CN113076737B - 一种融合公众情感的生态环境感知网络构建方法 - Google Patents

一种融合公众情感的生态环境感知网络构建方法 Download PDF

Info

Publication number
CN113076737B
CN113076737B CN202110325925.3A CN202110325925A CN113076737B CN 113076737 B CN113076737 B CN 113076737B CN 202110325925 A CN202110325925 A CN 202110325925A CN 113076737 B CN113076737 B CN 113076737B
Authority
CN
China
Prior art keywords
ecological environment
public
text
emotion
network
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
CN202110325925.3A
Other languages
English (en)
Other versions
CN113076737A (zh
Inventor
杨腾飞
解吉波
张连翀
李国庆
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.)
Sanya Zhongke Remote Sensing Research Institute
Aerospace Information Research Institute of CAS
Original Assignee
Sanya Zhongke Remote Sensing Research Institute
Aerospace Information Research Institute of CAS
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 Sanya Zhongke Remote Sensing Research Institute, Aerospace Information Research Institute of CAS filed Critical Sanya Zhongke Remote Sensing Research Institute
Priority to CN202110325925.3A priority Critical patent/CN113076737B/zh
Publication of CN113076737A publication Critical patent/CN113076737A/zh
Application granted granted Critical
Publication of CN113076737B publication Critical patent/CN113076737B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • 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
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种融合公众情感的生态环境感知网络构建方法，包括：S1、获取与生态环境相关的互联网文本数据，并对获取的文本数据进行处理；S2、构建融合公众情感的生态环境感知网络；S3、基于构建的融合公众情感的生态环境感知网络，对生态环境进行检测与评估分析。本发明通过构建生态环境感知网络实现对生态环境的监测和评估分析，从公众观测的角度出发，结合时间维度和聚类算法以反映监测区域长时序的生态环境状况以及该状况下公众关注热点的划分。该方法使用成本低，针对性强，体现了以人文本的思想，有效的补充了专业观测手段的不足。

Description

一种融合公众情感的生态环境感知网络构建方法
技术领域
本发明涉及生态环境检测分析领域，具体涉及一种融合公众情感的生态环境感知网络构建方法。
背景技术
生态环境是与个人息息相关的重要话题，随着科技的发展以及人民生活水平的提高，公众对于生态环境质量的诉求不断高涨。特别是近年来，国家对于生态环境问题愈加重视，已相继出台多部重大法规进行生态环境督导。在此背景下，从不同方面加强生态环境质量监管显得尤为重要。
当前，得益于计算机、大数据及人工智能等技术的发展，基于包括遥感、地理信息系统等专业观测手段对生态环境监测起到了重要的作用。但不可否认，这些专业观测手段也存在着监测盲点。首先，它们多反映了生态环境状况的客观方面，而忽略了生态环境中人的意识。其次，从时空维度上看，专业观测手段上并不能实现全覆盖，也需要其他观测手段的辅助。随着互联网、移动互联网的蓬勃发展，以公众参与的网络大数据受到了广泛关注。公众作为移动传感器，能够很好的参与到生态环境监管中，有效弥补了专业观测手段的不足。但于此同时，这些公众上传的网络数据也存在较多缺点，如语言口语化，文本非结构化等，很难被直接使用。当前，不少研究人员对此做出努力，从不同角度出发对这些数据进行有效挖掘，包括基于文本关键词共现的网络构建方法。但相关研究并不充分，它们忽略了在公众观测过程中人的情感因素，一般而言，生态环境的监管中，人们负面情绪的关注热点往往也是有关部门需要督导和解决的重要生态环境问题。因此，将公众情感信息融入到网络的构建中，才能有效建立起人与生态环境间的关联关系。
发明内容
本发明提出了一种融合公众情感信息的环境感知网络构建方法，用来辅助监测指定区域的生态环境状况，并结合时间维度和网络聚类方法实现长时序的生态环境监管。
为实现上述目的，本发明提供了如下方案：
一种融合公众情感的生态环境感知网络构建方法，包括：
S1、获取与生态环境相关的互联网文本数据，并对获取的文本数据进行处理；
S2、构建融合公众情感的生态环境感知网络；
S3、基于构建的融合公众情感的生态环境感知网络，对生态环境进行检测与评估分析。
优选地，所述步骤S1中获取与生态环境的互联网文本数据的方法为：
利用互联网搜索平台进行搜索，获取不同平台互联网的文本数据。
优选地，所述步骤S1中，对数据进行处理的方式包括去重和结构化，所述结构化包括提取文本时间戳、以及文本所含内容，得到经过去重和结构化的数据，用于构建生态环境监测分析数据集。
优选地，步骤S2中，采用ISEEPN方法，将抽取到的互联网文本公众情感信息融合到文本关键词网络中。
优选地，所述将抽取到的互联网文本公众情感信息融合到文本关键词网络中，具体方法包括：
基于机器学习方法从互联网文本中提取文本公众情感信息和公众关注点信息；
对所述提取的文本公众情感信息和公众关注点信息进行抽取，将抽取得到的文本公众情感信息、公众关注点信息结合，构建融合公众情感的生态环境感知网络。
优选地，所述文本公众情感信息包括公众对于生态环境的关注热点以及对生态环境的情感倾向；所述生态环境的关注热点通过文本关键词抽取实现。
优选地，所述关键词抽取方法如式(1)：
Figure GDA0003938438410000031
其中，w为生态环境监测分析数据集中的关键词，Pw为关键词的频率，Pw_id表示生态环境监测分析数据集中该文本的文本编号，n表示生态环境监测分析数据集中所含的文本个数；
统计关键词之间的共现频率
Figure GDA0003938438410000032
其中wi和wj分别表示出现在同一文本中的两个不同的关键词。
优选地，所述文本公众情感信息的抽取，是通过对文本的理解，使用机器学习的方法自动化抽取文本情感值，将该情感值设置为Eid，其中设置正面情感值为1，负面情感值为-1，中性情感值为0。
优选地，所述构建融合公众情感的生态环境感知网络主要包括：
统计各关键词对应的文本的正面和负面情感的个数，分别用Pw_positive和Pw_negative表示，然后将各关键词w视为网络的节点Nw，该节点的度设置为Dw，其计算公式为：
Dw＝Ew_neg/pos*Cw*100 (2)
Figure GDA0003938438410000041
Figure GDA0003938438410000042
其中，Ew_neg/pos为关键词w对应的负面情感与正面情感的比值，
Figure GDA0003938438410000045
为第i个关键词的负面情感个数，Cw为指定关键词w对应的负面情感个数在所有关键词对应的负面情感数量中的占比；
构建融合情感信息的网络加权边，将共现关键词构建网络的边，边权重设置为WE，其计算公式为：
Figure GDA0003938438410000043
其中，
Figure GDA0003938438410000044
为统计关键词之间的共现频率，wi和wj分别表示出现在同一文本中的两个不同的关键词，Eid是指包含wi和wj关键词的文本对应的情感值。
所述共现关键词为两个共同出现在同一文本中的关键词。
优选地，所述步骤S3中，对生态环境进行检测与评估分析，包括：
结合时间维度，构建长时序生态环境感知网络，从公众视角了解生态环境的状况以及该状况下公众关注热点的变化；
基于网络聚类，得到在生态环境监测分析过程中，公众关注热点间关系的等级划分和变化特点，所述网络聚类以模块度最大化为聚类参考，其中模块度是指所聚社区内部边的权重减去所有与社区节点相连的边的权重和。
本发明的有益效果为：
(1)本发明通过构建生态环境感知网络实现对生态环境的监测和评估分析，该方法从公众观测的角度出发，结合时间维度和聚类算法以反映监测区域长时序的生态环境状况以及该状况下公众关注热点的划分，该方法使用成本低，针对性强，体现了以人文本的思想，有效的补充了专业观测手段的不足；
(2)本发明将公众关注热点信息及其对应的情感信息有效结合，所构建的网络不仅反映了公众对生态环境的客观描述，也反映了公众对此的主观评价，具有生态环境问题的综合表达能力。
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，下面将对实施例中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明融合公众情感构建生态环境感知网络及进行生态环境监测分析流程示意图；
图2为本发明构建生态环境感知网络示意图；
图3为本发明实施例中以2016至2018连续3年的海南省网络文本数据为基础分别构建的生态环境感知网络示意图；
图4为本发明实施例以2018年海南省生态环境感知网络为基础的聚类分析示意图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供了一种融合公众情感信息的环境感知网络构建方法，以实现生态环境监测。本实施例以海南省为例，时间跨度为2016、2017、2018共3年，对该区域内的生态环境作长时序的监测分析，本发明基于互联网多平台获取多源涉灾文本，然后使用包括自然语言处理、机器学习等方法抽取互联网文本中蕴含的公众情感信息和热点关注信息，然后构建融合公众情感信息的环境感知网络，最后结合时间特征以及网络聚类方法对海南省生态环境作长时序分析和评估。
本实施例中融合互联网公众情感信息的生态环境监测分析方法的流程示意图如附图1所示，具体包括：
S1、获取与生态环境相关的互联网文本数据，并对这些数据进行处理；
利用互联网多源搜索平台，采用“监测地名称+生态环境相关关键词”的搜索方式，获取不同互联网平台的文本数据。本实施例中设置关键词为“海南+生态环境”，然后从包括新浪微博、微信公众号、新闻等多平台搜索并获取相关数据。所述的数据处理方式，则是对得到的与关键词相关的文本数据去重和结构化，其中结构化主要包括提取文本时间戳、以及文本所含内容。最终所得数据构建生态环境监测分析数据库。
S2、构建融合公众情感信息生态环境感知网络；
(1)抽取互联网文本中蕴含的公众情感信息，基于机器学习方法对所获取得到的互联网文本进行分词、去停用词、关键词抽取以及文本情感信息Eid；
(2)基于单个文本统计该文本中各关键词的词频Pw_id，其中id为文本编号。基于整个数据集统计各关键词的词频Pw以及关键词之间的共现频率
Figure GDA0003938438410000071
基于整个数据集统计各关键词对应的文本的情感类别的个数，其中负面情感个数和正面情感的个数分别表示为Pw_negative和Pw_positive。
(3)基于得到的Eid、Pw_id、Pw、
Figure GDA0003938438410000072
Pw_negative和Pw_positive，通过本发明所述的节点度Dw和边权重WE计算方法，构建融合公众情感信息的生态环境感知网络。
如图2所示，为生态环境感知网络结构图，其中，节点度Dw越大，所对应的节点标识也越大，表明当前生态环境状况下，公众认为最突出的生态环境问题为该节点对应的主题(关键词)；边权重WE越大，则两节点间的连线越粗，表明当前生态环境状况下公众关注点之前的关系。
S3、对生态环境进行检测与评估分析；
结合时间维度的长时序生态环境监测与分析方法，本实施例所用数据包括2016、2017、2018共3年，分别对这3年的数据构建生态环境感知网络，并根据所得结果分析历年来海南省生态环境状况的变化特征，以及人们所关注的导致生态环境变差的热点因素。对感兴趣的年份，使用网络聚类分析，研究当前生态环境状况下公众关注点间的等级划分。
如图3所示，描述了2016年至2018年三年间海南生态环境状况的变化规律，从附图3中可以看出，密集度逐渐增强，表明公众对生态环境的关注度不断提高，关注范围逐渐扩大。根据节点大小可知，公众对生态的重点关注方面不同。2016年间，关键词节点“物种”、“海洋生物”、“海洋生态”较为显著的，表明公众对于海洋生态环境最为关注，其他方面如“污水”、“万泉河”、“建筑”等关键词表明城市环境问题。“督察”、“督察组”、“整治”等关键词则表明海南当前的环境现状。2017年间，关键词节点“向海”、“破坏”、“房地产”等较为显著，结合原始文本可知，不合理的城市开发导致生态环境破坏，尤其是非法填海现象。此外，网络中包括“红线”、“整改”、“污染”等词，表面当前现状仍然不容乐观，需要加强监管。2018年间，图中反应的主要问题节点包括“向海”、“要地”、“沿海”等，表明当前依然存在较为严重的违规填海等问题，此外，网络节点“采砂”、“污染”、“破坏”等关键词，结合原始文本可知，当前也存在非法采砂、生态区破坏、毁林等情况。整体来看，三年来，公众关注的问题表现出多样化，最为突出的问题为非法填海，其次包括衍生出的海洋生态问题以及与人们日常生活相关的城市污水、植被破坏等问题。且相应的关键词也表明，这些问题已引起生态部门的重视，并加强了监督和整改力度。
如附图4所示，以2018年为例，采用网络聚类方法分析关键词节点之间的共线关系，辅助挖掘相关生态环境问题的详细信息。聚类簇A为违建问题，关键词“违规”、“房地产”可知问题症结，关键词“文昌市”可知当前问题发生的主要区域，关键词“自然保护区”、“湿地”等表明生态环境的破坏对象。聚类簇B所含“海口”、“污染”、“老城”、“空气”等关键词，结合上下文信息表明公众对于该区域空气质量问题的回应，具体表现为以“露天烧烤”等为主的人为污染。该图中间权重较大、等级较好的聚类簇C，也是该网络反馈较为强烈的生态环境问题，其反映了当前海南省沿海县市向海要地、向岸要房情况的严重，尤其是儋州市，这足以引起相关部门的重视。
本发明通过构建生态环境感知网络实现对生态环境的监测和评估分析，该方法从公众观测的角度出发，结合时间维度和聚类算法以反映监测区域长时序的生态环境状况以及该状况下公众关注热点的划分，该方法使用成本低，针对性强，体现了以人文本的思想，有效的补充了专业观测手段的不足；本发明将公众关注热点信息及其对应的情感信息有效结合，所构建的网络不仅反映了公众对生态环境的客观描述，也反映了公众对此的主观评价，具有生态环境问题的综合表达能力。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (4)

