CN105447144B - 基于大数据分析技术的微博转发可视化分析方法及系统 - Google Patents

基于大数据分析技术的微博转发可视化分析方法及系统 Download PDF

Info

Publication number
CN105447144B
CN105447144B CN201510825096.XA CN201510825096A CN105447144B CN 105447144 B CN105447144 B CN 105447144B CN 201510825096 A CN201510825096 A CN 201510825096A CN 105447144 B CN105447144 B CN 105447144B
Authority
CN
China
Prior art keywords
forwarding
microblogging
relation
source
level
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510825096.XA
Other languages
English (en)
Other versions
CN105447144A (zh
Inventor
游世学
刘俊康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhongke Huilian Technology Co Ltd
Original Assignee
Beijing Zhongke Huilian Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Zhongke Huilian Technology Co Ltd filed Critical Beijing Zhongke Huilian Technology Co Ltd
Priority to CN201510825096.XA priority Critical patent/CN105447144B/zh
Publication of CN105447144A publication Critical patent/CN105447144A/zh
Application granted granted Critical
Publication of CN105447144B publication Critical patent/CN105447144B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3325—Reformulation based on results of preceding query
    • G06F16/3326—Reformulation based on results of preceding query using relevance feedback from the user, e.g. relevance feedback on documents, documents sets, document terms or passages
    • G06F16/3328—Reformulation based on results of preceding query using relevance feedback from the user, e.g. relevance feedback on documents, documents sets, document terms or passages using graphical result space presentation or visualisation

Abstract

本发明公开了一种基于大数据分析技术的微博转发可视化分析方法，包括：S1、获取源微博和所有转发微博，所述转发微博直接或间接转发所述源微博；S2、提取所述源微博和转发微博中的文本信息；S3、根据提取的文本信息得到所述源微博和所有转发微博的转发关系，所述转发关系包括所述转发微博之间的转发关系；S4、根据所述转发关系绘制可视化图形。本发明还公开了一种基于大数据分析技术的微博转发可视化分析系统。采用本发明的方案，将一个个单独存在的微博关联起来，使转发微博文本间的拓扑关系更加清晰，从而有效地提高微博转发关系的可视化，便于分析转发微博的内在关系。

