CN113064991B - 一种基于人机协作的微博事件真假检测方法 - Google Patents
一种基于人机协作的微博事件真假检测方法 Download PDFInfo
- Publication number
- CN113064991B CN113064991B CN202110284557.2A CN202110284557A CN113064991B CN 113064991 B CN113064991 B CN 113064991B CN 202110284557 A CN202110284557 A CN 202110284557A CN 113064991 B CN113064991 B CN 113064991B
- Authority
- CN
- China
- Prior art keywords
- microblog
- user
- event
- microblogs
- comments
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000008451 emotion Effects 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000013501 data transformation Methods 0.000 claims abstract description 8
- 230000003068 static effect Effects 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 14
- 239000000843 powder Substances 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 235000013312 flour Nutrition 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 101000650134 Homo sapiens WAS/WASL-interacting protein family member 2 Proteins 0.000 description 1
- 238000006165 Knowles reaction Methods 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 240000005373 Panax quinquefolius Species 0.000 description 1
- 102100027540 WAS/WASL-interacting protein family member 2 Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001755 vocal effect Effects 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于人机协作的微博事件真假检测方法,该方法首先需要对用户的可信度进行判断,需要分别对用户进行静态描述处理以及进行数据规约和数据变换处理;其次对微博与评论间、微博与微博间的情绪分数进行检测;接下来针对事件进行建模,形成一个社交媒体网络图模型,在建模的过程中针对一些对结果产生影响的数据人为的进行处理;最后,使用GCN对其进行处理分类,得到最后的结果即为事件的分类结果。本发明对提出词语级别设置判断规则,对文本的情感倾向作出了评估,提升了微博事件真假判断的准确性。
Description
技术领域
本发明属于机器学习技术领域,具体涉及一种微博事件真假检测方法。
背景技术
微博事件指针对出现的一个热门社会新闻,多个用户对其发表自己的看法所构成的微博新闻事件。一直以来,对于微博事件的真假自动检测是研究的热点,大量学者使用现有技术对微博事件的真假进行了探索。例如,Zhang,L,Wang,S,Liu,B.Deep learning forsentiment analysis:A survey.WIREs Data Mining Knowl Discov.2018.总结了使用深度学习进行情感分析的研究方法,将情感分析分成了三个层级:文档级、句子级和立场级,并指出了各个层级的优劣之处。文档级的情感分析包含长文本依赖关系,所以需要使用关注机制。立场的情感分类分为三步:对目标的上下文进行处理,生成目标的表征信息,最后对目标的情感上下文进行识别。但是该论文依赖于文本上下文情感一致且整个文本中情感必须是连贯的。使用GCN做文本分类是GCN的一种很好的应用,“Yao,Liang&Mao,Chengsheng&Luo,Yuan.Graph Convolutional Networks for Text Classification.(2018).”在整个语料集上构建了一个图,使用滑动窗口获得输入矩阵,利用两层GCN计算文本类别概率同样将事件的真假检测转换为图模型节点的分类问题,但这篇论文忽略了文本之间的交互情况,因此需要对整个事件的网络结构进行建模。
