摘要：在社交媒體時(shí)代，深入研究熱點(diǎn)事件的挖掘與傳播機(jī)制，對(duì)于理解信息傳播和社交網(wǎng)絡(luò)行為具有重要意義。本文旨在探討一種有效捕捉社交媒體上事件相關(guān)文本特征的事件網(wǎng)絡(luò)文本表示模型，以更好理解事件的傳播和影響力。

關(guān)鍵詞：熱點(diǎn)事件挖掘與傳播；事件網(wǎng)絡(luò)文本表示模型；事件傳播；影響力

引言

在社交媒體時(shí)代，研究熱點(diǎn)事件的挖掘與傳播機(jī)制，對(duì)于理解信息傳播和社交網(wǎng)絡(luò)動(dòng)態(tài)至關(guān)重要[1]。社交媒體平臺(tái)已經(jīng)成為信息交流的主要渠道，用戶在這些平臺(tái)上分享各種事件和話題，從而塑造了公眾輿論和社會(huì)觀點(diǎn)。為了更深入地理解信息傳播的復(fù)雜性并有效應(yīng)對(duì)，本文探討一種事件網(wǎng)絡(luò)文本表示模型[2]。該模型精準(zhǔn)地捕捉了社交媒體上事件相關(guān)文本的特征，為研究事件傳播和影響力提供了新的工具和方法。本文將深入探討該模型在社交媒體熱點(diǎn)事件挖掘與傳播機(jī)制研究中的應(yīng)用案例，包括熱點(diǎn)事件的檢測(cè)、話題建模以及情感分析等方面，以展示其在信息傳播領(lǐng)域的潛力和實(shí)際應(yīng)用。期望為信息傳播和社交網(wǎng)絡(luò)行為提供更深入的理解和支持。

1. 事件網(wǎng)絡(luò)文本表示模型

1.1 模型簡(jiǎn)介

事件網(wǎng)絡(luò)文本表示模型是一種高度先進(jìn)的文本處理技術(shù)，其主旨在于將包括社交媒體等文本數(shù)據(jù)在內(nèi)的信息轉(zhuǎn)化為計(jì)算機(jī)可理解的數(shù)值表達(dá)形式。該技術(shù)通過將單詞、短語或文本段落映射為高維度向量，以捕獲文本的語義和語境信息，從而使計(jì)算機(jī)能夠更加深入地理解文本內(nèi)容。這種技術(shù)廣泛應(yīng)用于事件挖掘、主題建模、情感分析、信息檢索等多個(gè)領(lǐng)域，有助于從海量文本數(shù)據(jù)中提取有價(jià)值的信息和深刻的見解。

1.2 社交媒體熱點(diǎn)事件挖掘與傳播的過程及與其相關(guān)的事件網(wǎng)絡(luò)文本表示模型

（1）數(shù)據(jù)預(yù)處理：首要步驟是對(duì)社交媒體上的原始文本數(shù)據(jù)進(jìn)行預(yù)處理，其中包括去除特殊字符、停用詞以及數(shù)字等，以確保數(shù)據(jù)的一致性和可分析性。

（2）將文本轉(zhuǎn)化為數(shù)值表示：借助TF-IDF[3]（term frequency-inverse document drequency）模型，文本數(shù)據(jù)被轉(zhuǎn)換成向量形式，為后續(xù)分析和建模提供了數(shù)值化的基礎(chǔ)。

（3）事件識(shí)別和話題提?。和ㄟ^運(yùn)用詞嵌入模型Word2Vec[4]，從社交媒體數(shù)據(jù)中確定出熱點(diǎn)事件和相關(guān)話題。此后文本數(shù)據(jù)被映射至高維向量表示形式，并通過計(jì)算文本之間的相似性來尋找相似話題和事件。

（4）傳播路徑分析和情感分析：首先利用文本主題模型隱含狄利克雷分布（LDA），識(shí)別和分析社交媒體熱點(diǎn)事件的不同傳播路徑和話題，然后借助長(zhǎng)短期記憶網(wǎng)絡(luò)模型LSTM[5]，確定用戶對(duì)事件的情感態(tài)度，包括正面、負(fù)面和中性情感。

1.3 社交媒體熱點(diǎn)事件挖掘與傳播的流程圖

如圖1所示。

2. 基于事件網(wǎng)絡(luò)文本表示模型的社交媒體熱點(diǎn)事件挖掘與傳播的算法

2.1 TF-IDF算法：將文本轉(zhuǎn)化為數(shù)值表示

將預(yù)處理后的文本數(shù)據(jù)運(yùn)用TF-IDF算法轉(zhuǎn)化為數(shù)值的形式，轉(zhuǎn)化過程如下：

（1）詞頻（TF）計(jì)算：

對(duì)于d文檔中的詞匯t，其詞頻TF（t，d）表示為：

TF（t，d）=N/M

其中，N表示詞匯t在文檔d中出現(xiàn)的次數(shù)，M表示文檔d中的總詞數(shù)。

（2）逆文檔頻率（IDF）計(jì)算：

對(duì)于詞匯t，其逆文檔頻率IDF（t）表示為：

IDF（t）=log₁₀（Nt/M_t+1）

其中，N_t表示總文檔數(shù)，M_t表示包含詞匯t文檔數(shù)。

（3）TF-IDF計(jì)算：

對(duì)于詞匯t在文檔d中的TF-IDF值表示為：

TF-IDF（t，d）=TF（t，d）×IDF（t）

為進(jìn)行事件識(shí)別和話題提取，隨后運(yùn)用Word2Vec算法對(duì)文本數(shù)據(jù)進(jìn)行數(shù)值化處理。

2.2 Word2Vec算法：事件識(shí)別和話題提取

Word2Vec模型將每個(gè)詞匯映射為向量表示。假設(shè)有一個(gè)詞匯表V，每個(gè)單詞wi對(duì)應(yīng)于一個(gè)詞向量vi，其中i表示詞匯表中的索引。對(duì)于一個(gè)文本序列，其中包含n個(gè)詞匯：w=（w₁，w₂，w₃……w_n）

（1）使用Word2Vec模型，將每個(gè)詞匯映射為詞向量：

對(duì)于詞匯wi，其詞向量表示為。

（2）對(duì)于整個(gè)文本序列v，通過計(jì)算平均詞向量表示文本的高維度向量：

該過程詳細(xì)描述了如何利用Word2Vec模型將文本序列映射為平均詞向量，從而捕獲整個(gè)文本的語義信息。這些高維度向量隨后可用于進(jìn)行計(jì)算文本向量之間的相似性，來發(fā)現(xiàn)相似的文本內(nèi)容或識(shí)別文本中的事件和話題。

2.3 LDA和LSTM：傳播路徑分析和情感分析

2.3.1 LDA主題建模

對(duì)于文檔d，使用LDA模型獲得主題分布的過程如下：

（1）文檔表示：首先，將文檔d表示為詞袋模型：，其中wi表示文檔中的第i個(gè)詞匯。

（2）主題分布計(jì)算：對(duì)于文檔d，計(jì)算其主題分布如下：

其中，i表示文檔d中屬于主題i的概率分布。的計(jì)算基于Gibbs采樣方法，表示為：

其中，ni表示文檔d中主題i的詞匯數(shù)量，ai為Dirichlet先驗(yàn)參數(shù)，mi是文檔d中的詞匯總數(shù)，表示wj詞匯屬于主題i的概率。

2.3.2 傳播路徑分析

基于LDA主題建模的結(jié)果，分析文本數(shù)據(jù)中不同話題的傳播路徑的過程如下：

（1）話題提?。焊鶕?jù)LDA模型的輸出，獲得文本中涉及的主題分布，包括主題的權(quán)重分布。

（2）傳播路徑分析：對(duì)于每個(gè)主題或主題組合，追蹤其在社交媒體上的傳播路徑。這包括了分析哪些用戶或社交媒體賬戶首先提到了這些話題，以及隨后的傳播鏈條。

（3）傳播圖構(gòu)建：使用網(wǎng)絡(luò)分析技術(shù)，構(gòu)建傳播圖，其中節(jié)點(diǎn)表示用戶或賬戶，邊表示信息傳播的路徑?？梢允褂肅代碼生成一個(gè)簡(jiǎn)單的傳播圖（如圖2所示），其中包含5個(gè)節(jié)點(diǎn)和6條邊，鄰接矩陣顯示了節(jié)點(diǎn)之間的連接關(guān)系。

（4）影響力評(píng)估：通過分析傳播路徑中的節(jié)點(diǎn)和邊的屬性，評(píng)估不同用戶、賬戶或話題的影響力。這可以通過計(jì)算節(jié)點(diǎn)的度、中心性等網(wǎng)絡(luò)屬性來完成，以幫助識(shí)別最具影響力的參與者和關(guān)鍵信息源。

2.3.3 情感分析（LSTM模型）

情感分析的過程使用LSTM模型，包括以下步驟：

第一步，文本序列表示：將輸入文本序列表示為詞向量的序列，其中xi表示文本序列中的第i個(gè)詞匯的詞向量表示。

第二步，長(zhǎng)短期記憶網(wǎng)絡(luò)模型：使用長(zhǎng)短期記憶網(wǎng)絡(luò)模型（LSTM）進(jìn)行情感分析，LSTM模型包括輸入門、遺忘門、輸出門和記憶單元。

第三步，隱藏狀態(tài)計(jì)算：LSTM模型計(jì)算隱藏狀態(tài)序列，其中hi表示LSTM模型的隱藏狀態(tài)。計(jì)算過程包括以下公式：

（1）輸入門：

（2）遺忘門：

（3）輸出門：

（4）記憶單元：

（5）隱藏狀態(tài)：

其中，表示sigmoid函數(shù)，*表示逐元素乘法，為權(quán)重矩陣，為循環(huán)權(quán)重矩陣，t表示時(shí)間步。

第四步，情感結(jié)果輸出：LSTM模型輸出情感結(jié)果序列，其中yi表示文本序列中的第i個(gè)詞匯的情感分析結(jié)果。情感分析結(jié)果可為正面、負(fù)面或中性情感。情感分析后使用軟件Tableau對(duì)分析結(jié)果可視化呈現(xiàn)，并生成熱點(diǎn)事件報(bào)告。

3. 事件網(wǎng)絡(luò)文本表示模型在社交媒體熱點(diǎn)事件挖掘與傳播中的應(yīng)用案例

3.1 社交媒體熱點(diǎn)問題

（1）氣候變化問題：社交媒體上的氣候變化問題備受關(guān)注。如何準(zhǔn)確捕捉氣候變化的關(guān)鍵信息、分析公眾態(tài)度和意見，成為一個(gè)重要問題。

（2）新技術(shù)推廣問題：社交媒體上不斷涌現(xiàn)各種新技術(shù)的推廣，如人工智能、區(qū)塊鏈、虛擬現(xiàn)實(shí)等。如何有效挖掘這些新技術(shù)的相關(guān)信息，了解公眾對(duì)其的態(tài)度，并識(shí)別潛在的應(yīng)用領(lǐng)域，成為一個(gè)重要問題。

3.2 問題原因

（1）信息碎片化：社交媒體平臺(tái)上圍繞氣候變化和新技術(shù)推廣問題的信息多源且碎片化。這一多樣性反映在信息來源的分散性，信息來源包括新聞媒體、科研機(jī)構(gòu)以及廣泛的社交媒體平臺(tái)。不同信息來源之間的一致性和協(xié)同性存在挑戰(zhàn)，這給問題的全面把握和綜合性解析帶來了復(fù)雜性。在氣候變化領(lǐng)域，多源信息可能存在不一致之處；在新技術(shù)推廣問題中，信息可能分散在網(wǎng)絡(luò)上的多個(gè)來源，難以協(xié)同整合。

（2）輿論多元性：社交媒體上的氣候變化問題和新技術(shù)推廣問題相關(guān)的觀點(diǎn)和態(tài)度呈現(xiàn)多元性。社交媒體作為信息交流和意見表達(dá)的平臺(tái)，容納了公眾的各種不同聲音和觀點(diǎn)。這種多元性使問題的解析變得更加復(fù)雜，因?yàn)楣娍赡芫蜌夂蜃兓瘑栴}和新技術(shù)的推廣問題持有不同甚至相互矛盾的觀點(diǎn)。例如，在氣候變化問題領(lǐng)域，人們的觀點(diǎn)和態(tài)度可能迥然不同，一些人支持采取緊急行動(dòng)，而另一些人則質(zhì)疑氣候變化的嚴(yán)重性；在新技術(shù)推廣問題中，一些人熱衷于新技術(shù)的廣泛應(yīng)用，而其他人則對(duì)技術(shù)的安全性和社會(huì)影響感到擔(dān)憂。

（3）信息混淆：社交媒體平臺(tái)上充斥著虛假信息，容易使公眾對(duì)氣候變化問題和新技術(shù)推廣問題的真實(shí)情況產(chǎn)生困惑。虛假信息的存在會(huì)誤導(dǎo)公眾，扭曲他們對(duì)問題的認(rèn)知和評(píng)估。例如，在氣候變化問題領(lǐng)域，虛假信息否認(rèn)氣候變化的存在，或者試圖淡化其潛在影響；在新技術(shù)推廣問題中，虛假信息會(huì)夸大新技術(shù)的益處或潛在風(fēng)險(xiǎn)。虛假信息的廣泛傳播增加了問題的復(fù)雜性。

3.3 解決方案

事件網(wǎng)絡(luò)文本表示模型的應(yīng)對(duì)措施如下：

（1）多源信息整合：使用模型整合來自不同渠道的信息，創(chuàng)建全面的數(shù)據(jù)集，以更好地理解問題；

（2）情感分析：使用情感分析，了解社交媒體上的態(tài)度和情感反應(yīng)，識(shí)別支持和反對(duì)意見；

（3）關(guān)鍵信息提?。菏褂媚Ｐ吞崛￡P(guān)鍵信息，以增進(jìn)公眾理解；

（4）虛假信息檢測(cè)：使用模型檢測(cè)虛假信息傳播路徑，確保信息真實(shí)性；

（5）可視化呈現(xiàn)：使用可視化工具Tableau，以圖形方式呈現(xiàn)數(shù)據(jù)和輿情態(tài)勢(shì)。

結(jié)語

事件網(wǎng)絡(luò)文本表示模型在社交媒體熱點(diǎn)事件挖掘與傳播中具有廣泛的應(yīng)用潛力。通過多源信息整合、情感分析、關(guān)鍵信息提取、虛假信息檢測(cè)和可視化呈現(xiàn)等方法，更準(zhǔn)確地理解和應(yīng)對(duì)社交媒體上的重大問題，如氣候變化和新技術(shù)推廣。本研究為信息傳播、輿情分析以及決策制定者提供了有力的工具和實(shí)踐指導(dǎo)。在不斷演變的社交媒體環(huán)境中，事件網(wǎng)絡(luò)文本表示模型將持續(xù)發(fā)揮重要作用，以提供更加深入的見解與支持。

參考文獻(xiàn)：

[1]毛太田，蔣冠文，李勇，等.新媒體時(shí)代下網(wǎng)絡(luò)熱點(diǎn)事件情感傳播特征研究[J].情報(bào)科學(xué)，2019，37（4）：029-035.

[2]譚偉志，廖濤，方賢進(jìn).面向事件的文本表示模型的構(gòu)建及應(yīng)用研究[J].阜陽師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，38（1）：74-79.

[3]胡宏章，邱云飛，郭蕾.融合條件熵和TF-IDF的過采樣方法[J].計(jì)算機(jī)時(shí)代，2023，（6）：48-53.

[4]唐煥玲，衛(wèi)紅敏，王育林，等.結(jié)合LDA與Word2vec的文本語義增強(qiáng)方法[J].計(jì)算機(jī)工程與應(yīng)用，2022，58（13）：135-145.

[5]李麗萍，曾麗芳，江紹萍，等.基于LSTM神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)[J].云南民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，32（4）：528-532.

作者簡(jiǎn)介：黃嬋，碩士研究生，副教授，研究方向：人工智能、數(shù)據(jù)挖掘。

基金項(xiàng)目：江西省教育廳科學(xué)技術(shù)研究項(xiàng)目——事件網(wǎng)絡(luò)文本表示模型在社會(huì)網(wǎng)絡(luò)中的應(yīng)用（編號(hào)：GJJ213505）。