CN107239489A - 基于soar模型的突发事件中网络舆情的预测与仿真方法 - Google Patents
基于soar模型的突发事件中网络舆情的预测与仿真方法 Download PDFInfo
- Publication number
- CN107239489A CN107239489A CN201710266970.XA CN201710266970A CN107239489A CN 107239489 A CN107239489 A CN 107239489A CN 201710266970 A CN201710266970 A CN 201710266970A CN 107239489 A CN107239489 A CN 107239489A
- Authority
- CN
- China
- Prior art keywords
- netizen
- opinion
- network public
- government
- microblogging
- 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.)
- Pending
Links
- 230000006399 behavior Effects 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000007787 long-term memory Effects 0.000 claims abstract description 17
- 230000003936 working memory Effects 0.000 claims abstract description 12
- 238000013461 design Methods 0.000 claims abstract description 9
- 230000007246 mechanism Effects 0.000 claims abstract description 6
- 238000012546 transfer Methods 0.000 claims abstract description 6
- 230000007423 decrease Effects 0.000 claims abstract 3
- 238000006243 chemical reaction Methods 0.000 claims abstract 2
- 230000008451 emotion Effects 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000002474 experimental method Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 230000002996 emotional effect Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 241000270322 Lepidosauria Species 0.000 claims 1
- 238000009792 diffusion process Methods 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000035800 maturation Effects 0.000 claims 1
- 230000015654 memory Effects 0.000 claims 1
- 230000009466 transformation Effects 0.000 abstract description 2
- 230000007704 transition Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 3
- 244000097202 Rathbunia alamosensis Species 0.000 description 2
- 235000009776 Rathbunia alamosensis Nutrition 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000252203 Clupea harengus Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 235000021393 food security Nutrition 0.000 description 1
- 235000019514 herring Nutrition 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Abstract