发明内容
为了克服现有技术的不足,本发明提供了一种基于人机协作的微博事件真假检测方法,该方法首先需要对用户的可信度进行判断,需要分别对用户进行静态描述处理以及进行数据规约和数据变换处理;其次对微博与评论间、微博与微博间的情绪分数进行检测;接下来针对事件进行建模,形成一个社交媒体网络图模型,在建模的过程中针对一些对结果产生影响的数据人为的进行处理;最后,使用GCN对其进行处理分类,得到最后的结果即为事件的分类结果。本发明对提出词语级别设置判断规则,对文本的情感倾向作出了评估,提升了微博事件真假判断的准确性。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1:在微博上对数据进行采集,包括微博主体、评论、发表微博以及评论的用户信息数据,用户信息数据如表1;
表1用户数据信息
步骤2:对用户进行可信度检测;
步骤2-1:根据用户是否填写相应信息将用户的信息处理为二元属性,若填写了相应的信息,取值为1,否则取值为0,表示为:
其中f(i)表示二元处理的结果,Ui表示用户的静态信息可信度,n表示需要处理的信息数量;
步骤2-2:将微博、粉丝、关注、互关、好友情况进行数据规约和数据变换处理;
步骤2-2-1:延伸出涨粉速率Vfo以及微博活跃度Vtw两个指标,计算公式如下:
其中,fonum为粉丝数量,twnum为微博数量,Uv表示用户活跃度的可信度;
步骤2-2-2:通过分析微博用户互粉数、关注数、粉丝数,进行数据变换,延伸出互粉比例系数BiFo特征指标:
其中,Bifo(.)表示互粉比例系数,Fo(.)表示关注数量,a表示每个特征的系数,i、j分别表示用户的不同特征数值与用户某一时刻特征的数值,z表示求取最大特征数值对应的序号;Num(.)表示微博数量Tw、关注数量Fo、互粉量数Bf、好友数量Fr四个指标之一;
分别用微博数量Tw、关注数量Fo、互粉量数Bf、好友数量Fr四个指标作为Num(.)代入式(3),得到每个指标对应的判断用户可信度的特征,之后将其相加得到对用户的可信度影响因子评估如下:
步骤2-3:计算用户的可信度UC:
UC=(θ(Ui),θ(Uv),θ(Ur))
其中θ(x)为递减函数,t1表示时间,p表示时间系数;
步骤3:对微博的文本内容进行情绪分数检测;
其中,t为指数,t的值取决于是否极性反转;k代表程度词的程度,word(j)表示每个词的原始分数,ρ表示每部分积极词或消极词的频率m、n分别表示否定词与程度副词的数量;
步骤4:对微博事件进行建模,将微博事件构造成一个由用户、微博正文和评论作为节点交互的四层网络结构;具体建模过程如下:
将同样角度的微博进行聚类,构成子事件,将不同子事件的聚类中心进行连接,所构成的边用聚类中心的余弦相似度作为度量;
对子事件内部的微博,微博之间边的权值决定了两条微博之间的相互影响情况,两条微博相似度越高,他们边的权重就越大,通过杰卡德相似度对其边进行计算;
评论是用户对事件微博的外在评定,一条评论对于微博的影响程度来自于评论与微博的一致程度,使用余弦相似度作为微博与评论的边进行差异度量;
对相同用户的发言建立边的连接,使用杰卡德方法对其进行度量;
最终构成的图G=(E,V)即是以节点和边为基本数据组的拓扑结构;
步骤5:使用GCN对图模型G(N,E)进行处理;
在图G(N,E)中,节点N的输入为用户的可信度、文本的情感评估分数,边E的输入为不同实体之间的相似度度量结果;FGCN的邻接矩阵A是n维方阵,n代表图中节点数量,A中每个元素表示两个节点之间的权重;处理过程中,在GCN中加入类邻接矩阵,对同阶的邻域节点加权分配邻居权重;
步骤6:根据微博与子事件中心微博的相似度绝对值大小对微博进行提取,提出超过相似度绝对值的微博,所提取出的微博分为以下三种情况:
1、微博文本为用户本人的主观评价,用户针对事件进行了讨论,微博本身与事件相关,因此不做任何处理;
2、微博中虽然包含对事件的评价,但是其中夹杂着广告,将这种情况的微博直接删除;
3、偏移事件的主题,行文过程中转向对其它事物的评价;若超过一半的微博篇幅与评论都用来描述与主题不相干事件,对微博进行删除;若微博正文内仅仅提到了另外的事件,则将其评论中不相干的评论进行删除,保证微博的评论中只包含对相关事件的看法;
步骤7:将经过步骤6处理过的微博事件重新进行聚类,重复一次步骤4到步骤6,生产新的图模型,使用GCN对新的图模型进行处理,得到最后的检测结果。
优选地,所述步骤6中的相似度的绝对值大小为0.15。
本发明的有益效果如下:
本发明对提出词语级别设置判断规则,对文本的情感倾向作出了评估,提升了微博事件真假判断的准确性。
附图说明
图1为本发明方法的框架图。
图2为本发明方法对于微博以及评论情绪分数检测的判断规则。
图3为本发明方法的图模型分层结构。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明提出了一种方法,对微博的多角度信息进行评估,将微博聚类为事件的子事件进行建模,然后在模型中输入评估特征使用GCN进行处理;为了进一步提高其检测的准确度,本发明加入了反馈机制。
如图1所示,一种基于人机协作的微博事件真假检测方法,包括以下步骤:
步骤1:在微博上对数据进行采集,包括微博主体、评论、发表微博以及评论的用户信息数据,用户信息数据如表1;微博事件数据集获取根据事件的标签对数据进行爬取,虚假的信息主要来源于新浪社区管理中心被举报处理完成的微博事件,对采集到的数据进行过滤,筛选掉广告、水军特征明显的微博。
表1用户数据信息
步骤2:对用户进行可信度检测;
步骤2-1:用户的信息完整情况作为对用户的静态描述。进行处理时,根据用户是否填写相应信息,例如是否填写所在地,是否允许所有人对微博进行评论等,将其处理为一系列的二元属性,若填写了相应的信息,取值为1,否则取值为0。例如,允许所有人对微博进行评论时,取1,否则取0,表示为:
其中f(i)表示二元处理的结果,Ui表示用户的静态信息可信度,n表示需要处理的信息数量;
步骤2-2:将微博、粉丝、关注、互关、好友情况进行数据规约和数据变换处理;
步骤2-2-1:延伸出涨粉速率Vfo以及微博活跃度Vtw两个指标,计算公式如下:
其中,fonum为粉丝数量,twnum为微博数量,Uv表示用户活跃度的可信度;
步骤2-2-2:通过分析微博用户互粉数、关注数、粉丝数,进行数据变换,延伸出互粉比例系数BiFo特征指标:
其中,Bifo(.)表示互粉比例系数,Fo(.)表示关注数量,a表示每个特征的系数,i、j分别表示用户的不同特征数值与用户某一时刻特征的数值,z表示求取最大特征数值对应的序号;Num(.)表示微博数量Tw、关注数量Fo、互粉量数Bf、好友数量Fr四个指标之一;
分别用微博数量Tw、关注数量Fo、互粉量数Bf、好友数量Fr四个指标作为Num(.)代入式(3),得到每个指标对应的判断用户可信度的特征,之后将其相加得到对用户的可信度影响因子评估如下:
步骤2-3:计算用户的可信度UC:
UC=(θ(Ui),θ(Uv),θ(Ur))
其中θ(x)为递减函数,t1表示时间,p表示时间系数;
步骤3:对微博的文本内容进行情绪分数检测;通过以下几个步骤实现:训练情感词典、预处理(包含去噪和分词)、判断规则、得出情感评估结;判断规则如图2;情绪得分为:
其中,t为指数,t的值取决于是否极性反转;k代表程度词的程度,word(j)表示每个词的原始分数,ρ表示每部分积极词或消极词的频率;m、n分别表示否定词与程度副词的数量;
步骤4:对微博事件进行建模,将微博事件构造成一个由用户、微博正文和评论作为节点交互的四层网络结构;具体建模过程如下:
对于一个事件来说,不同的用户会从不同的角度出发,针对事件发表自己的言论。将同样角度的微博进行聚类,构成子事件。将不同子事件的聚类中心进行连接,所构成的边用聚类中心的余弦相似度作为度量。
对子事件内部的微博,微博之间边的权值决定了两条微博之间的相互影响情况,两条微博相似度越高,他们边的权重就越大,通过杰卡德相似度对其边进行计算;
评论是用户对事件微博的外在评定,一条评论对于微博的影响程度来自于评论与微博的一致程度,使用余弦相似度作为微博与评论的边进行差异度量;
同一个用户可以在一个事件里多次进行发言,对于一些用户来说,他们始终坚持自己的观点。而有相当一部分用户,他们会受到其他用户言论的影响,或者转换自己的思考模式,因此改变自己对事件的看法。对相同用户的发言建立边的连接,使用杰卡德方法对其进行度量;
最终构成的图G=(E,V)即是以节点和边为基本数据组的拓扑结构;
步骤5:使用GCN(图卷积网络)对图模型G(N,E)进行处理;
在图G(N,E)中,节点N的输入为用户的可信度、文本的情感评估分数,边E的输入为不同实体之间的相似度度量结果;FGCN的邻接矩阵A是n维方阵,n代表图中节点数量,A中每个元素表示两个节点之间的权重;;处理过程中,在GCN中加入类邻接矩阵,使参数仅存在于本身阶层的邻居位置上,其余位置为0,即对同阶的邻域节点加权分配邻居权重;
步骤6:根据微博与子事件中心微博的相似度绝对值大小对微博进行提取,提出超过相似度绝对值的微博,所提取出的微博分为以下三种情况:
1、微博文本中主要为用户本人的主观评价,用户针对事件进行了讨论,微博本身与事件相关,因此不做任何处理;
2、微博中虽然包含对事件的评价,但是其中夹杂着广告,该情况下对事件的评价为用户复制别人的微博,并对自己的产品进行推销。其中由于广告并没有相同的特征,所以无法在预处理时将此类微博进行删除。这类微博评论为谩骂、水军、讽刺等言论,将这种情况的微博直接删除;
3、偏移事件的主题,行文过程中转向对其它事物的评价;这类微博是在对某一事件进行评价时,大篇幅提到了另一事件,例如在对A地区雨季时期所发生的事故这一事件的评价过程中,转向了对B地区的批判。这就导致评论了也出现了对不相干事件的意见看法。对这类微博进行判断,若超过一半的微博篇幅与评论都用来描述不相干事件,对微博进行删除;若微博正文内仅仅提到了另外的事件,人为将其评论中不相干的评论进行删除,保证微博的评论中只包含对相关事件的看法。
在实验过程中,相似度的绝对值大小为0.15时,反馈效果最好。
步骤7:将经过步骤6处理过的微博事件重新进行聚类,重复一次步骤4到步骤6,生产新的图模型,使用GCN对新的图模型进行处理,得到最后的检测结果。
Claims (2)
1.一种基于人机协作的微博事件真假检测方法,其特征在于,包括以下步骤:
步骤1:在微博上对数据进行采集,包括微博主体、评论、发表微博以及评论的用户信息数据,用户信息数据如表1;
表1用户数据信息
步骤2:对用户进行可信度检测;
步骤2-1:根据用户是否填写相应信息将用户的信息处理为二元属性,若填写了相应的信息,取值为1,否则取值为0,表示为:
其中f(i)表示二元处理的结果,Ui表示用户的静态信息可信度,n表示需要处理的信息数量;
步骤2-2:将微博、粉丝、关注、互关、好友情况进行数据规约和数据变换处理;
步骤2-2-1:延伸出涨粉速率Vfo以及微博活跃度Vtw两个指标,计算公式如下:
其中,fonum为粉丝数量,twnum为微博数量,Uv表示用户活跃度的可信度;
步骤2-2-2:通过分析微博用户互粉数、关注数、粉丝数,进行数据变换,延伸出互粉比例系数BiFo特征指标:
其中,Bifo(.)表示互粉比例系数,Fo(.)表示关注数量,a表示每个特征的系数,i、j分别表示用户的不同特征数值与用户某一时刻特征的数值,z表示求取最大特征数值对应的序号;Num(.)表示微博数量Tw、关注数量Fo、互粉量数Bf、好友数量Fr四个指标之一;
分别用微博数量Tw、关注数量Fo、互粉量数Bf、好友数量Fr四个指标作为Num(.)代入式(3),得到每个指标对应的判断用户可信度的特征,之后将其相加得到对用户的可信度影响因子评估如下:
步骤2-3:计算用户的可信度UC:
UC=(θ(Ui),θ(Uv),θ(Ur))
其中θ(x)为递减函数,t1表示时间,p表示时间系数;
步骤3:对微博的文本内容进行情绪分数检测;
其中,t为指数,t的值取决于是否极性反转;k代表程度词的程度,word(j)表示每个词的原始分数,ρ表示每部分积极词或消极词的频率m、n分别表示否定词与程度副词的数量;
步骤4:对微博事件进行建模,将微博事件构造成一个由用户、微博正文和评论作为节点交互的四层网络结构;具体建模过程如下:
将同样角度的微博进行聚类,构成子事件,将不同子事件的聚类中心进行连接,所构成的边用聚类中心的余弦相似度作为度量;
对子事件内部的微博,微博之间边的权值决定了两条微博之间的相互影响情况,两条微博相似度越高,他们边的权重就越大,通过杰卡德相似度对其边进行计算;
评论是用户对事件微博的外在评定,一条评论对于微博的影响程度来自于评论与微博的一致程度,使用余弦相似度作为微博与评论的边进行差异度量;
对相同用户的发言建立边的连接,使用杰卡德方法对其进行度量;
最终构成的图G=(E,V)即是以节点和边为基本数据组的拓扑结构;
步骤5:使用GCN对图模型G(N,E)进行处理;
在图G(N,E)中,节点N的输入为用户的可信度、文本的情感评估分数,边E的输入为不同实体之间的相似度度量结果;FGCN的邻接矩阵A是n维方阵,n代表图中节点数量,A中每个元素表示两个节点之间的权重;处理过程中,在GCN中加入类邻接矩阵,对同阶的邻域节点加权分配邻居权重;
步骤6:根据微博与子事件中心微博的相似度绝对值大小对微博进行提取,提出超过相似度绝对值的微博,所提取出的微博分为以下三种情况:
1、微博文本为用户本人的主观评价,用户针对事件进行了讨论,微博本身与事件相关,因此不做任何处理;
2、微博中虽然包含对事件的评价,但是其中夹杂着广告,将这种情况的微博直接删除;
3、偏移事件的主题,行文过程中转向对其它事物的评价;若超过一半的微博篇幅与评论都用来描述与主题不相干事件,对微博进行删除;若微博正文内仅仅提到了另外的事件,则将其评论中不相干的评论进行删除,保证微博的评论中只包含对相关事件的看法;
步骤7:将经过步骤6处理过的微博事件重新进行聚类,重复一次步骤4到步骤6,生产新的图模型,使用GCN对新的图模型进行处理,得到最后的检测结果。
2.根据权利要求1所述的一种基于人机协作的微博事件真假检测方法,其特征在于,所述步骤6中的相似度的绝对值大小为0.15。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110284557.2A CN113064991B (zh) | 2021-03-17 | 2021-03-17 | 一种基于人机协作的微博事件真假检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110284557.2A CN113064991B (zh) | 2021-03-17 | 2021-03-17 | 一种基于人机协作的微博事件真假检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113064991A CN113064991A (zh) | 2021-07-02 |
CN113064991B true CN113064991B (zh) | 2024-04-19 |
Family
ID=76560932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110284557.2A Active CN113064991B (zh) | 2021-03-17 | 2021-03-17 | 一种基于人机协作的微博事件真假检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113064991B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113887584B (zh) * | 2021-09-16 | 2022-07-05 | 同济大学 | 一种基于社交媒体数据的应急交通策略评估方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544242A (zh) * | 2013-09-29 | 2014-01-29 | 广东工业大学 | 面向微博的情感实体搜索系统 |
CN106294532A (zh) * | 2016-05-18 | 2017-01-04 | 广东电网有限责任公司信息中心 | 基于微博情感分析的形象评价算法 |
CN106980692A (zh) * | 2016-05-30 | 2017-07-25 | 国家计算机网络与信息安全管理中心 | 一种基于微博特定事件的影响力计算方法 |
CN107403007A (zh) * | 2017-07-25 | 2017-11-28 | 北京工商大学 | 一种基于网络的微博消息可信度判别模型的方法 |
CN107633044A (zh) * | 2017-09-14 | 2018-01-26 | 国家计算机网络与信息安全管理中心 | 一种基于热点事件的舆情知识图谱构建方法 |
CN109684646A (zh) * | 2019-01-15 | 2019-04-26 | 江苏大学 | 一种基于话题影响力的微博话题情感分析方法 |
CN110347897A (zh) * | 2019-06-28 | 2019-10-18 | 哈尔滨理工大学 | 基于事件检测的微博网络情感社区识别方法 |
-
2021
- 2021-03-17 CN CN202110284557.2A patent/CN113064991B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544242A (zh) * | 2013-09-29 | 2014-01-29 | 广东工业大学 | 面向微博的情感实体搜索系统 |
