)構(gòu)方式對(duì)于大規(guī)模人群聚集活動(dòng)的研究與分析是最為簡(jiǎn)單的，也是經(jīng)過簡(jiǎn)化之后的方法.其中涵蓋了幾乎所有的大規(guī)模人群聚集活動(dòng)文本信息.

研究發(fā)現(xiàn)，整個(gè)條件信息量會(huì)受到屬性、要素之間彼此作用的影響，而發(fā)生變化.關(guān)于圖1中的信息模塊，其是基于文本信息抽取項(xiàng)的相關(guān)研究，其中涉及的研究對(duì)象有主體、時(shí)間、機(jī)構(gòu)等.如果在一個(gè)大規(guī)模人群聚集活動(dòng)中，包含的隨機(jī)變量有n個(gè)，那么此時(shí)可以以X=（X1，X2，…，Xn）代表整個(gè)事件，故此時(shí)的事件組成為隨機(jī)信息系統(tǒng).

依據(jù)哲學(xué)相關(guān)理論，對(duì)于一個(gè)系統(tǒng)而言，其中的構(gòu)成部分彼此之間是相互關(guān)聯(lián)的.故此，盡管圖1表現(xiàn)出的屬性與要素?cái)?shù)量都是相對(duì)較少的，但是彼此之間的關(guān)聯(lián)性是十分復(fù)雜的，在圖1中僅對(duì)其中簡(jiǎn)單的隸屬關(guān)系展開論述.

1.2 基于多維隨機(jī)變量構(gòu)建大規(guī)模人群聚集活動(dòng)分析模型

此時(shí)構(gòu)成大規(guī)模人群聚集活動(dòng)的隨機(jī)變量數(shù)量共有n個(gè)，則此時(shí)可以通過（X1，X2，…，Xn）來代表整個(gè)隨機(jī)事件，故此，隨機(jī)事件本質(zhì)上是一個(gè)隨機(jī)信息系統(tǒng)，可以用X表示.

此時(shí)我們指定其中包含的隨機(jī)變量數(shù)量為10，此時(shí)將活動(dòng)的主體名稱以X1代表，將其中的社會(huì)角色以X2代表，用X3以代表社會(huì)（自然）關(guān)系，則X4指的是主體所屬機(jī)構(gòu)、體系，X5指代了時(shí)間信息，X6則代表了主體行為，X7為地址信息，X8代表了數(shù)量信息，X9代表了輿情類別，X10指代未抽取信息.

2 計(jì)算大規(guī)模人群聚集活動(dòng)熵

2.1 香農(nóng)信息熵

人類針對(duì)信息的研究中，實(shí)現(xiàn)的重大突破就是實(shí)現(xiàn)了對(duì)信息的有效度量與計(jì)算，其中最具代表性的就是香農(nóng)理論，下面對(duì)其進(jìn)行簡(jiǎn)單闡述：

熵（entropy）這一概念是該理論最具代表性的特征體現(xiàn)，該理論論證了信息的不確定性與其熵之間是存在著一定的對(duì)應(yīng)關(guān)系.

定義：對(duì)于一個(gè)隨機(jī)變量而言，其熵H（X）可界定為：

由式（1）能夠得出，此時(shí)熵H（X）為服從于p（x）的概率分布函數(shù)，X中具有的平均信息都能夠通過該熵得以分析.將通過該公式對(duì)于大規(guī)模人群聚集活動(dòng)信息熵展開論述分析.

2.2 最大熵理論的計(jì)算方法

2.2.1 最大熵的數(shù)學(xué)表示

1）如果此時(shí)的約束條件是給定的，那么依據(jù)最大熵原理可以得到最佳的概率分布，此時(shí)的問題就轉(zhuǎn)換成為了拉格朗日方法求極值的問題.

2）計(jì)算過程

求n元函數(shù)的f（x1，x2，…，xn）在m（m＜n）個(gè)約束條件下的條件極值，常數(shù)1，λ1，λ2，…，λm依此乘f，φ1，φ2，…，φm然后累加起來得到函數(shù)F（x1，x2，…xn）.