本发明公开了一种基于SOAR模型的突发事件中网络舆情的预测与仿真方法。本发明基于SOAR模型,将网民作为智能体Agent,将网络舆情中网民群体行为转变过程看作相应舆情问题空间中状态随时间的连续转换过程,结合网络舆情演变、政府应急管理相关理论,将网民群体划分为Me‑formers与In‑formers,将网络舆情发展阶段划分为产生、爆发、成熟、衰退,设计网民Agent的工作记忆、长期记忆、决策过程、学习机制,构建网民群体行为转换规则库,建立了基于SOAR模型的网民群体行为转换SOAR Agent模型,以网络舆情演变过程中的衰退阶段为例,实现了突发事件中网络舆情的预测与仿真,以此评估不同的政府应急措施对不同类别网民群体行为的影响。
Description
技术领域
本发明涉及突发事件中微博网络舆情的预测与仿真方法,具体涉及一种以建立在SOAR模型上的网民群体行为规则为基础的仿真方法。
背景技术
随着Web2.0技术及相关互联网应用的不断普及,微博等新媒体已经成为网络舆情的重要舆论场。微博具有用户基数大、传播速度快、信息上载方便等特点,已经成为我国舆情爆发的主要策源地和传播媒介,如病毒般蔓延至互联网、企业、个人生活的每个角落。如何针对微博所具有的海量非结构化文本数据、大用户数和实时性强的特点,研究有效的微博舆情预测仿真方法,成了当务之急。
Honeycutt和Herring通过对Twitter上用户发表的内容文本分析,进而研究Twitter如何支持网民之间交互以及网民为什么要在Twitter上发表信息。Naaman等人在Honeycutt研究的基础上进行归纳,将网民分为Me-formers和In-formers两类Me-formers大多数的时候只发表有利于他们自己目标的或跟自己有关的博客,并且对评论或转发别的用户的博客没有兴趣。In-formers不仅仅是发表更多的博客,还评论或者转发别的用户发表的内容。
SOAR模型是一种可计算程序体系结构表达的通用的认知模型,试图通过提供一个基于知识的问题求解、学习、与外界交互的框架,来促进人们对人类智能的认识。SOAR模型源自人工智能(AI)领域,常被用来创建智能体,对行为决策过程进行模拟,它为解决人工智能在动态复杂环境下能够自动使用知识、持续学习来完成任务的问题提供了灵活的计算框架。
目前国内学者对于网络舆情中政府应急管理的研究往往集中于理论上的建议,国外学者从公共管理角度对政府在危机管理中应急措施进行研究,但缺乏对实时数据进行分析和建模,不能根据舆情发展态势以给政府采取应急措施提供明确的建议。
发明内容
本发明的目的在于基于SOAR模型来模仿网民的心智,结合政府措施、舆情发展阶段和网民特征,提供一种符合事实情况、便于政府做决策的舆情预测方法。
实现本发明目的的技术解决方案为:一种基于SOAR模型的突发事件中网络舆情的预测与仿真方法,包括以下步骤:
第一步,数据采集;将事件微博的评论、转发内容以及发布、评论、转发相关内容的用户信息存到本地数据库;
第二步,数据清洗;对第一步抓取来的微博数据进行清洗和整理,剔除媒体、官微发布的微博数据,得到所需普通网民发布的目标微博数据;
第三步,数据加工;通过对第二步清洗后的微博数据进行分析,对微博网民进行分类,分析微博网民情感倾向,划分网络舆情演变阶段,统计政府应急管理措施;
第四步,仿真实验;通过实验仿真再现事件中政府不同应对措施下微博用户群体行为转换过程,仿真实验包括模型设计、仿真算法设计和基于仿真平台实现仿真算法。
本发明与现有技术相比,其显著优点:1、本发明不再局限于实时的舆情反映,而是更进一步地去预测未来舆情的走向。
2、本发明将重要参数置于政府举措上,更加突出了政府的作用力,为政府的网络舆情监管起到辅助作用。
3、本发明基于SOAR模型,将网络舆情中网民群体行为转变过程看作相应舆情问题空间中状态随时间的连续转换过程,不再只是单纯地从时间片的角度来看待网络舆情,使得网络舆情的仿真与预测更符合实际情况。
附图说明
图1为本发明的仿真实验流程示意图。
图2为本发明的仿真算法流程示意图。
具体实施方式
针对微博舆情的预测与仿真,发明提供了一种微博舆情的仿真方法,模拟网民顺着舆情发展走向,对政府的措施做出反应,发布正面帖子或者负面帖子,从而影响网络舆情。
本发明通过SOAR Agent模型总体框架设计和SOAR Agent模块设计,结合网民分类、政府举措、网络舆情发展阶,为网民群体行为进行建模,得出网民群体行为转换规则。
下面结合附图对本发明作进一步说明。
本发明给出了舆情预测的具体流程,见图1:
从新浪微博上采集事件数据保存到数据库;
对数据进行清洗和整理,剔除媒体、官微发布的微博数据,得到所需普通网民发布的目标微博数据;
对数据进行加工:(1)使用SVM模型分析微博情感倾向性;(2)按日统计微博数量构建事件发展曲线图,以此划分事件发展阶段;(3)统计不同阶段政府采取的应急管理措施,并分别统计政府采取措施前后不同类别网民发布的负面微博及非负面微博所占比例;
在模型设计与仿真算法设计的基础上,基于仿真平台实现仿真算法,首先分析模型有效性,其次通过仿真预测不同阶段政府采取不同措施对网民行为的影响。
本发明另一方面进一步详细地提供了食品安全类事件和公共安全类事件中的网民长期记忆规则库,即在不同网络舆情发展阶段、不同政府应急管理措施、不同网民总体情感倾向下,网民的行为偏好,如下表所示。