1.一种融合公众情感的生态环境感知网络构建方法，其特征在于，包括：
S1、获取与生态环境相关的互联网文本数据，并对获取的文本数据进行处理；
S2、构建融合公众情感的生态环境感知网络；
S3、基于构建的融合公众情感的生态环境感知网络，对生态环境进行检测与评估分析；
步骤S2中，构建所述融合公众情感的生态环境感知网络包括，将抽取到的互联网文本公众情感信息融合到文本关键词网络中；
所述将抽取到的互联网文本公众情感信息融合到文本关键词网络中，具体方法包括：
基于机器学习方法从互联网文本中提取文本公众情感信息和公众关注点信息；
对所述提取的文本公众情感信息和公众关注点信息进行抽取，将抽取得到的文本公众情感信息、公众关注点信息结合，构建融合公众情感的生态环境感知网络；
所述文本公众情感信息包括公众对于生态环境的关注热点以及对生态环境的情感倾向；所述生态环境的关注热点通过文本关键词抽取实现；
所述文本关键词抽取方法如式(1)：
Figure FDA0003938438400000011
其中，w为生态环境监测分析数据集中的关键词，Pw为关键词的频率，Pw_id表示生态环境监测分析数据集中该文本的文本编号，n表示生态环境监测分析数据集中所含的文本个数；
统计关键词之间的共现频率
Figure FDA0003938438400000021
其中wi和wj分别表示出现在同一文本中的两个不同的关键词；
所述文本公众情感信息的抽取，是通过对文本的理解，使用机器学习的方法自动化抽取文本情感值，将该情感值设置为Eid，其中设置正面情感值为1，负面情感值为-1，中性情感值为0；
所述构建融合公众情感的生态环境感知网络主要包括：
统计各关键词对应的文本的正面和负面情感的个数，分别用Pw_positive和Pw_negative表示，然后将各关键词w视为网络的节点Nw，该节点的度设置为Dw，其计算公式为：
Dw＝Ew_neg/pos*Cw*100 (2)
Figure FDA0003938438400000022
Figure FDA0003938438400000023
其中，Ew_neg/pos为关键词w对应的负面情感与正面情感的比值，
Figure FDA0003938438400000025
为第i个关键词的负面情感个数，Cw为指定关键词w对应的负面情感个数在所有关键词对应的负面情感数量中的占比；
构建融合情感信息的网络加权边，将共现关键词构建网络的边，边权重设置为WE，其计算公式为：
Figure FDA0003938438400000024
其中，
Figure FDA0003938438400000031
为统计关键词之间的共现频率，wi和wj分别表示出现在同一文本中的两个不同的关键词，Eid是指包含wi和wj关键词的文本对应的情感值；
所述共现关键词为两个共同出现在同一文本中的关键词。
2.根据权利要求1所述的融合公众情感的生态环境感知网络构建方法，其特征在于，所述步骤S1中获取与生态环境的互联网文本数据的方法为：
利用互联网搜索平台进行搜索，获取不同平台互联网的文本数据。
3.根据权利要求1所述的融合公众情感的生态环境感知网络构建方法，其特征在于，所述步骤S1中，对数据进行处理的方式包括去重和结构化，所述结构化包括提取文本时间戳、以及文本所含内容，得到经过去重和结构化的数据，用于构建生态环境监测分析数据集。
4.根据权利要求1所述的融合公众情感的生态环境感知网络构建方法，其特征在于，所述步骤S3中，对生态环境进行检测与评估分析，包括：
结合时间维度，构建长时序生态环境感知网络，从公众视角了解生态环境的状况以及该状况下公众关注热点的变化；
基于网络聚类，得到在生态环境监测分析过程中，公众关注热点间关系的等级划分和变化特点，所述网络聚类以模块度最大化为聚类参考，其中模块度是指所聚社区内部边的权重减去所有与社区节点相连的边的权重和。
CN202110325925.3A 2021-03-26 2021-03-26 一种融合公众情感的生态环境感知网络构建方法 Active CN113076737B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110325925.3A CN113076737B (zh) 2021-03-26 2021-03-26 一种融合公众情感的生态环境感知网络构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110325925.3A CN113076737B (zh) 2021-03-26 2021-03-26 一种融合公众情感的生态环境感知网络构建方法

Publications (2)

Publication Number Publication Date
CN113076737A CN113076737A (zh) 2021-07-06
CN113076737B true CN113076737B (zh) 2023-01-31

Family

ID=76610467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110325925.3A Active CN113076737B (zh) 2021-03-26 2021-03-26 一种融合公众情感的生态环境感知网络构建方法

Country Status (1)

Country Link
CN (1) CN113076737B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012083856A1 (zh) * 2010-12-21 2012-06-28 北大方正集团有限公司 一种处理舆情话题的方法、装置和系统
CN103559233A (zh) * 2012-10-29 2014-02-05 中国人民解放军国防科学技术大学 微博中网络新词抽取方法和微博情感分析方法及系统
CN111475640A (zh) * 2020-04-03 2020-07-31 支付宝(杭州)信息技术有限公司 基于情感摘要的文本情感识别方法及装置
CN111680509A (zh) * 2020-06-10 2020-09-18 四川九洲电器集团有限责任公司 基于共现语言网络的文本关键词自动抽取方法和装置
CN111783426A (zh) * 2020-06-30 2020-10-16 中国传媒大学 一种基于双题法的长文本情感计算方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012083856A1 (zh) * 2010-12-21 2012-06-28 北大方正集团有限公司 一种处理舆情话题的方法、装置和系统
CN103559233A (zh) * 2012-10-29 2014-02-05 中国人民解放军国防科学技术大学 微博中网络新词抽取方法和微博情感分析方法及系统
CN111475640A (zh) * 2020-04-03 2020-07-31 支付宝(杭州)信息技术有限公司 基于情感摘要的文本情感识别方法及装置
CN111680509A (zh) * 2020-06-10 2020-09-18 四川九洲电器集团有限责任公司 基于共现语言网络的文本关键词自动抽取方法和装置
CN111783426A (zh) * 2020-06-30 2020-10-16 中国传媒大学 一种基于双题法的长文本情感计算方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于关键词共现和社区发现的微博热点主题识别研究;丁晟春;《现代情报》;20180331;第38卷(第3期);第10-18页 *
基于深度学习的社交媒体情感信息抽取及其在灾情分析中的应用研究;杨腾飞 等;《地理与地理信息科学》;20200331;第36卷(第2期);第62-68页 *
基于社交媒体的海南风灾监测数据集;张清兰 等;《中国科学数据》;20190523;第1-11页 *

Also Published As

Publication number Publication date
CN113076737A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
Dahal et al. Topic modeling and sentiment analysis of global climate change tweets
Salloum et al. Mining social media text: extracting knowledge from Facebook
CN110046260A (zh) 一种基于知识图谱的暗网话题发现方法和系统
CN104820629A (zh) 一种智能的舆情突发事件应急处理系统及方法
CN106598944A (zh) 一种民航安保舆情情感分析方法
Nooralahzadeh et al. 2012 Presidential Elections on Twitter--An Analysis of How the US and French Election were Reflected in Tweets
CN105138570A (zh) 网络言论数据疑似犯罪度计算方法
CN105630970A (zh) 社会媒体数据处理系统及方法
Tan et al. Damage classification and recovery analysis of the Chongqing, China, floods of August 2020 based on social-media data
CN105354305A (zh) 一种网络谣言的识别方法及装置
CN113449111B (zh) 基于时空语义知识迁移的社会治理热点话题自动识别方法
Wang et al. Urban crisis detection technique: A spatial and data driven approach based on latent Dirichlet allocation (LDA) topic modeling
Sarkar et al. Social media attributions in the context of water crisis
Zahera et al. I-AID: identifying actionable information from disaster-related tweets
CN112836109A (zh) 一种遗产旅游地推荐方法及系统
Sharafat et al. Data mining for smart legal systems
Bai et al. A novel emergency situation awareness machine learning approach to assess flood disaster risk based on Chinese Weibo
CN113254580B (zh) 一种特殊群体搜索方法及系统
Ye et al. Analyzing asymmetric city connectivity by toponym on social media in China
CN113064989B (zh) 一种交通舆情感知特征提取方法
CN113076737B (zh) 一种融合公众情感的生态环境感知网络构建方法
Singh et al. Fighting for Information Credibility: AnEnd-to-End Framework to Identify FakeNews during Natural Disasters.
Stojanovski et al. Social networks VGI: Twitter sentiment analysis of social hotspots
CN110489665B (zh) 一种基于情景建模和卷积神经网络的微博个性化推荐方法
CN117033655A (zh) 一种基于社交媒体数据的科技迷雾事件传播方法

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