面向新浪微博签到数据的时空热点事件检测方法

传统面向文本数据的事件检测方法在处理以微博为代表的社交媒体数据时面临着效率和准确性的挑战。同时,社交媒体数据中富含的位置信息常常不能被有效地识别和利用,这无疑会影响到事件检测的效果。本文基于对已有研究的总结归纳,定义了一类面向微博签到数据的时空热点事件,并提出了一种新的微博时空热点事件检测方法对其进行识别。通过两组实际数据的实验,证明该方法能够有效地从海量的微博数据中挖掘出具有时空特征的热点事件。     

网络社区交流中距离的作用——以新浪微博为例

信息通信技术的快速发展丰富了人们的交流方式,也逐步影响人们的社交网络。本文通过分析新浪微博用户在网络社区中与本地人/外地人、熟人/陌生人的交流差异,探讨空间距离与社会距离在网络社会空间中的作用。在问卷调研中,结合新浪微博用户的网络“痕迹”,较为可靠的获取南京成年人微博用户与本地人/外地人、熟人/陌生人在网络社区中的交流差异。研究表明：①在网络社区中,相较于外地人与陌生人,受访者更倾向与本地人以及熟人交流,网络社区中空间距离与关系距离的作用仍然存在;②受访者在网络社区中与本地人/外地人、熟人/陌生人的交流差异受社会经济属性、居住环境、微博使用频繁程度影响;③虽然理论上网络社区使得用户能够克服距离阻力,延伸其关系网络,但空间距离与关系距离的存在使得实际生活中的社会关系网络仍然扎根于用户在网络社区中的交流。     

基于微博数据挖掘的九寨沟7.0级地震灾情时空特征分析

2017年8月8日21时19分九寨沟发生7.0级地震,震后数小时里,大量与地震相关的信息广泛传播,互联网社交媒体高度关注,九寨沟地震成为最热议话题。本文以新浪微博为例,获取了距震中200km范围内震前、震后24h的微博数据,通过对数据清洗、分类和挖掘,分析了此次地震微博的数量、灾情分类、词频统计、时间序列和空间分布等特征,同时与实际灾评结果进行了对比分析。研究结果表明,对震后社交媒体数据进行充分挖掘,分析提取地震灾情关键信息,有助于对灾情的宏观把握,对救灾决策部署有一定的参考意义,是解决震后灾情获取难度大、覆盖小、时效性差等问题的一种有效的辅助手段。     

基于新浪微博的2017年四川九寨沟7.0级地震舆情情感分析

地震等重大自然灾害发生后,越来越多的民众通过网络来获取和发布灾情信息、表达个人观点和情感等,产生了海量的地震灾害网络数据。首先简要综述了针对地震灾害网络数据的相关研究;然后以2017年四川九寨沟7.0级地震为例,基于新浪微博数据,分析了社会民众对于此次地震事件表现出的情感倾向特征,结果显示:75.30%的博文表现了积极情感倾向;最后通过对不同情感倾向博文的内容分析,总结了影响网民情感波动的主要因素。     

利用卷积神经网络提取微博中的暴雨灾害信息

从社交媒体中挖掘灾害应急信息,能够有效帮助传统灾害管理获取实时、主题丰富的灾害信息,从而成为灾害应急管理的新手段。得益于深度学习在自动特征提取上的成就,本文研究了一种利用卷积神经网络对社交媒体中的灾害应急信息进行自动实时提取与分类的方法。首先,利用社交媒体数据和Word2vec模型,构建与灾害类事件相关的语料库并获得相应的词向量;其次,将词嵌入文本和相应的灾情类别作为卷积神经网络的输入,经过多分类学习得到分类模型,用以提取近实时灾害信息。以2012年“7.21北京特大暴雨”事件为案例,通过分类模型获得常见灾情类别的暴雨灾害社交媒体信息。该模型在测试集上的精度达到了90%以上,并且将模型运用于新爬取的2016年暴雨数据集上也得到了较好的表现,说明该模型在近实时自动提取灾害信息方面具有可行性。在对2012年分类结果进行时空分析结果表明,通过社交媒体获得的暴雨灾害主题信息符合灾害发展的规律,说明了利用深度学习提取社交媒体数据中的灾害应急信息的有效性和可行性,能够为实时灾害应急管理提供新的思路。     

社交媒体数据的获取与处理分析研究

带有地理空间信息的社交媒体数据是由众多专业和非专业用户主观发布并通过社交媒体向公众或组织提供的一种开放地理空间数据。为了高效地获取签到数据以及保证签到数据的正确性、可靠性、完整性,满足数据挖掘算法的需要,本文以微博签到数据为例,提出了获取数据的关键技术,包括调用微博API的方法、研究区域格网化的获取方法,提高了数据的获取效率。并且针对获取的原始数据提出了对其处理的方案并对获取的数据结果进行了相关的统计描述。     

重大公共卫生事件中的舆情分析方法研究——以新冠肺炎疫情为例

2019年12月以来,新冠肺炎疫情迅速席卷全球,截至北京时间2020年5月10日16时40分,全球累计确诊病例4 115 662例,已成为全球聚焦的主要话题.微博等社交媒体平台成为此次疫情相关信息传播的重要渠道和公众情绪的有效传感器之一.对微博信息进行深入挖掘分析不但能研判舆情特点,更有助于政府对公众的情绪进行针对性疏...     

基于微博的芦山地震前后宏观异常信息筛选与分析

地震宏观异常是指地震前后人的感觉能直接察觉到的自然界异常现象,本研究在芦山地震后,针对公众通过微博发布的异常信息进行搜集,提出从真实性、完整性、信誉度和关联度四方面对公众提供的微博宏观异常信息进行筛选的方法,并根据筛选后的信息从时间角度、空间分布等方面进行芦山地震前后宏观异常信息的分析研究.结果表明,芦山地震前后是有宏观异常出现的,公众关注的异常种类主要为动物异常与天气异常;震前发生宏观异常占宏观异常总数的67％,但仅有30％被发布;微博发布的宏观异常信息中,大多位于距离震中较远的成都市,而非震中地区.微博信息可以作为宏观异常信息的一个主要的及时信息来源,有助于发挥群测群防在防震减灾工作中的作用.     

基于新浪微博大数据的新疆伽师6.4级地震舆情分析及可视化研究

基于新浪微博大数据,运用网络爬虫技术,获取新疆伽师6.4级地震后48小时新浪微博相关的博文和评论;通过对数据的去噪、去重、分词、索引等处理,得到结构化的分级、分类数据;在此基础上,产出震后微博舆情声量走势图、震后微博舆情情感值极性分布图、震后微博舆情热词词频统计表、博文和评论词云图以及博文和评论内容分类统计图,实现微博舆情数据的可视化。     

基于微博位置签到数据的POI更新方法

POI的现势性对于位置服务至关重要,但传统人工实地调查效率低,现势性无法满足需求。以当前用户参与数众多的微博社交网络为数据平台,提出了一种基于微博位置签到数据的POI更新方法。首先,对微博位置签到数据进行预处理,剔除语义与空间位置不一致的噪声点,在此基础上提出一种基于RANSAC算法的位置签到数据集地理配准方法,实现位置签到数据与已有地理数据库的可靠配准;然后,将位置签到数据集与已有POI数据库进行空间分析与匹配建模,对匹配不成功的位置签到数据进行有效性验证,提取有效新增数据入库用以更新POI;最后,以武汉市的街旁网位置签到数据进行POI更新实验,能够有效地发现新增POI和消失POI,为POI快速高效更新提供了全新的方式。