表11 Me-formers类网民长期记忆初始规则
表12 In-formers类网民长期记忆初始规则
*注:
OP表示为网络舆情发展阶段(Network Public Opinion Development Phase);
GR表示政府应急管理措施(Government Response);
ET表示网民总体情感倾向(Emotion Tendency);
AC表示网民群体行为(Action)。
下面结合实施例对本发明作进一步说明。
从新浪微博上采集相关事件数据保存到数据库;
对数据进行清洗和整理,剔除媒体、官微发布的微博数据,得到所需普通网民发布的目标微博数据;
对网民进行分类:根据网民是否发表微博、是否评论其他网民发表的微博、是否转发其他网民发表的微博划分为Me-formers与In-formers两种类型。Me-formers只发表不评论不转发,In-formers既发表也评论和转发;
分析网民情感倾向:使用SVM模型分析微博情感倾向性的方法,借助空间向量模型来进行每条微博的特征表示,通过微博的内容特征、外部特征来确定微博情感倾向性特征,从而确定每条微博的情感倾向。统计各阶段网民负面情感比例与非负面情感比例中较大者作为该阶段网民总体情感倾向;
划分网络舆情演变阶段:通过统计每日微博数据,构建事件发展曲线图,选取拐点作为事件发展阶段划分依据;
归纳政府应急管理措施:根据事件案例描述与事件发展阶段划分,分别找出各个阶段政府在微博或其他平台发布的信息及采取的活动,对政府应急管理措施进行归类;
基于SOAR模型对网民群体行为进行建模:
网络环境中网民情感倾向表明了网民对网络舆情事件的态度,网民负面情感所占的比例影响政府决定是否调整应急策略,因此,网民对政府的影响函数为式:
其中,et_N(t)表示t阶段发布的负面信息数,Nmax表示t阶段发布的信息总数,f(e,t)表示t阶段负面信息所占比例,若f(e,t)∈[0,μ]则政府不调整应急措施;若f(e,t)∈[μ,1],则政府调整应急措施。μ为[0,1]区间内的常数,其值在实际数据统计中得到;
最初的初始行为规则是在对多个舆情事件实际数据统计分析基础上得到的,由此形成长期记忆。首先根据网民特征属性将网民分为Me-formers与In-formers类,通过真实数据对每类网民工作记忆中的输入属性和输出属性进行描述,输入属性包括网络舆情发展阶段、政府应急管理措施、网民总体情感倾向,输出属性即网民群体行为,输入属性与输出属性的组合被归纳出来形成规则,相应的偏好值,即网民有多大意愿选择这种行为,作为规则的偏好;
网络舆情演变阶段根据按日统计微博数据构建的事件发展曲线划分得到;
政府应急管理措施通过人工对舆情事件每个阶段总结得到;
网民总体情感倾向用该阶段负面微博数比上微博总数的比值来衡量,大于0.5即为负面,小于0.5为非负面;
网民群体行为用微博表达的情感来表示,一条表达负面的微博即为一个发布负面信息行为,一条表达非负面情感的微博即为一个发布非负面信息的行为;
规则偏好值通过舆情事件片断进行统计得到,计算公式如式
设计仿真算法:定义变量和函数,见下表
仿真算法变量与函数
其中
仿真开始条件:加入AGT-0个持负面情感的Me-formers类和In-formers类网民,加入AGT+0个持非负面情感的Me-formers类和In-formers类网民。
仿真结束条件:网民Agent遍历完毕。
仿真算法流程,如图2所示:
步骤1:仿真开始,针对不同阶段加入agt-个带负面情感与agt+个带非负面情感的不同类别的网民,总数为agt,计算当前状态下网民总体负面情感比例NEP,在政府当前应急管理措施gr下,进入循环遍历网民,获取网民Agent工作记忆各个输入属性值E={OP=op,GR=gr,ET=et},进入步骤2;
步骤2:获取该网民类别AT及对应的长期记忆规则库RuleSet(AT),将工作记忆元素与规则条件进行匹配,获得候选算子集合OperatorSet,进入步骤3;
步骤3:判断候选算子集合OperatorSet是否为空,如果不为空,则根据决策过程设计的算子选择机制,根据偏好对候选算子集合进行排序OrderOperatorSet(),选择一个算子应用,判断该算子对应的规则是否为新规则NewRule,若是则加入初始规则库RuleSet(AT),若不是则直接进入步骤5,若是则先将该新规则添加到长期记忆规则库中再进入步骤5,如果候选算子集为空,则说明产生僵局,进入步4;
步骤4:使用降低匹配精度的算法,产生新规则,形成临时规则库NewRuleSet(AT),重新与新状态下工作记忆元素进行匹配,获得候选算子集合,进入步骤5;
步骤5:应用算子ApplyOperator(),输出网民行为,引起网民负面情感比例NEP改变,计算当前状态下网民负面情感比例,与阈值threshold进行比较,如果小于阈值则进入步骤1,继续遍历网民,如果大于阈值则改变政府应急措施Set(gr),进入步骤1,重新遍历网民,继续下一轮循环,直到遍历完网民后退出;
本发明将网民群体行为分为发负面信息与发非负面信息两种行为,如果仅选择偏好最大的算子进行应用将导致仿真结束时网民情感全部为负面或者全部为正面,因此本发明在应用算子时加入一个机制,即网民以偏好为概率选择这个行为。
最后基于仿真平台进行网络舆情的预测与仿真,选用NetLogo或者Anylogic仿真平台,随后选取事件发生后的微博数据为样本,首先通过实验仿真再现事件中政府不同应对措施下微博用户群体行为转换过程,根据仿真结果对模型的有效性进行分析;然后,通过在网络舆情发展的不同阶段,设置政府不同的应对措施,对实验结果进行分析,来评估政府应急措施对不同网民群体引导能力,得出在网络舆情事件不同发展阶段,对于不同类别网民,政府采用何种措施,能使网民负面情感比例下降至最低。
Claims (7)
1.一种基于SOAR模型的突发事件中网络舆情的预测与仿真方法,其特征在于包括以下步骤:
第一步,数据采集;将事件微博的评论、转发内容以及发布、评论、转发相关内容的用户信息存到本地数据库;
第二步,数据清洗;对第一步抓取来的微博数据进行清洗和整理,剔除媒体、官微发布的微博数据,得到所需普通网民发布的目标微博数据;
第三步,数据加工;通过对第二步清洗后的微博数据进行分析,对微博网民进行分类,分析微博网民情感倾向,划分网络舆情演变阶段,统计政府应急管理措施;
第四步,仿真实验;通过实验仿真再现事件中政府不同应对措施下微博用户群体行为转换过程,仿真实验包括模型设计、仿真算法设计和基于仿真平台实现仿真算法。
2.根据权利要求1所述的基于SOAR模型的突发事件中网络舆情的预测与仿真方法,其特征在于:步骤一所述的数据采集的具体实现过程为:
编写自定义爬虫,使用微博高级检索,采集与舆情事件相关的微博原创内容,心调用非开放平台的AJAX API获取该微博的评论、转发内容,以及发布、评论、转发该内容的用户信息存到本地数据库;数据库中含有微博用户基本信息表、原创微博内容表、微博评论表、微博转发表这四个数据表,如下表所示;
表1 微博用户基本信息表
表2 原创微博内容表
表3 微博评论表
表4 微博转发表
3.根据权利要求1所述的基于SOAR模型的突发事件中网络舆情的预测与仿真方法,其特征在于:步骤三所述的数据加工的具体实现过程为:
根据是否发表微博、是否评论其他网民发表的微博、是否转发其他网民发表的微博这三个属性,将网民划分为两种类型:Me-formers与In-formers,如下表;
表5 网民分类
使用SVM模型分析微博情感倾向性的方法,借助空间向量模型来进行每条微博的特征表示,通过微博的内容特征、外部特征来确定微博情感倾向性特征,从而确定每条微博的情感倾向;统计各阶段网民负面情感比例与非负面情感比例,其中较大者作为该阶段网民总体情感倾向;
通过统计每日微博数据,构建事件发展曲线图,选取拐点作为事件发展阶段划分依据,将网络舆情演变阶段分为四个阶段,“发生”阶段——少数网民或媒体发布事件相关信息,“爆发”阶段——事件得到广大网民关注,迅速扩散,“成熟”阶段——事件本身元素得到充分挖掘,网民情感倾向趋于稳定,“衰退阶段”——部门联动舆情引导,网民关注热情下降;
根据事件案例描述与事件发展阶段划分,对应各个阶段政府在微博或其他平台发布的信息及采取的活动,基于SCCT理论对政府应急管理措施进行归类,见下表;
表6 政府应急管理措施
4.根据权利要求1所述的基于SOAR模型的突发事件中网络舆情的预测与仿真方法,其特征在于:步骤四所述的仿真实验的具体实现步骤为:
第一步,模型设计;基于SOAR模型对网络舆情演变过程中网民群体行为进行建模,模拟网民Agent在外部网络舆情环境下,网民Agent的工作记忆组成、长期记忆规则库组成,在决策过程中,算子的提出、选择、应用的算法,以及产生僵局时,僵局解决与学习产生新规则的机制,以形成一个可操作性的SOAR Agent计算模型,模拟在网络舆情事件发展过程中政府的不同应对措施下的网民行为转换规律,以此预测政府应急措施可能引发的网络舆情演化趋势;
第二步,仿真算法设计;在SOAR Agent建模的基础上,进行仿真算法设计,为后期仿真实验实现奠定基础;
第三步,基于仿真平台实现仿真算法;选择仿真平台,并选取事件发生后的微博数据为样本,首先通过实验仿真再现事件中政府不同应对措施下微博用户群体行为转换过程,然后,通过在网络舆情发展的不同阶段,设置政府不同的应对措施,对实验结果进行分析,得出在网络舆情事件不同发展阶段,对于不同类别网民,政府采用何种措施,能使网民负面情感比例下降至最低。
5.根据权利要求4所述的基于SOAR模型的突发事件中网络舆情的预测与仿真方法,其特征在于该模型设计步骤如下:
第一步,将目前网络舆情演变阶段、政府应急管理措施、网民总体情感倾向,作为输入属性存储在微博网民的工作记忆中;
第二步,从长期记忆规则库中获取适合当前状态的规则;
第三步,将工作记忆元素与长期记忆规则进行匹配,进入决策过程,根据匹配结果提出候选算子,根据偏好知识选择最合适的算子应用;
第四步,当决策过程没有匹配的结果时产生僵局,通过匹配精度降低算法解决僵局,同时利用chunking学习机制将新的规则添加到长期记忆中;
第五步,选择合适的算子应用后,工作记忆输出网民行为到外部环境;
SOAR Agent最终输出行为引起网络舆情环境中网民负面情感比例发生变化,政府通过感知网民负面情感比例的变化,调整应急措施,网络舆情环境改变,通过Agent感知,使工作记忆改变,重新与长期记忆规则库匹配,进行决策,以此循环。
6.根据权利要求1所述的基于SOAR模型的突发事件中网络舆情的预测与仿真方法,其特征在于:步骤四所述的仿真实验中仿真算法设计包括仿真算法的变量与函数定义和仿真算法流程设计;
仿真算法设计涉及的变量和函数定义如下表所示:
表7 仿真算法变量与函数
其中
仿真开始条件:加入AGT-0个持负面情感的Me-formers类和In-formers类网民,加入AGT+0个持非负面情感的Me-formers类和In-formers类网民;
仿真结束条件:网民Agent遍历完毕;
结合仿真算法变量和函数定义,仿真算法流程描述如下:
(1)仿真开始,针对不同阶段加入agt-个带负面情感与agt+个带非负面情感的不同类别的网民,总数为agt,计算当前状态下网民总体负面情感比例NEP,在政府当前应急管理措施gr下,进入循环遍历网民,获取网民Agent工作记忆各个输入属性值E={OP=op,GR=gr,ET=et},OP表示为网络舆情发展阶段(Network Public Opinion Development Phase);GR表示政府应急管理措施(Government Response);ET表示网民总体情感倾向(EmotionTendency),进入步骤2;
(2)获取该网民类别AT及对应的长期记忆规则库RuleSet(AT),将工作记忆元素与规则条件进行匹配,获得候选算子集合OperatorSet,进入步骤3;
(3)判断候选算子集合OperatorSet是否为空,如果不为空,则根据决策过程设计的算子选择机制,根据偏好对候选算子集合进行排序OrderOperatorSet(),选择一个算子应用,判断该算子对应的规则是否为新规则NewRule,若是则加入初始规则库RuleSet(AT),若不是则直接进入步骤5,若为空则先将该新规则添加到长期记忆规则库中再进入步骤5;如果候选算子集为空,则说明产生僵局,进入步骤4;
(4)使用降低匹配精度的算法,产生新规则,形成临时规则库NewRuleSet(AT),重新与新状态下工作记忆元素进行匹配,获得候选算子集合,进入步骤3;
(5)应用算子ApplyOperator(),输出网民行为,引起网民负面情感比例NEP改变,计算当前状态下网民负面情感比例,与阈值threshold进行比较,如果小于阈值则进入步骤1,继续遍历网民,如果大于阈值则改变政府应急措施Set(gr),进入步骤1,重新遍历网民,继续下一轮循环,直到遍历完网民后退出。
7.根据权利要求5或6所述的基于SOAR模型的突发事件中网络舆情的预测与仿真方法,其特征在于:所述网民长期记忆规则库,是在不同网络舆情发展阶段、不同政府应急管理措施、不同网民总体情感倾向下,网民的行为偏好,如下表所示;
表8 Me-formers类网民长期记忆初始规则
表9 In-formers类网民长期记忆初始规则
OP表示为网络舆情发展阶段(Network Public Opinion Development Phase);
GR表示政府应急管理措施(Government Response);
ET表示网民总体情感倾向(Emotion Tendency);
AC表示网民群体行为(Action);
上面两表内的括号内数值与其对应的意义的关系如下表所示;
表10 数值对应表
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710266970.XA CN107239489A (zh) | 2017-04-21 | 2017-04-21 | 基于soar模型的突发事件中网络舆情的预测与仿真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710266970.XA CN107239489A (zh) | 2017-04-21 | 2017-04-21 | 基于soar模型的突发事件中网络舆情的预测与仿真方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107239489A true CN107239489A (zh) | 2017-10-10 |
Family
ID=59984098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710266970.XA Pending CN107239489A (zh) | 2017-04-21 | 2017-04-21 | 基于soar模型的突发事件中网络舆情的预测与仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107239489A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107515893A (zh) * | 2017-07-07 | 2017-12-26 | 南京理工大学 | 基于soar模型的网络舆情预测方法 |
CN109299808A (zh) * | 2018-06-04 | 2019-02-01 | 西安电子科技大学 | 基于群体劝说力建模的网民观点演化趋势预测方法 |
CN110020133A (zh) * | 2017-11-07 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 内容推荐处理方法和装置、计算机设备和存储介质 |
CN110263238A (zh) * | 2019-06-21 | 2019-09-20 | 浙江华坤道威数据科技有限公司 | 一种基于大数据的舆情聆听系统 |
CN111784492A (zh) * | 2020-07-10 | 2020-10-16 | 讯飞智元信息科技有限公司 | 舆情分析和财务预警方法、装置、电子设备和存储介质 |
CN112102960A (zh) * | 2020-11-20 | 2020-12-18 | 中国传媒大学 | 基于动力学的延迟交叉信息传播分析方法及系统 |
CN114254102A (zh) * | 2022-02-28 | 2022-03-29 | 南京众智维信息科技有限公司 | 一种基于自然语言的协同应急响应soar剧本推荐方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1887486A1 (en) * | 2006-08-04 | 2008-02-13 | General Electric Company | Power generation mix forecasting modeling method |
KR20100068531A (ko) * | 2008-12-15 | 2010-06-24 | 한국전자통신연구원 | 콘텐츠 감성 및 의도 분석 기반의 온라인 광고 선정 장치 및 그 방법 |
CN102708096A (zh) * | 2012-05-29 | 2012-10-03 | 代松 | 一种基于语义的网络智能舆情监测系统及其工作方法 |
CN105302894A (zh) * | 2015-10-21 | 2016-02-03 | 中国石油大学(华东) | 一种基于并行关联规则的舆情热点跟踪方法与跟踪装置 |
-
2017
- 2017-04-21 CN CN201710266970.XA patent/CN107239489A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1887486A1 (en) * | 2006-08-04 | 2008-02-13 | General Electric Company | Power generation mix forecasting modeling method |
KR20100068531A (ko) * | 2008-12-15 | 2010-06-24 | 한국전자통신연구원 | 콘텐츠 감성 및 의도 분석 기반의 온라인 광고 선정 장치 및 그 방법 |
CN102708096A (zh) * | 2012-05-29 | 2012-10-03 | 代松 | 一种基于语义的网络智能舆情监测系统及其工作方法 |
CN105302894A (zh) * | 2015-10-21 | 2016-02-03 | 中国石油大学(华东) | 一种基于并行关联规则的舆情热点跟踪方法与跟踪装置 |
Non-Patent Citations (1)
Title |
---|
高庆宁: "基于SOAR模型的网络舆情演变过程中群体行为分析与仿真", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107515893A (zh) * | 2017-07-07 | 2017-12-26 | 南京理工大学 | 基于soar模型的网络舆情预测方法 |
CN110020133A (zh) * | 2017-11-07 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 内容推荐处理方法和装置、计算机设备和存储介质 |
CN110020133B (zh) * | 2017-11-07 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 内容推荐处理方法和装置、计算机设备和存储介质 |
CN109299808A (zh) * | 2018-06-04 | 2019-02-01 | 西安电子科技大学 | 基于群体劝说力建模的网民观点演化趋势预测方法 |
CN109299808B (zh) * | 2018-06-04 | 2021-04-06 | 西安电子科技大学 | 基于群体劝说力建模的网民观点演化趋势预测方法 |
CN110263238A (zh) * | 2019-06-21 | 2019-09-20 | 浙江华坤道威数据科技有限公司 | 一种基于大数据的舆情聆听系统 |
CN111784492A (zh) * | 2020-07-10 | 2020-10-16 | 讯飞智元信息科技有限公司 | 舆情分析和财务预警方法、装置、电子设备和存储介质 |
CN112102960A (zh) * | 2020-11-20 | 2020-12-18 | 中国传媒大学 | 基于动力学的延迟交叉信息传播分析方法及系统 |
CN114254102A (zh) * | 2022-02-28 | 2022-03-29 | 南京众智维信息科技有限公司 | 一种基于自然语言的协同应急响应soar剧本推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107239489A (zh) | 基于soar模型的突发事件中网络舆情的预测与仿真方法 | |
Van Dam et al. | Agent-based modelling of socio-technical systems | |
CN107958091A (zh) | 一种基于金融垂直知识图谱的nlp人工智能方法及交互系统 | |
CN107193967A (zh) | 一种多源异构行业领域大数据处理全链路解决方案 | |
CN109145112A (zh) | 一种基于全局信息注意力机制的商品评论分类方法 | |
CN106126700A (zh) | 一种微博谣言传播的分析方法 | |
CN107229708A (zh) | 一种个性化出行服务大数据应用系统及方法 | |
Wei-Dong et al. | Tracing public opinion propagation and emotional evolution based on public emergencies in social networks | |
DE112021004163T5 (de) | Zuschneiden eines kommunikationsinhalts | |
Gil-Aluja | Handbook of management under uncertainty | |
CN105975531A (zh) | 基于对话知识库的机器人对话控制方法和系统 | |
CN107451230A (zh) | 一种问答方法以及问答系统 | |
CN112765480A (zh) | 一种信息推送方法、装置及计算机可读存储介质 | |
CN104008182A (zh) | 社交网络交流影响力的测定方法及系统 | |
CN108491515A (zh) | 一种用于校园心理咨询的句对匹配度预测方法 | |
Sadr et al. | Improving the performance of text sentiment analysis using deep convolutional neural network integrated with hierarchical attention layer | |
Chen et al. | Modeling, simulation, and case analysis of COVID‐19 over network public opinion formation with individual internal factors and external information characteristics | |
CN107807919A (zh) | 一种利用循环随机游走网络进行微博情感分类预测的方法 | |
CN113254576B (zh) | 一种人类行为与情感的预测、溯源方法及装置 | |
CN112000793B (zh) | 一种面向人机交互的对话目标规划方法 | |
Ouyang | Construction and application of economic management fuzzy decision model based on fuzzy relevance method | |
Šuvakov et al. | Agent-based simulations of emotion spreading in online social networks | |
CN105761152A (zh) | 社交网络中一种基于三元组的参与话题预测方法 | |
CN102955948A (zh) | 一种基于多智能体的分布式模式识别方法 | |
Gao | Design and Implementation of 3D Animation Data Processing Development Platform Based on Artificial Intelligence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171010 |
|
RJ01 | Rejection of invention patent application after publication |