F（x1，x2，…，xn）=f+λ1φ1+λ2φ2+…+λmφm.（3）然后列出F（x1，x2，…，xn）無(wú)約束條件時(shí)具有極值的必要條件，

把這n個(gè)方程和m個(gè)約束條件方程進(jìn)行聯(lián)立，即可求出（n+m）個(gè)（x1，x2，…，xn），（λ1，λ2，…，λn）的值，由公式（4）可知，函數(shù)的一階導(dǎo)數(shù)為零，則x1，x2，…，xn即為得到的極值點(diǎn)，也可將其稱之為駐點(diǎn).

基于熵F（x）函數(shù)為f（x）的泛函，此時(shí)通過拉格朗日方法得出的解值為而非.

2.2.2 離散型隨機(jī)變量的最大熵分布形式

假設(shè)此時(shí)X為離散型隨機(jī)變量，而且其可取值x1，x2，…，xn，相應(yīng)的概率記為p1，p2，…，pn，則H（x）最大的充要條件

對(duì)pi求偏導(dǎo)數(shù)，根據(jù)求取最值的必要條件，得到方程組：

求解：pi=exp（λ-1），為常數(shù).

如果離散隨機(jī)變量可取值的個(gè)數(shù)是有限的，那么此時(shí)如果其對(duì)于每一個(gè)取值都具有相同的概率，那么此時(shí)得到的信息熵是最大的，此時(shí)得到的即為最大熵分布.

由此能夠得出結(jié)論，從中得到函數(shù)，該函數(shù)是嚴(yán)格單調(diào)函數(shù)，這是本研究中得出的重要結(jié)論，依據(jù)該結(jié)論能夠?qū)崿F(xiàn)對(duì)大規(guī)模人群聚集活動(dòng)的有效計(jì)算，而且能夠保證結(jié)果是嚴(yán)格單調(diào)的，見圖2.

圖2 熵H（x）函數(shù)的單調(diào)性

3 基于最大熵理論對(duì)大規(guī)模人群聚集活動(dòng)信息熵進(jìn)行計(jì)算

3.1 構(gòu)建分析模型

此時(shí)可以X=（X1，X2，…，X10）代表大規(guī)模人群聚集活動(dòng)，其中X1：主體，X2：角色，X3：關(guān)系，X4：所屬機(jī)構(gòu)、體系，X5：時(shí)間，X6：行為，X7：地點(diǎn)，X8：數(shù)量，X9：類別，X10：未抽取信息.

3.2.構(gòu)建知識(shí)庫(kù)

設(shè)Xn為大規(guī)模人群聚集活動(dòng)中的某個(gè)分變量，此時(shí)如果以M代表其取值結(jié)合，滿足M1，M2，M3，…，Mn?M，同時(shí)滿足M1∪M2∪M3∪…∪Mn?M.

下面以大規(guī)模人群聚集活動(dòng)的計(jì)算為例，對(duì)9個(gè)隨機(jī)變量的取值集合問題展開論述分析，提出本研究的信息熵計(jì)算方法，其中選擇的關(guān)鍵詞都是富有代表性的，并且利用這些關(guān)鍵詞集合得到了知識(shí)庫(kù)，利用該知識(shí)庫(kù)能夠?qū)@9個(gè)變量的取值集合進(jìn)行充分的考察，對(duì)此進(jìn)行簡(jiǎn)單描述.

3.2.1 變量X1（事件主體名）取值范圍

主體名稱可以是地點(diǎn)名稱、機(jī)構(gòu)或人物名稱等，此時(shí)將其依據(jù)子集進(jìn)行分類，當(dāng)有一次關(guān)鍵詞匹配的時(shí)候，q1=1，若無(wú)則取q1=0.

通過上述分析能夠得出，X1代表了事件主體名稱，為離散隨機(jī)的，以M代表其取值的集合，其中滿足M1，M2，M3，M4■M，并且M1∪M2∪M3∪M4?M.

基于公眾對(duì)于一般信息的敏感情況，可以將知名度進(jìn)行類別劃分，并將其與主體取值的子集一一對(duì)應(yīng)，此時(shí)M4代表了取值的基本集合.

依據(jù)公眾信息敏感度可做如下劃分：

M1信息敏感度度第一等級(jí)，此時(shí)可繼續(xù)進(jìn)行分子集的劃分L1，L2，…；L1運(yùn)動(dòng)名人；

…

M4第四等級(jí)，同樣繼續(xù)劃分子集L1，L2，….