WO2015043075A1 (zh) * | 2013-09-29 | 2015-04-02 | 广东工业大学 | 面向微博的情感实体搜索系统 |
CN106294532A (zh) * | 2016-05-18 | 2017-01-04 | 广东电网有限责任公司信息中心 | 基于微博情感分析的形象评价算法 |
CN106980692A (zh) * | 2016-05-30 | 2017-07-25 | 国家计算机网络与信息安全管理中心 | 一种基于微博特定事件的影响力计算方法 |
CN107403007A (zh) * | 2017-07-25 | 2017-11-28 | 北京工商大学 | 一种基于网络的微博消息可信度判别模型的方法 |
CN107633044A (zh) * | 2017-09-14 | 2018-01-26 | 国家计算机网络与信息安全管理中心 | 一种基于热点事件的舆情知识图谱构建方法 |
CN109684646A (zh) * | 2019-01-15 | 2019-04-26 | 江苏大学 | 一种基于话题影响力的微博话题情感分析方法 |
CN110347897A (zh) * | 2019-06-28 | 2019-10-18 | 哈尔滨理工大学 | 基于事件检测的微博网络情感社区识别方法 |
Non-Patent Citations (1)
Title |
---|
热门事件微博的修辞传播特征――以新浪微博甘肃校车事件为例;王亮;;青年记者;20120920(26);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113064991A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111159395B (zh) | 基于图神经网络的谣言立场检测方法、装置和电子设备 | |
CN109829166B (zh) | 基于字符级卷积神经网络的民宿顾客意见挖掘方法 | |
CN110457404B (zh) | 基于复杂异质网络的社交媒体账户分类方法 | |
CN105005594B (zh) | 异常微博用户识别方法 | |
CN112084335B (zh) | 一种基于信息融合的社交媒体用户账号分类方法 | |
CN104268271B (zh) | 一种兴趣和网络结构双内聚的社交网络社区发现方法 | |
CN112417099B (zh) | 一种基于图注意力网络的欺诈用户检测模型构建方法 | |
CN112199608B (zh) | 基于网络信息传播图建模的社交媒体谣言检测方法 | |
CN108399241B (zh) | 一种基于多类特征融合的新兴热点话题检测系统 | |
CN106354845A (zh) | 基于传播结构的微博谣言识别方法和系统 | |
CN110347897B (zh) | 基于事件检测的微博网络情感社区识别方法 | |
CN107577665B (zh) | 文本情感倾向的判别方法 | |
CN110472203B (zh) | 一种文章的查重检测方法、装置、设备及存储介质 | |
CN107577782A (zh) | 一种基于异质数据的人物相似度刻画方法 | |
CN111597331A (zh) | 一种基于贝叶斯网络的裁判文书分类方法 | |
CN111666496A (zh) | 一种基于评论文本的组推荐方法 | |
CN108304479A (zh) | 一种基于图结构过滤的快速密度聚类双层网络推荐方法 | |
CN108875034A (zh) | 一种基于层次化长短期记忆网络的中文文本分类方法 | |
CN111191099A (zh) | 一种基于社交媒体的用户活动类型识别方法 | |
CN113064991B (zh) | 一种基于人机协作的微博事件真假检测方法 | |
CN112084333A (zh) | 一种基于情感倾向分析的社交用户生成方法 | |
CN111859955A (zh) | 一种基于深度学习的舆情数据分析模型 | |
CN108920475B (zh) | 一种短文本相似度计算方法 | |
CN107590742B (zh) | 一种基于行为的社交网络用户属性值反演方法 | |
CN113705679B (zh) | 一种基于超图神经网络的学生成绩预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |