艾敬怡 耿亮 安彧 胡孜睿
摘? 要: 根據(jù)前人研究成果對(duì)網(wǎng)絡(luò)輿情影響因素進(jìn)行分析,構(gòu)建出基于相關(guān)向量機(jī)的網(wǎng)絡(luò)輿情反轉(zhuǎn)預(yù)測(cè)模型。通過對(duì)46個(gè)輿情事件的訓(xùn)練和預(yù)測(cè),發(fā)現(xiàn)相關(guān)向量機(jī)的預(yù)測(cè)精度和預(yù)測(cè)時(shí)間均優(yōu)于支持向量機(jī)。由此可知,相關(guān)向量機(jī)具有良好的應(yīng)用前景,對(duì)于及時(shí)發(fā)現(xiàn)反轉(zhuǎn)輿情,規(guī)避輿情反轉(zhuǎn)風(fēng)險(xiǎn)具有現(xiàn)實(shí)意義。
關(guān)鍵詞: 網(wǎng)絡(luò)輿情; 輿情反轉(zhuǎn); 相關(guān)向量機(jī); 支持向量機(jī)
中圖分類號(hào):G206.3? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A? ? ?文章編號(hào):1006-8228(2023)05-113-05
Research on the prediction of network public opinion reversal
based on relevance vector machine
Ai Jingyi, Geng Liang, An Yu, Hu Zirui
(School of Science, Hubei University of Technology, Wuhan, Hubei 430068, China)
Abstract: In this paper, we analyze the influencing factors of network public opinion, and construct a prediction model of network public opinion reversal based on RVM. Through the training and prediction of 46 public opinion events, it is found that the prediction accuracy and prediction time of RVM are better than those of SVM. It can be seen that RVM has good application prospects, which is of practical significance for timely detection and avoidance of the risk of public opinion reversal.
Key words: network public opinion; public opinion reversal; relevance vector machine (RVM); support vector machine (SVM)
0 引言
據(jù)第49次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示,截至2021年12月,我國(guó)網(wǎng)民規(guī)模達(dá)10.32億,網(wǎng)民人均每周上網(wǎng)時(shí)長(zhǎng)為28.5小時(shí)[1]。網(wǎng)絡(luò)輿情事件逐漸呈現(xiàn)出頻率高、規(guī)模大、傳播門檻低、影響廣等特點(diǎn),這增加了大眾甄別、判斷虛假輿情的難度[2,3]。網(wǎng)絡(luò)輿情反轉(zhuǎn)在傳播過程中,網(wǎng)民的態(tài)度情緒前后互逆,當(dāng)更多的事件細(xì)節(jié)不斷出現(xiàn),真相慢慢浮出水面時(shí),該事件的熱度可能會(huì)再一次猛然上升,使得輿情事件爆發(fā)頻次增加,討論時(shí)間延長(zhǎng),輿情的發(fā)展環(huán)境呈現(xiàn)出與普通輿情不同的狀態(tài),增加了政府或相關(guān)監(jiān)管部門治理網(wǎng)絡(luò)輿情的難度,有些輿情反轉(zhuǎn)事件甚至?xí)l(fā)社會(huì)不穩(wěn)定情緒和社會(huì)矛盾[4]。面對(duì)網(wǎng)絡(luò)輿情反轉(zhuǎn)帶來的一系列影響,本文探究了網(wǎng)絡(luò)輿情反轉(zhuǎn)的影響因素,基于相關(guān)向量機(jī)(RVM)的方法構(gòu)建了網(wǎng)絡(luò)輿情反轉(zhuǎn)預(yù)測(cè)模型,預(yù)測(cè)網(wǎng)絡(luò)輿情事件是否會(huì)反轉(zhuǎn),并與傳統(tǒng)的支持向量機(jī)模型進(jìn)行對(duì)比分析,最終獲得更為準(zhǔn)確的預(yù)測(cè)結(jié)果,期望能為政府治理網(wǎng)絡(luò)輿情反轉(zhuǎn)提供參考依據(jù),構(gòu)建清朗的網(wǎng)絡(luò)環(huán)境。
1 研究現(xiàn)狀
1.1 網(wǎng)絡(luò)輿情的定義與特征
對(duì)于網(wǎng)絡(luò)輿情的定義,不同的學(xué)者對(duì)其有著不同的見解與認(rèn)識(shí)。姜?jiǎng)俸檎J(rèn)為網(wǎng)絡(luò)輿情是指媒體工作者或公民借助互聯(lián)網(wǎng),對(duì)某一社會(huì)問題或熱點(diǎn)事件等的集中反映,這些意見或言論一般具有一定的影響力,同時(shí)帶有傾向性[5];劉毅認(rèn)為網(wǎng)絡(luò)輿情就是指在網(wǎng)絡(luò)空間內(nèi),公眾對(duì)自己比較關(guān)心的或者與自身利益緊密相關(guān)的事務(wù)所擁有的多種情緒、意見和態(tài)度的綜合[6]。
1.2 網(wǎng)絡(luò)輿情反轉(zhuǎn)相關(guān)研究
目前針對(duì)輿情反轉(zhuǎn)的研究主要分為定性研究和定量研究?jī)煞N方法。定性研究主要集中在網(wǎng)絡(luò)輿情反轉(zhuǎn)的內(nèi)涵[7]、成因[8]、影響因素[9]和應(yīng)對(duì)策略[10]等方面。袁野等從事件性質(zhì)、報(bào)道傾向、報(bào)道形式、首發(fā)平臺(tái)和網(wǎng)民相關(guān)度五個(gè)角度識(shí)別網(wǎng)絡(luò)輿情反轉(zhuǎn)的影響因素[9]。少數(shù)學(xué)者針對(duì)網(wǎng)絡(luò)輿情反轉(zhuǎn)做了定量研究,主要預(yù)測(cè)輿情反轉(zhuǎn)事件的類別和預(yù)測(cè)輿情事件是否會(huì)發(fā)生反轉(zhuǎn)。王楠等提出了改進(jìn)KE-SMOTE算法,可以將不均衡的輿情事件樣本進(jìn)行處理,構(gòu)建以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的集成學(xué)習(xí)預(yù)測(cè)模型[11]。
上述學(xué)者的研究成果為本文奠定了良好的理論基礎(chǔ),但是依舊存在只針對(duì)一個(gè)具體輿情反轉(zhuǎn)事件進(jìn)行分析和輿情事件數(shù)量較少的問題。相關(guān)向量機(jī)(RVM)是一種常用的監(jiān)督學(xué)習(xí)算法,由于其優(yōu)越的學(xué)習(xí)能力,已在醫(yī)學(xué)影像處理,故障智能診斷和高光譜圖像分類等方面取得了較好的應(yīng)用效果,但是尚未出現(xiàn)運(yùn)用相關(guān)向量機(jī)預(yù)測(cè)網(wǎng)絡(luò)輿情反轉(zhuǎn)的研究。基于此,本文隨機(jī)抽取了46個(gè)網(wǎng)絡(luò)輿情事件,選取了合理的輿情特征指標(biāo),構(gòu)建了基于相關(guān)向量機(jī)方法的反轉(zhuǎn)輿情預(yù)測(cè)模型,并與傳統(tǒng)的支持向量機(jī)模型進(jìn)行對(duì)比分析,從而為治理網(wǎng)絡(luò)輿情提供參考支持。
2 相關(guān)向量機(jī)
2.1 相關(guān)向量機(jī)簡(jiǎn)介
相關(guān)向量機(jī)(Relevance Vector Machine,簡(jiǎn)稱RVM)是一種與支持向量機(jī)(SVM)類似的稀疏概率模型,能較好地應(yīng)用于回歸問題和分類問題。RVM除了具有SVM的典型優(yōu)點(diǎn)以外,還克服了SVM固有的一些局限,如與SVM相比,RVM更稀疏,從而測(cè)試時(shí)間更短,效率更高;RVM的核函數(shù)[K(x,xi)]不受Mercer條件的限制,其應(yīng)用范圍更廣等。
2.2 RVM分類模型
對(duì)于二分類問題,假設(shè)訓(xùn)練樣本集合為[X=xn,tnNn=1],[xn∈Rd],[tn∈0,1]為類別標(biāo)簽,則RVM的分類函數(shù)如式⑴所示:
[yx,w=n=1NwnKx,xn+w0]? ⑴
其中,[w=w0,w1,…,wNT],[K(x,xn)]為核函數(shù)。
通過logistic sigmoid連接函數(shù)[σy=1/1+e-y]將[yx]轉(zhuǎn)換為線性模型,則數(shù)據(jù)集的似然估計(jì)概率如式⑵所示:
[pt|w=n=1Nσyxn,wtn1-σyxn,w1-tn]? ⑵
為了確保模型的稀疏性,RVM為每個(gè)權(quán)參數(shù)[wi]都引入了一個(gè)單獨(dú)的超參數(shù)[αi],并定義其服從零均值高斯先驗(yàn)概率分布:
[pw|σ=i=0NNwi|o,α-1i]? ⑶
假設(shè)給定新的待測(cè)試樣本[x*],則相應(yīng)的目標(biāo)值[t*]的預(yù)測(cè)分布如式⑷所示:
[pt*|t=pt*|w,αpw,α|tdwdα]? ⑷
3 網(wǎng)絡(luò)輿情反轉(zhuǎn)預(yù)測(cè)模型
3.1 網(wǎng)絡(luò)輿情反轉(zhuǎn)指標(biāo)構(gòu)建
根據(jù)信息傳播機(jī)理和網(wǎng)絡(luò)輿情的有關(guān)理論,網(wǎng)絡(luò)輿情事件的組成要素包括主體、客體、本體和媒體四部分。本文以網(wǎng)絡(luò)輿情的四個(gè)組成要素和相關(guān)學(xué)者的研究成果為依據(jù)構(gòu)建網(wǎng)絡(luò)輿情反轉(zhuǎn)的指標(biāo)體系,如表1所示。
⑴ 輿情事件類型(T)
《2020年中國(guó)互聯(lián)網(wǎng)輿情報(bào)告》顯示2015-2019年輿情事件類型主要集中在社會(huì)矛盾、公共安全和公共管理。本文令輿情事件類型[N∈0,1],將極易發(fā)生反轉(zhuǎn)的社會(huì)公德與倫理、行政執(zhí)法、民生生活和文化教育歸為一類,賦值1,將不屬于這幾個(gè)類型的事件賦值為0。
⑵ 輿情首發(fā)主體權(quán)威度(A)
首發(fā)主體就是輿情突發(fā)事件的首次發(fā)布人或機(jī)構(gòu)。權(quán)威媒體的新聞制作方式較嚴(yán)謹(jǐn),而非權(quán)威媒體的新聞制作方式不受報(bào)道規(guī)則的拘束。因此首發(fā)主體是否為官方媒體,也是影響輿情是否會(huì)反轉(zhuǎn)的關(guān)鍵因素。本文令輿情首發(fā)主體[N∈0,1],如該事件首發(fā)主體為信任度較高的官方媒體渠道則賦值為1,反之賦值為0。
⑶ 權(quán)威媒體參與度(PT)
對(duì)于網(wǎng)絡(luò)事件來說,進(jìn)行相關(guān)報(bào)道的權(quán)威媒體越多,說明事件的清晰度越高,可信程度越高,發(fā)生反轉(zhuǎn)的可能性也就越低。因此,報(bào)道輿情事件的權(quán)威媒體數(shù)量也是衡量輿情是否反轉(zhuǎn)的重要指標(biāo)之一。本文根據(jù)國(guó)家信息中心發(fā)布的《2021中國(guó)網(wǎng)絡(luò)媒體發(fā)展報(bào)告》確定了20家權(quán)威網(wǎng)絡(luò)媒體,其中,中央媒體10家,商業(yè)媒體10家。令權(quán)威媒體參與度為[N∈-1,0,1],若有0-6家媒體報(bào)道此事件,說明參與度較低,賦值為-1;若有7-13家媒體報(bào)道則說明參與度中等,賦值為0;若有14-20家媒體報(bào)道則說明參與度較高,賦值為1。
⑷ 輿情熱度(H)
輿情熱度指的是輿情事件受關(guān)注的程度。輿情熱度通常是由原創(chuàng)微博發(fā)布數(shù)(O)、轉(zhuǎn)發(fā)數(shù)(B)、評(píng)論數(shù)(C)和點(diǎn)贊數(shù)(D)來體現(xiàn)。
① 本文借鑒文獻(xiàn)[12]的方法建立輿情熱度評(píng)價(jià)指標(biāo)體系,所有數(shù)據(jù)以天為時(shí)間單位進(jìn)行統(tǒng)計(jì),其對(duì)應(yīng)關(guān)系如下所示。
第[i]天的原創(chuàng)微博發(fā)布數(shù)、轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)、點(diǎn)贊數(shù)分別為:
[Oi=n,Bi=j=1nbi,j,Ci=j=1nci,j,Di=j=1ndi,j]? ⑸
因此第[i]天的輿情熱度[Hi]表達(dá)式為:
[Hi=w1×Oi+w2×Bi+w3×Ci+w4×Di]? ⑹
② 本文利用信息熵[13]計(jì)算各項(xiàng)指標(biāo)的權(quán)重。
本文采用效益性指標(biāo),為了消除指標(biāo)類型不同和量綱不一致的問題所帶來的影響,使用極值法對(duì)該指標(biāo)進(jìn)行無量綱化處理,得到第[j]項(xiàng)指標(biāo)的熵權(quán)值為:
[wj=1-ejj=1n1-ej=1-ejn-j=1nej0≤wj≤1且j=1nwj=1] ⑺
⑸ 視聽化程度(E)
視聽化程度用以衡量網(wǎng)絡(luò)輿情事件的傳播方式,分為純文本類、圖片加文本類和視頻加文本類。一般認(rèn)為視聽化比例越高的事件,其內(nèi)容直觀性更強(qiáng),所包含的信息量也就越多,越難以造假。其計(jì)算方式參考輿情熱度。
因此,第[i]天的輿情視聽化程度[Ei]為:
[Ei=w5×PVi+w6×PPi]? ⑻
[PVi]為第[i]天的視頻微博數(shù)占博文總數(shù)比例,[PPi]為第[i]天的圖片微博數(shù)占博文總數(shù)比例。
⑹ 網(wǎng)民情感傾向(ET)
網(wǎng)民情感傾向是指公眾對(duì)此次輿情事件的所表現(xiàn)出的主觀態(tài)度,可分為正向、負(fù)面和中立三種狀態(tài)。原創(chuàng)微博最能體現(xiàn)網(wǎng)民的觀點(diǎn)態(tài)度,本文借鑒文獻(xiàn)[4]的方法計(jì)算網(wǎng)民情感傾向。
第[i]天網(wǎng)民負(fù)向情感的占比率為[Pi,-],正向情感的占比率為[Pi,+],中立情感的占比率為[Pi,0]:
[Pi,-=Ni,-NAi,Pi,+=Ni,+NAi,Pi,0=Ni,0NAi]? ⑼
其中,[Ni,-]、[Ni,+]、[Ni,0]分別表示第[i]天網(wǎng)民負(fù)向、正向、中立情感的原創(chuàng)微博數(shù),[NAi]表示第[i]天原創(chuàng)博文總數(shù)量。
⑺ 事件-網(wǎng)民相關(guān)度(RE)
事件-網(wǎng)民相關(guān)度是指網(wǎng)絡(luò)輿情事件與網(wǎng)民的利益相關(guān)程度。本文令網(wǎng)民相關(guān)度為[N∈0,1,2],一般社會(huì)現(xiàn)象定義為弱關(guān)聯(lián),賦值為0;涉及公共利益的公共服務(wù)、基礎(chǔ)等事件屬于中關(guān)聯(lián),賦值1;涉及公眾財(cái)產(chǎn)和生命安全的事件則屬于強(qiáng)關(guān)聯(lián),則賦值2[9]。
3.2 構(gòu)建基于RVM的網(wǎng)絡(luò)輿情反轉(zhuǎn)模型
基于RVM的網(wǎng)絡(luò)輿情反轉(zhuǎn)預(yù)測(cè)模型實(shí)現(xiàn)過程如圖1所示。
⑴ 數(shù)據(jù)獲取。從搜狐網(wǎng)、新華網(wǎng)等主流網(wǎng)站和清博大數(shù)據(jù)等平臺(tái)獲得輿情事件的一些具體信息并進(jìn)行分析。運(yùn)用GooSeker軟件爬取微博平臺(tái)輿情事件的相關(guān)數(shù)據(jù),如評(píng)論數(shù)、轉(zhuǎn)發(fā)數(shù)、首發(fā)平臺(tái)和權(quán)威媒體參與數(shù)等。
⑵ 數(shù)據(jù)預(yù)處理。對(duì)原始指標(biāo)的數(shù)據(jù)進(jìn)行歸一化處理。根據(jù)指標(biāo)構(gòu)建過程可知輸入數(shù)據(jù)為:[x=T,A,PT,Hi,Ei,Pi,-,Pi,+,Pi,0,RE],同時(shí)輸出數(shù)據(jù)的類別標(biāo)簽為是否發(fā)生反轉(zhuǎn),令[y∈0,1],其中0表示事件不發(fā)生反轉(zhuǎn),1表示事件發(fā)生反轉(zhuǎn)。
⑶ 將獲得的數(shù)據(jù)分成兩類,訓(xùn)練樣本和測(cè)試樣本,以標(biāo)準(zhǔn)化處理過的訓(xùn)練數(shù)據(jù)進(jìn)行RVM預(yù)測(cè)模型的訓(xùn)練,選取合適的核函數(shù)和核函數(shù)參數(shù),得到符合此數(shù)據(jù)指標(biāo)精度要求的RVM預(yù)測(cè)模型。
⑷ 將標(biāo)準(zhǔn)化處理過的測(cè)試集輸入到RVM模型中進(jìn)行性能測(cè)試并分析結(jié)果。
4 模型運(yùn)用與評(píng)估
4.1 模型應(yīng)用實(shí)例
本文隨機(jī)抽取了46個(gè)2016~2021年發(fā)生的網(wǎng)絡(luò)輿情熱點(diǎn)事件,其中輿情反轉(zhuǎn)事件和輿情不反轉(zhuǎn)事件各23個(gè),選取30個(gè)事件作為訓(xùn)練樣本集,剩余16個(gè)事件作為測(cè)試樣本集。事件的相關(guān)信息如表2所示。
通過GooSeker等平臺(tái)軟件爬取輿情事件相關(guān)信息。首先確定輿情事件的關(guān)鍵詞,爬取一定時(shí)間下有關(guān)此關(guān)鍵詞的所有原創(chuàng)博文信息。本文選擇了事件發(fā)生后24小時(shí)內(nèi)的相關(guān)信息進(jìn)行分析。
將已得到的指標(biāo)值與標(biāo)簽輸入matlab軟件分別進(jìn)行RVM和SVM模型的構(gòu)建與訓(xùn)練,并進(jìn)行接下來的測(cè)試,得到測(cè)試樣本的預(yù)測(cè)結(jié)果如表3所示。
4.2 模型的評(píng)估與驗(yàn)證
在模型的評(píng)估過程中,通常會(huì)使用準(zhǔn)確率、精確率、召回率和特異度四個(gè)指標(biāo),其具體含義如表4所示。
在本文中正類為輿情反轉(zhuǎn)事件,負(fù)類為輿情不反轉(zhuǎn)事件。由此可得到RVM模型和SVM模型的總體評(píng)估結(jié)果和驗(yàn)證結(jié)果如表5、表 6所示。
根據(jù)實(shí)驗(yàn)結(jié)果可以看出,RVM算法在輿情反轉(zhuǎn)事件中的預(yù)測(cè)效果較好,總體準(zhǔn)確率較高,其值為0.875,而SVM模型的總體準(zhǔn)確率為0.625。相對(duì)RVM模型來說,SVM模型在反轉(zhuǎn)事件的預(yù)測(cè)上表現(xiàn)出了較差的效果,八個(gè)輿情反轉(zhuǎn)事件中只正確識(shí)別出了二個(gè)事件,其余事件全部錯(cuò)分為輿情不反轉(zhuǎn)事件,RVM模型在輿情反轉(zhuǎn)和不反轉(zhuǎn)事件中都只錯(cuò)分了一個(gè)事件。
因?yàn)閮煞N模型都是在matlab軟件中實(shí)現(xiàn)的,所以可以比較兩種模型對(duì)樣本的訓(xùn)練時(shí)間和預(yù)測(cè)時(shí)間如表7所示。由此可知,相關(guān)向量機(jī)的訓(xùn)練時(shí)間較長(zhǎng)但是預(yù)測(cè)時(shí)間較短,在進(jìn)行大規(guī)模輿情時(shí)間的預(yù)測(cè)時(shí),數(shù)據(jù)量較大,使用RVM模型能夠大幅縮短預(yù)測(cè)時(shí)間,具有時(shí)效性。
本文的目的是要根據(jù)輿情事件的初期指標(biāo)值,正確預(yù)測(cè)輿情事件的反轉(zhuǎn)與否,從而為營(yíng)造清朗的網(wǎng)絡(luò)空間提供參考和幫助。從預(yù)測(cè)準(zhǔn)確度上看,RVM模型比SVM模型的預(yù)測(cè)精度更高,能較好地識(shí)別出輿情反轉(zhuǎn)事件;從預(yù)測(cè)時(shí)間角度看,RVM模型的預(yù)測(cè)時(shí)間較SVM模型的短,在大規(guī)模預(yù)測(cè)輿情事件時(shí)具有更實(shí)際的應(yīng)用前景。
5 結(jié)束語
本文借鑒了網(wǎng)絡(luò)輿情及其反轉(zhuǎn)的相關(guān)理論和研究成果,對(duì)影響輿情事件反轉(zhuǎn)與否的因素指標(biāo)進(jìn)行了分析并將其量化處理為模型指標(biāo),構(gòu)建了基于相關(guān)向量機(jī)的網(wǎng)絡(luò)輿情反轉(zhuǎn)預(yù)測(cè)模型。通過對(duì)爬取到的46個(gè)樣本數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測(cè)來評(píng)估RVM模型,并將其與常用的SVM模型進(jìn)行對(duì)比、分析,得到了RVM模型比SVM模型更具有預(yù)測(cè)優(yōu)勢(shì)的結(jié)論。
同時(shí)本文也還存在一些問題。如模型輸出結(jié)果只有反轉(zhuǎn)與不反轉(zhuǎn)兩類標(biāo)簽,在后續(xù)的研究中可以將預(yù)測(cè)準(zhǔn)確度進(jìn)行細(xì)化;此外,可以增加模型的指標(biāo),如網(wǎng)民年齡分布和地域分布或者事件擴(kuò)散程度等,達(dá)到得到更為準(zhǔn)確的預(yù)測(cè)結(jié)果。
參考文獻(xiàn)(References):
[1] 中國(guó)互聯(lián)網(wǎng)絡(luò)中心.第49次中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告[R/OL].(2022-02-25)[2022-06-24].http://www.cnnic.net.cn/n4/2022/0401/c88-1131.html
[2] 張明新.國(guó)內(nèi)網(wǎng)絡(luò)輿情建模與仿真研究綜述[J].系統(tǒng)仿真學(xué)報(bào),2019,31(10):1983-1994
[3] 田世海,孫美琪,張家毓.基于貝葉斯網(wǎng)絡(luò)的自媒體輿情反轉(zhuǎn)預(yù)測(cè)[J].情報(bào)理論與實(shí)踐,2019,42(2):127-133
[4] 江長(zhǎng)斌,鄒悅琦,王虎,等.基于SVM的自媒體輿情反轉(zhuǎn)預(yù)測(cè)研究[J].情報(bào)科學(xué),2021,39(4):47-53,61
[5] 姜?jiǎng)俸?網(wǎng)絡(luò)輿情的內(nèi)涵及主要特點(diǎn)[J].理論界,2010(3):151-152
[6] 劉毅.網(wǎng)絡(luò)輿情與政府治理范式的轉(zhuǎn)變[J].前沿,2006(10):140-143
[7] 夏一雪,蘭月新,劉茉,等.大數(shù)據(jù)環(huán)境下網(wǎng)絡(luò)輿情反轉(zhuǎn)機(jī)理與預(yù)測(cè)研究[J].情報(bào)雜志,2018,37(8):92-96,207
[8] 孫好.后真相時(shí)代輿情反轉(zhuǎn)的成因探析[J].青年記者,2018(23):18-19
[9] 袁野,蘭月新,張鵬,等.基于系統(tǒng)聚類的反轉(zhuǎn)網(wǎng)絡(luò)輿情分類及預(yù)測(cè)研究[J].情報(bào)科學(xué),2017,35(9):54-60
[10] 劉琪,肖人彬.觀點(diǎn)動(dòng)力學(xué)視角下基于意見領(lǐng)袖的網(wǎng)絡(luò)輿情反轉(zhuǎn)研究[J].復(fù)雜系統(tǒng)與復(fù)雜性科學(xué),2019,16(1):1-13
[11] 王楠,李海榮,譚舒孺.基于輿情事件演化分析及改進(jìn)KE-SMOTE算法的輿情反轉(zhuǎn)預(yù)測(cè)研究[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn),2022,6(2):396-407
[12] 楊樹仁,沈洪遠(yuǎn).基于相關(guān)向量機(jī)的機(jī)器學(xué)習(xí)算法研究與應(yīng)用[J].計(jì)算技術(shù)與自動(dòng)化,2010,29(1):43-47
[13] 魏志惠,何躍.基于信息熵和未確知測(cè)度模型的微博意見
領(lǐng)袖識(shí)別——以“甘肅慶陽校車突發(fā)事件”為例[J].情報(bào)科學(xué),2014,32(10):38-43