Description

基于大数据分析技术的微博转发可视化分析方法及系统
技术领域
本发明涉及微博大数据分析方法，尤其涉及基于大数据分析技术的微博转发可视化分析方法及系统。
背景技术
微博是当前最流行的社交网络应用，不同于传统的互联网应用，其独特的媒体特性赋予了用户更多的话语权，用户及时信息的接受者，也是信息的发布者和传播者，这也是我们常说的自媒体，每当热点事件发生时，众多用户借助微博平台参与讨论，发表个人观点，伴随事件持续发展，个人意见渐渐汇聚成群体观点，这是社会舆情的重要组成部分，所以，对微博某一些事件的群体观点进行分析，是一件非常有意义的事情。
目前抓取新浪微博的数据一般有两种方式：一种方式是模拟登陆强行抓取HTML源码，然后再对HTMl源码进行解析，提取其中的有价值的信息(用户相关信息，包括头像、性别、粉丝数、地域、标签、ID等等，所发微博的相关信息，包括微博正文、图片信心、被转发、被评论等等)。第二种方式是利用新浪微博官方提供的API来直接请求数据，返回的数据格式是JSON，是一种纯数据的格式、里面囊括了所有的用户需要的数据。
以上两种方式相比，第二种方式拿数据的速度快、完整性高、稳定性强，但是申请API稍微复杂、而且不容易通过验证，现在仍然有很多应用使用的是第一种方式来抓取数据。
但无论通过以上哪种方式拿到的数据都是一条一条的单独零散存在的，每一条数据都是独立的一个个体，和其他的数据比没有什么关系，但是这表面看起来毫无关系的一条条数据实际内部有着千丝万缕的联系，微博的转发是将多条消息文本串联成具有独立话题信息的文本序列，沿着转发序列，旧话题结束，新话题开始，这样，话题之间的连接关系反映了热点事件中的某个话题随着时间的一个演变过程，因此，如果需要全面了解一个话题，既需要单纯的消息文本，也需要文本间的拓扑关系。
发明内容
为了解决上述技术问题，本发明提供了一种基于大数据分析技术的微博转发可视化分析方法，包括：
S1、获取源微博和所有转发微博，所述转发微博直接或间接转发所述源微博；
S2、提取所述源微博和转发微博中的文本信息；
S3、根据提取的文本信息得到所述源微博和所有转发微博的转发关系，所述转发关系包括所述转发微博之间的转发关系；
S4、根据所述转发关系绘制可视化图形。
进一步地，步骤S4中所述的根据所述转发关系绘制可视化图形包括：将转发微博和与该条转发微博具有直接转发关系的源微博或转发微博用线段连接。
进一步地，所述步骤S3还包括：根据所述转发关系得到转发层次，统计对应每个转发层次的转发微博数量。
进一步地，步骤S4还包括：根据所述转发层次和对应每个转发层次的转发微博数量绘制可视化图形。
进一步地，步骤S2还包括：提取所述源微博和转发微博的用户属性，所述用户属性包括实名用户、大粉丝和普通粉丝；步骤S3还包括：统计不同用户属性的用户对应的转发微博数量。
相应地，本发明还提供了一种基于大数据分析技术的微博转发可视化分析系统，包括：
获取模块，用于获取源微博和所有转发微博，所述转发微博直接或间接转发所述源微博；
文本提取模块，用于提取所述源微博和转发微博中的文本信息；
分析模块，用于根据提取的文本信息得到所述源微博和所有转发微博的转发关系，所述转发关系包括所述转发微博之间的转发关系；
可视化模块，用于根据所述转发关系绘制可视化图形。
进一步地，所述可视化模块中所述的根据所述转发关系绘制可视化图形包括：将转发微博和与该条转发微博具有直接转发关系的源微博或转发微博用线段连接。
进一步地，所述分析模块还包括：根据所述转发关系得到转发层次，统计对应每个转发层次的转发微博数量。
进一步地，所述可视化模块还包括：根据所述转发层次和对应每个转发层次的转发微博数量绘制可视化图形。
进一步地，所述文本提取模块还包括：提取所述源微博和转发微博的用户属性，所述用户属性包括实名用户、大粉丝和普通粉丝；所述分析模块还包括：统计不同用户属性的用户对应的转发微博数量。
本发明从源微博和所有转发微博中提取文本信息，并根据所述文本信息得到微博的转发关系，所述转发关系还包括转发层次，最终通过转发关系绘制可视化图形，通过本发明的方案，将一个个单独存在的微博关联起来，使转发微博文本间的拓扑关系更加清晰，从而有效地提高微博转发关系的可视化，便于分析转发微博的内在关系。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1是本发明实施例提供的基于大数据分析技术的微博转发可视化分析方法的系统框图；
图2是利用本发明实施例提供的基于大数据分析技术的微博转发可视化分析方法绘制的一个可视化图形；
图3是利用本发明实施例提供的基于大数据分析技术的微博转发可视化分析方法绘制的另一个可视化图形；
图4是本发明实施例提供的基于大数据分析技术的微博转发可视化分析方法采用的一个微博图片；
图5是采用本发明实施例提供的基于大数据分析技术的微博转发可视化分析方法对上述微博图片分析得到的图片；
图6是本发明实施例中根据转发人性别比例做出的分析图形；
图7是本发明实施例中根据转发人地域分布做出的分析图形；
图8本发明实施例中是根据转发时间趋势做出的分析图形。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
请参见图1-图8，以数据源是标准JSON数据源(通过weiboAPI返回的结果集)为例对本发明的技术方案进行说明：
发明人通过分析大量的json样本，观察到能够找出这些单独存在的文本之间的联系的唯一突破口就在于retweeted_status中的text字段，也就是微博作者所发送的文本，一般情况下是下述格式：
好看//@晴烨芜星:挺好看的,笑到流泪到笑中含泪//@西风邪:喜欢121//@神秘心理学:微博，强烈33推荐关注@全球影视天地
通过分析这段文本，基本能够得到我们想要的全部信息：1.结构；2.具体的文本内容。
上述文本中的//@相当于网络中的一个节点，一段文字靠//@分成多个小部分，越靠右侧的就越接近事件源。这样的话，通过获取大量的转发微博文本，利用D3JS的API就可以根据层级关系绘制出点线图。
基于大数据分析技术的微博转发可视化分析方法包括以下步骤：
S1、获取源微博和所有转发微博，所述转发微博直接或间接转发所述源微博；
S2、提取所述源微博和转发微博中的文本信息；
S3、根据提取的文本信息得到所述源微博和所有转发微博的转发关系，所述转发关系包括所述转发微博之间的转发关系；
S4、根据所述转发关系绘制可视化图形。
具体算法为：
1.先确定事件源点(源微博)的位置和下标，默认index＝0。
2.从获取的转发微博文本集合collection中拿出一条文本，下标index＝index++。
3.查看该条文本一共有几个node节点，并把这些node节点记录在节点集合collection中，collection＝[node-0,......,node-n]，并且要记录源下标source-index和目标下标target-index，在记录之前还必须检查这个node有没有出现过，如果出现过，就忽略掉，不记录。
4.转发文本集合中的所有文本节点，不断重复2,3步骤，直至没有文本节点为止。
5.最终得到的一个转发微博的节点node集合和一个下标index集合。
最终根据得到的node集合和index集合绘制的可视化图形如图2所示。
D3JS所需要的JSON格式为：
发明人拼接JSON的代码片段(java)：
最终得到转发关系的数据结构。
另一方面，所述步骤S3还包括：根据所述转发关系得到转发层次，统计对应每个转发层次的转发微博数量。步骤S4还包括：根据所述转发层次和对应每个转发层次的转发微博数量绘制可视化图形。
步骤S2还包括：提取所述源微博和转发微博的用户属性，所述用户属性包括实名用户、大粉丝和普通粉丝；步骤S3还包括：统计不同用户属性的用户对应的转发微博数量。使用D3JS来做绘制可视化图形的可视化工具，绘制出的图形如图3所示。
相应地，本发明还提供了一种基于大数据分析技术的微博转发可视化分析系统，包括：
获取模块，用于获取源微博和所有转发微博，所述转发微博直接或间接转发所述源微博；
文本提取模块，用于提取所述源微博和转发微博中的文本信息；
分析模块，用于根据提取的文本信息得到所述源微博和所有转发微博的转发关系，所述转发关系包括所述转发微博之间的转发关系；
可视化模块，用于根据所述转发关系绘制可视化图形。
进一步地，所述可视化模块中所述的根据所述转发关系绘制可视化图形包括：将转发微博和与该条转发微博具有直接转发关系的源微博或转发微博用线段连接。
进一步地，所述分析模块还包括：根据所述转发关系得到转发层次，统计对应每个转发层次的转发微博数量。
进一步地，所述可视化模块还包括：根据所述转发层次和对应每个转发层次的转发微博数量绘制可视化图形。
进一步地，所述文本提取模块还包括：提取所述源微博和转发微博的用户属性，所述用户属性包括实名用户、大粉丝和普通粉丝；所述分析模块还包括：统计不同用户属性的用户对应的转发微博数量。