本研究中，對(duì)于等級(jí)的劃分主要目標(biāo)是為了簡(jiǎn)化問題，以實(shí)現(xiàn)對(duì)此類問題的更好說明，而且如果此時(shí)存在與取值相匹配的值，則此時(shí)取值為1.關(guān)于加權(quán)值的計(jì)算方法將在后續(xù)研究中不斷完善.

即當(dāng)X1=x1，若x1∈M1-M4，此時(shí)得到q1=1，否則q1=0，其他情況與之類似.

可將形式化命題邏輯判斷作出如下說明：

通過上述分析能夠得出，匹配計(jì)算即為對(duì)一階謂詞進(jìn)行邏輯判斷.

命題A：X1存在一個(gè)取值，即當(dāng)X1=x1，邏輯為真.

命題B：當(dāng)x1∈M1或x1∈M2或…或x1∈M4，只要其中有一個(gè)是成立的，那么此時(shí)證明邏輯為真.

如果A∧B合取式為真，則此時(shí)說明q1存在一次取值1.

反之，如果A∧B為假，則此時(shí)q1有取值0.此時(shí)未對(duì)計(jì)算作出貢獻(xiàn).

3.2.2 X5變量（時(shí)間信息）的取值范圍

X5代表了事件時(shí)間信息，整個(gè)取值集合為M，其中包含的元素是各個(gè)時(shí)段，M1，M2，M3，…，M6∪M為其中的子集，滿足M1∪M2∪M3∪…∪M6∪M.

進(jìn)行一階謂詞邏輯判斷：

命題I：X5有一個(gè)取值，即當(dāng)X5=x5，邏輯為真.

命題J：當(dāng)x5∈M1或x5∈M2或…或x5∈M6，或中一個(gè)成立時(shí)，邏輯為真.

如果I∧J的合取式是真的，那么此時(shí)q5取值1.

反之，如果I∧J合取式為假，此時(shí)q5取值0.此時(shí)并且對(duì)計(jì)算值產(chǎn)生影響.

3.2.3 X7變量（地址信息）的取值范圍

此時(shí)X7代表著事件的地址信息，屬于離散型的隨機(jī)變量，此時(shí)以M代表其取值范圍其中涵蓋了若干子集M1，M2，M3，…，M14∪M，滿足M1∪M2∪M3∪…∪M14∪M.

進(jìn)行一階謂詞邏輯判斷：

命題N：X7有一個(gè)取值，即當(dāng)X7=x7，邏輯為真.

命題O：當(dāng)x7∈M1或x7∈M2或…或x7∈M14，或當(dāng)其中有一個(gè)是成立的，那么此時(shí)判斷邏輯為真.

則當(dāng)N∧O的合取式為真時(shí)，表示q7有一次取值，為1.

當(dāng)N∧O的合取式為假時(shí)，表示q7有一次取值，為0.這種情況下，對(duì)計(jì)算值無(wú)貢獻(xiàn).

3.3 大規(guī)模人群聚集活動(dòng)信息熵的計(jì)算公式

該問題的計(jì)算本質(zhì)上是在一定的條件限制下，求解最大熵的問題，此時(shí)的熵函數(shù)在形式上與一維隨機(jī)變量是類似的，而且此時(shí)熵值可為任意正數(shù).

當(dāng)取得最大熵值時(shí)，此時(shí)得到的聯(lián)合分布將會(huì)呈現(xiàn)出均勻分布的特征，分變量的取值見表1，具體計(jì)算公式如下：

用qi表示隨機(jī)變量Xi的取值次數(shù)總數(shù)，當(dāng)有一次基本集合的取值時(shí)，q1=1.

由約束條件可知：p（x1，x2，…，x，則熵函數(shù)表示為：

表1 分變量的取值

利用該公式能夠?qū)崿F(xiàn)大規(guī)模人群聚集活動(dòng)的信息熵計(jì)算，而且能夠得出公式是嚴(yán)格單調(diào)的.

4 實(shí)驗(yàn)

4.1 計(jì)算信息熵

計(jì)算信息抽取形式的“WTA本周看點(diǎn)：科貝爾爭(zhēng)衛(wèi)冕大威盼擺脫一怪圈”的信息熵值，對(duì)于qi值采取逐項(xiàng)計(jì)算匹配的方式，見表2.

表2 X的加權(quán)值

此處采取的是自然對(duì)數(shù)的計(jì)算方法：H=ln（104×342×15×8×6×41×10×10×3），保留到小數(shù)點(diǎn)后兩位.

4.2 對(duì)比分析同類事件的熵值大小

本研究基于2016年發(fā)生的大規(guī)模人群聚集活動(dòng)，展開了案例分析.從中進(jìn)行了信息提取與篩選，而且經(jīng)過了十分復(fù)雜的計(jì)算，得到了最終的計(jì)算結(jié)果如下表3所示，此時(shí)熵值1代表的是抽取信息之后得到的計(jì)算結(jié)果，通過本實(shí)驗(yàn)?zāi)軌驅(qū)λ惴▎握{(diào)性進(jìn)行論證，并且對(duì)比分析不同事件中涵蓋的信息量大小.

綜合表3數(shù)據(jù)結(jié)果，能夠得出趨勢(shì)圖，見圖3，對(duì)此進(jìn)行分析能夠得出，此時(shí)呈現(xiàn)出一種單調(diào)變化的趨勢(shì)關(guān)系.而且通過該趨勢(shì)圖也能夠論證本研究方法是正確、合理的.

由此能夠得出，最小熵值事件為“吉奧爾吉拒參加聯(lián)杯因不滿意大利網(wǎng)協(xié)強(qiáng)硬態(tài)度”，值為20.14，分析其原因，由于該事件的文本信息十分短，整個(gè)事件尚處于爆發(fā)的初期階段，此時(shí)內(nèi)容里面涵蓋的信息量也是比較匱乏的.具有最大熵值的為“休斯頓賽2號(hào)種子吞完敗出局鄭泫逆轉(zhuǎn)本土選手”，因?yàn)榉N子選手完敗，整個(gè)文本內(nèi)容包含了極為豐富的信息，此時(shí)得到的信息量更加接近于直覺感官.

表3 計(jì)算結(jié)果排序

圖3 計(jì)算方法的合理性驗(yàn)證

4.3 信息抽取方法對(duì)整個(gè)結(jié)果的影響

信息抽取方法必定會(huì)對(duì)整個(gè)的熵值計(jì)算產(chǎn)生影響，故此，想要獲得更加合理的計(jì)算值，要求進(jìn)行如下兩步操作：

1）過濾重復(fù)項(xiàng)：指的是對(duì)于期間重復(fù)出現(xiàn)的內(nèi)容進(jìn)行有效的過濾，得到結(jié)果如表3第2列.

2）共指消解：在完成過濾之后，需要進(jìn)一步實(shí)施共指消解處理，對(duì)于其中的冗余信息進(jìn)行消除，得到結(jié)果表3第3列項(xiàng)所示.

圖3展示的為進(jìn)行了信息抽取之后的結(jié)果，此時(shí)將其與圖4即同時(shí)進(jìn)行了過濾與消解兩個(gè)步驟的結(jié)果進(jìn)行對(duì)比，此時(shí)得到的熵值差距不大的事件在排序上是存在差異的，但是結(jié)果的單調(diào)特征并未受到影響.

圖4 對(duì)比試驗(yàn)

經(jīng)過上述實(shí)驗(yàn)?zāi)軌虻贸觯瑢?duì)于類型不同的事件，當(dāng)進(jìn)行了過濾、共指消解操作后，產(chǎn)生的影響效果是一致的，都會(huì)使得熵值有所降低.

5 結(jié)束語(yǔ)

結(jié)合最大熵與香農(nóng)理論，針對(duì)大規(guī)模人群聚集活動(dòng)如何實(shí)現(xiàn)對(duì)其信息熵的有效計(jì)算提出了可行性算法，實(shí)現(xiàn)對(duì)該事件的定量性分析.所使用的方法是對(duì)于最大熵理論的有效運(yùn)用，而且對(duì)于解決社會(huì)中的其他定量分析問題也是具有重要的借鑒作用的.本研究算法的設(shè)計(jì)依舊是以當(dāng)前的社會(huì)計(jì)算理論為依據(jù)的，因此仍需要在后續(xù)的研究實(shí)踐中不但加強(qiáng)對(duì)此類方法的研究與分析.

參考文獻(xiàn)：

[1]SPARAVIGNA A C.Mutual Information and Nonadditive Entropies：A Method for Kaniadakis Entropy[J].International Journal of Sciences，2015，4（10）：5-8.

[2]HOIL，SHIHSC，TSAICP，etal.CombiningGreyRelationalAnalysisandInformationEntropyforGovernmentDecisionMaking[J].InternationalJournalofKanseiInformation，2015，6（3）：53-62.

[3]TSERKISST，MOUSTAKIDISCC，MASSENSE，etal.QuantumTunnelingandInformationEntropyinaDoubleSquareWellPotential：TheAmmoniaMolecule[J].PhysicsLettersA，2014，378（5）：497-504.

[4]VladimirHnizdo，JunTan，BenjaminJ.Killian，etal.EfficientCalculationofConfigurationalEntropyfromMolecularSimulationsbyCombiningtheMutualinformationExpansionandNearestNeighborMethods[J].JournalofComputationalChemistry，2008，29（10）：1605-1604.

[5]HESSLINGJP.SubjectivityinApplicationofthePrincipleofMaximumEntropy[J].OpenJournalofStatistics，2013，3（6）：1-8.

[6]SZEGA M.Application of the Entropy Information for the Optimization of an Additional Measurements Location in Thermal Systems[J]. ArchivesofThermodynamics，2011，32（3）：215-229.

[7]SABIROVDS，OSAWAE.InformationEntropyofFullerenes[J].JournalofChemicalInformationandModeling，2015，55（8）：1576-1584.

[8]SHIL，LUOF.ResearchonRiskEarly-WarningModelinAirportFlightAreaBasedonInformationEntropyAttribute Reduction and BP NeuralNetwork[J].InternationalJournalofSecurityandItsApplications，2015，9（10）：313-322.

[9]MoritaM.Measuringcosmicinhomogeneitieswithinformationentropy[C]//AmericanInstituteofPhysics，2013：97-100.

[10]MRAZOVACB，BJELICAMZ，KUKOLJD.Device-freeIndoorHumanPresenceDetectionMethodBasedontheInformationEntropyof RSSIVariations[J].ElectronicsLetters，2013，49（22）：1386-1388.

[11]FERREIRARC，BRIONESMRS.PhylogeneticEvidenceBasedonTrypanosomaCruziNuclearGeneSequencesandInformation EntropySuggestthatInter-strainIntragenicRecombinationisaBasicMechanismUnderlyingtheAlleleDiversityofHybridStrains[J].Infection，GeneticsandEvolution，2012，12（5）：1064-1071.

[12]SABIROV D S，SHEPELEVICH I S.Information Entropy of Oxygen Allotropes.A still open Discussion about the Closed Form of Ozone [J].ComputationalandTheoreticalChemistry，2015，1073：61-66.

[13]WELTMANJK.MappingZaireEbola Virus Glycoprotein Organization onto Information Entropy[J].Chinese Optics Letters，2015，10（9）：090501.

[14]SANDSD，DUNNING-DAVIESJ.Information，Entropy，andtheClassicalIdealGas[C]//ThePhysicsofReality：Space，Time，Matter，Cosmos.WorldScientific，2013，1：196-206.

[15]VIEIRATM，VISWANATHANGM，DASILVALR.InformationEntropyofClassicalVersusExplosivePercolation[J].TheEuropean PhysicalJournalB，2015，88（9）：213.

（責(zé)任編輯王穎莉）

Information Entropy Calculation of Network Attention in Large-scale Population Gathering Activities

CHEN Yu-ping
(Department of Science&Technology Information,Anhui Vocational College of Public Security,Hefei,Anhui 230031,China)

Along with the development of the social network,people’s attention to large scale population gathering activities in the network has become more and more profoundly influential to the activities in the real society. Due to the lack of the effective technical means,the efficiency of information processing has been limited.This paper puts forward a new computation method for large scale population gathering activities information entropy,the basic idea of which is to first carry out modeling on large scale population gathering activities information content.And then,based on the theory of Shannon information theory,it performs computation on the multidimensional random variables information entropy of large scale population gathering activities.

social computing;large-scale population gatheringactivities;Shannon information theory;information entropy

TP393

A

1673-1972（2017）03-0065-08

2017-03-11

安徽省教育廳自然科學(xué)研究項(xiàng)目（KJ2017A865）

陳玉萍（1978-），女，安徽霍邱人，講師，主要從事計(jì)算機(jī)應(yīng)用研究.