至此，我们已经基本上把某一个事件的转发的结构层次用可视化的工具展示出来了(一个是转发关系图(力导图)，如图2所示，一个是转发层级图(日晕图)，如图3所示)。
仅仅有了转发的关系和层级还是远远不够的，文字存在的最终意义还是在它本身想要表达的观点上，既文本本身的意义上，所以剖析大众的主要观点才是更加重要的。
自动摘要(观点提炼)是自然语言处理中一个非常重要的课题，他通过分析文本，对文章内容进行归纳总结，然后生成摘要，由于近年来的互联网的蓬勃发展，针对用户生成内容(user-generated content UGC)的自动摘要研究成为了学术界的新热点，采用的技术是聚类算法(Text clustering for topic summarization，TC)，具体是采用基于距离的聚类算法(K-means)，具体的算法的实现步骤为：
1.文档预处理:1)文档分词；2)移除停用词；3)单词正规化处理。
2.分出的单词就作为索引项(或单词表)，它们代表的就是向量空间的项向量。
3.计算项权值：这包括要计算1)词频；2)倒排文件频率；3)TF-IDF权值。
其中TF-IDF全称是term frequency–inverse document frequency，它是一种加权技术，用以评估一个字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降，计算公式为：
先来计算TF：
以上式子中ni,j是该词在文件dj中的出现次数，而分母则是在文件dj中所有字词的出现次数之和。
再计算IDF：
以上公式中|D|表示语料库中的文件总数，表示包含词语ti的文件数目(即ni≠0的文件数目)。
这样TF和IDF都计算出来了，TF-IDF就可以计算出来了
tfidfi,j＝tfi,j·idfi
4.计算文档之间的相似度，一般用余弦相似度(cosine similarity)一同使用于向量空间模型中，用以判断两份文件之间的相似性。
对于两个N维向量的，计算其余弦相似度的算法公式为：
假设两个句子的词频向量为：
句子A：[1,2,2,1,1,1,0]
句子B：[1,2,2,1,1,2,1]
那么他们的余弦相似度就为：
最后我们再使用数据挖掘中的Kmeans算法，结合余弦值算法，便可对文章进行聚类了，聚类步骤如下：
1.从c个数据对象任意选择k个对象作为初始聚类中心。
2.循环(3)到(4)直到每个聚类不再发生变化为止。
3.根据每个聚类对象的均值(中心对象)，计算每s个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分。
4.重新计算每个(有变化)聚类的均值(中心对象)。
如图4所示，我们以新华网发布的一条阅兵期间对抗日老兵致敬的微博为例说明。
抽出所有的转发的文本，并且把多余的干扰节点全部去除掉，既移除掉所有的//@连同右边的内容，然后只留下纯文本内容。经过一系列算法之后，我们可以得到图5的结果。
该结果非常清楚的显示了用户的主要观点，并且对其进行了分类，看上去一目了然。
当然除了聚类和转发分析之外，用API返回的数据源，我们还可以分析出其他的一些数据来，这些数据都可以使用一些工具使其可视化，比如转发量时间走势、地域分布、性别分布、转发人出现频次等等，这些数据不需要做特殊处理，即可非常容易的运用到图表中，如及时渔系统中我们除了D3JS之外使用的就是highcharts来作一些常规的图表。图6-图8便是使用highcharts来展示的其他几个维度的数据；图6是根据转发人性别比例做出的分析图形；图7是根据转发人地域分布做出的分析图形；图8是根据转发时间趋势做出的分析图形。
本发明的文字功能可以对微博话题的转发(评论也可以)的内容进行分析、聚类、数据重组，并最终形成一系列可视化的图表，把暗藏在微博之间千丝万缕的关系剥离出来、对于社会舆情的分析、处理有很大的帮助，对于舆情分析师来说，这也是一个不可多得的功能强大的分析工具。
本发明从源微博和所有转发微博中提取文本信息，并根据所述文本信息得到微博的转发关系，所述转发关系还包括转发层次，最终通过转发关系绘制可视化图形，通过本发明的方案，将一个个单独存在的微博关联起来，使转发微博文本间的拓扑关系更加清晰，从而有效地提高微博转发关系的可视化，便于分析转发微博的内在关系。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (6)

1.基于大数据分析技术的微博转发可视化分析方法，其特征在于，包括：
S1、获取源微博和所有转发微博，所述转发微博直接或间接转发所述源微博；
S2、提取所述源微博和转发微博中的文本信息；
S3、根据提取的文本信息得到所述源微博和所有转发微博的转发关系，所述转发关系包括所述转发微博之间的转发关系；所述步骤S3还包括：根据所述转发关系得到转发层次，统计对应每个转发层次的转发微博数量；
去除文本信息中的干扰节点，得到纯文本内容；采用基于距离的聚类算法和余弦值算法，对所述纯文本内容进行聚类，生成自动摘要；
S4、根据所述转发层次和对应每个转发层次的转发微博数量绘制可视化图形；包括：对自动摘要进行可视化分类显示；对转发内容和转发属性信息进行提取和分类，得到针对不同类型和不同内容的可视化图形；所述不同类型的可视化图形包括转发关系力导图和转发层级日晕图；所述不同内容的可视化图形包括转发人性别比例图，转发人频次图、转发人地域分布图。
2.根据权利要求1所述的基于大数据分析技术的微博转发可视化分析方法，其特征在于，步骤S4中所述的根据所述转发关系绘制可视化图形包括：将转发微博和与该条转发微博具有直接转发关系的源微博或转发微博用线段连接。
3.根据权利要求1所述的基于大数据分析技术的微博转发可视化分析方法，其特征在于，步骤S2还包括：提取所述源微博和转发微博的用户属性，所述用户属性包括实名用户、大粉丝和普通粉丝；步骤S3还包括：统计不同用户属性的用户对应的转发微博数量。
4.基于大数据分析技术的微博转发可视化分析系统，其特征在于，包括：
获取模块，用于获取源微博和所有转发微博，所述转发微博直接或间接转发所述源微博；
文本提取模块，用于提取所述源微博和转发微博中的文本信息；
分析模块，用于根据提取的文本信息得到所述源微博和所有转发微博的转发关系，所述转发关系包括所述转发微博之间的转发关系；所述分析模块还包括：根据所述转发关系得到转发层次，统计对应每个转发层次的转发微博数量；
还用于去除文本信息中的干扰节点，得到纯文本内容；采用基于距离的聚类算法和余弦值算法，对所述纯文本内容进行聚类，生成自动摘要；
可视化模块，用于根据所述所述转发层次和对应每个转发层次的转发微博数量绘制可视化图形；包括:摘要显示单元，用于对自动摘要进行可视化分类显示；相关信息展示单元，对转发内容和转发属性信息进行提取和分类，得到针对不同类型和不同内容的可视化图形；所述不同类型的可视化图形包括转发关系力导图和转发层级日晕图；所述不同内容的可视化图形包括转发人性别比例图，转发人频次图、转发人地域分布图。
5.根据权利要求4所述的基于大数据分析技术的微博转发可视化分析系统，其特征在于，
所述可视化模块中所述的根据所述转发关系绘制可视化图形包括：将转发微博和与该条转发微博具有直接转发关系的源微博或转发微博用线段连接。
6.根据权利要求4所述的基于大数据分析技术的微博转发可视化分析系统，其特征在于，所述文本提取模块还包括：提取所述源微博和转发微博的用户属性，所述用户属性包括实名用户、大粉丝和普通粉丝；所述分析模块还包括：统计不同用户属性的用户对应的转发微博数量。
CN201510825096.XA 2015-11-24 2015-11-24 基于大数据分析技术的微博转发可视化分析方法及系统 Active CN105447144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510825096.XA CN105447144B (zh) 2015-11-24 2015-11-24 基于大数据分析技术的微博转发可视化分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510825096.XA CN105447144B (zh) 2015-11-24 2015-11-24 基于大数据分析技术的微博转发可视化分析方法及系统

Publications (2)

Publication Number Publication Date
CN105447144A CN105447144A (zh) 2016-03-30
CN105447144B true CN105447144B (zh) 2018-05-11

Family

ID=55557320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510825096.XA Active CN105447144B (zh) 2015-11-24 2015-11-24 基于大数据分析技术的微博转发可视化分析方法及系统

Country Status (1)

Country Link
CN (1) CN105447144B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106250419A (zh) * 2016-07-22 2016-12-21 乐视控股（北京）有限公司 一种数据处理方法和装置
CN107391581A (zh) * 2017-06-21 2017-11-24 清华大学 社会网络信息传播行为预测方法和设备
CN109460457A (zh) * 2018-10-25 2019-03-12 北京奥法科技有限公司 文本语句相似度计算方法、智能政务辅助解答系统及其工作方法
CN109299340B (zh) * 2018-12-03 2022-02-15 江苏警官学院 一种基于图数据库的微博用户转发关系导入及可视化方法
CN110866192B (zh) * 2019-11-13 2023-05-02 北京秒针人工智能科技有限公司 推广效率评价方法、推广方式确定方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279887A (zh) * 2013-04-26 2013-09-04 华东师范大学 一种基于信息理论的微博传播可视化分析方法与系统
CN104572756A (zh) * 2013-10-24 2015-04-29 中兴通讯股份有限公司 传播树的可视化处理方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279887A (zh) * 2013-04-26 2013-09-04 华东师范大学 一种基于信息理论的微博传播可视化分析方法与系统
CN104572756A (zh) * 2013-10-24 2015-04-29 中兴通讯股份有限公司 传播树的可视化处理方法及装置

Also Published As

Publication number Publication date
CN105447144A (zh) 2016-03-30

Similar Documents

Publication Publication Date Title
CN105447144B (zh) 基于大数据分析技术的微博转发可视化分析方法及系统
Yang et al. Automatic detection of rumor on sina weibo
CN103324665B (zh) 一种基于微博的热点信息提取的方法和装置
CN103745000B (zh) 一种中文微博客的热点话题检测方法
Potthast et al. The clickbait challenge 2017: Towards a regression model for clickbait strength
CN104182389B (zh) 一种基于语义的大数据分析商业智能服务系统
CN106940732A (zh) 一种面向微博的疑似水军发现方法
CN103761239B (zh) 一种利用表情符号对微博进行情感倾向分类的方法
Liew et al. EmoTweet-28: A fine-grained emotion corpus for sentiment analysis
CN105045857A (zh) 一种社交网络谣言识别方法及系统
CN104504024B (zh) 基于微博内容的关键词挖掘方法及系统
CN103268350A (zh) 一种互联网舆情信息监测系统及监测方法
CN107203520A (zh) 酒店情感词典的建立方法、评论的情感分析方法及系统
CN103577405A (zh) 基于兴趣分析的微博博主社区分类方法
He et al. Quantising opinions for political tweets analysis
CN104268230A (zh) 一种基于异质图随机游走的中文微博客观点探测方法
Guo et al. Crowdstory: Fine-grained event storyline generation by fusion of multi-modal crowdsourced data
Claster et al. Unsupervised artificial neural nets for modeling movie sentiment
CN104978308B (zh) 一种微博主题情感演化分析方法
Chen et al. 4Is of social bully filtering: identity, inference, influence, and intervention
Zhao et al. Towards events detection from microblog messages
CN105205075B (zh) 基于协同自扩展的命名实体集合扩展方法及查询推荐方法
CN105068988B (zh) 多维度和多粒度情感分析方法
Escalante et al. A weighted profile intersection measure for profile-based authorship attribution
Wu et al. An event timeline extraction method based on news corpus

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant