本文選題：新浪微博　切入點(diǎn)：話題預(yù)測(cè)　出處：《華中師范大學(xué)》2016年碩士論文　論文類型：學(xué)位論文

【摘要】：近幾年,新浪微博已經(jīng)從流行轉(zhuǎn)變到主流再轉(zhuǎn)變到家喻戶曉,它改變著我們線上線下的生活方式,甚至取代傳統(tǒng)媒體成為我們發(fā)布和獲取信息的主要渠道。雖然微博信息是碎片化的、零散的,但當(dāng)大量的微博在討論同一個(gè)話題時(shí),這些零散的信息碎片就能聚合起來(lái),迅速傳播話題信息,讓話題成為焦點(diǎn),從而產(chǎn)生了一種新型的話語(yǔ)權(quán)。由于新浪微博的流行,以及熱門話題的影響力,對(duì)微博話題未來(lái)流行趨勢(shì)預(yù)測(cè)蘊(yùn)含著巨大商機(jī),成為市場(chǎng)營(yíng)銷和社會(huì)輿情監(jiān)督的重要課題。目前對(duì)微博話題的預(yù)測(cè)研究主要基于信息流的時(shí)間序列、意見領(lǐng)袖的參與度和微博網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。本文基于上述研究成果對(duì)話題流行度的影響因素進(jìn)行了總結(jié),提出一種將預(yù)測(cè)看作是對(duì)話題多元特征分類的方法,對(duì)微博話題流行趨勢(shì)進(jìn)行預(yù)測(cè)。本文利用五種最常用的分類模型(樸素貝葉斯、k-最近鄰,決策樹,邏輯斯蒂回歸和支持向量機(jī))來(lái)做預(yù)測(cè),故研究的主要任務(wù)是用有效的特征向量來(lái)描述微博話題。本文首先對(duì)新浪微博熱門話題的影響因素進(jìn)行分析,對(duì)熱門微博傳播路徑可視化后發(fā)現(xiàn)微博早期流行度,用戶影響力和話題自帶屬性是推動(dòng)話題流行的重要因素。根據(jù)這些影響因素分別從早期傳播動(dòng)態(tài)、用戶影響力和話題內(nèi)容三個(gè)方面抽取特征,構(gòu)造了三個(gè)相互補(bǔ)充的特征子集。本文基于新浪微博平臺(tái)采集了2166個(gè)話題,近162.5萬(wàn)條微博數(shù)據(jù),對(duì)預(yù)測(cè)模型進(jìn)行試驗(yàn)分析。結(jié)果顯示,利用分類模型輸入特征集合進(jìn)行預(yù)測(cè)的結(jié)果比輸入特征子集的結(jié)果要更準(zhǔn)確。在五種分類模型中,決策樹C4.5的F度量結(jié)果要優(yōu)于其他四個(gè)分類模型。論文首先介紹了新浪微博的迅猛發(fā)展和受歡迎的原因,并對(duì)國(guó)內(nèi)外相關(guān)研究的成果和方向做了述評(píng)；第二章介紹了微博的相關(guān)理論和分類預(yù)測(cè)技術(shù)；第三章主要論述了影響微博話題流行度的因素；在第四章中對(duì)微博相關(guān)概念做了形式化定義,詳細(xì)的給出了特征向量的計(jì)算方法,提出了新浪微博話題熱度預(yù)測(cè)模型的框架和流程；第五章主要對(duì)論文提出的模型做驗(yàn)證,并詳細(xì)介紹了新浪微博數(shù)據(jù)爬取和預(yù)處理的具體流程。在最后一章,對(duì)論文的主要工作和創(chuàng)新點(diǎn)進(jìn)行了總結(jié),并提出研究的改進(jìn)方向。
[Abstract]:In recent years, Sina Weibo has changed from popular to mainstream to household name. It has changed our way of life both online and offline. Even replacing the traditional media as the main channel for us to publish and obtain information. Although Weibo's information is fragmented and fragmented, when a large number of Weibo is discussing the same topic, these scattered pieces of information can converge. The rapid dissemination of topic information has made the topic a focal point, thus creating a new type of discourse power. Due to the popularity of Sina Weibo and the influence of hot topics, there is a huge business opportunity to predict the future trend of Weibo topic. It has become an important topic in marketing and supervision of social public opinion. At present, the research on the prediction of Weibo's topic is mainly based on the time series of information flow. Based on the above research results, this paper summarizes the influencing factors of topic popularity, and proposes a method of classifying multiple features of topics by using prediction as a method. This paper uses five most commonly used classification models (naive Bayesian nearest neighbor, decision tree, logistic regression and support vector machine) to predict the trend of Weibo. Therefore, the main task of the study is to describe Weibo's topic with effective feature vectors. Firstly, this paper analyzes the influencing factors of popular topics in Sina Weibo, and after visualizing the path of transmission of popular Weibo, finds out the early prevalence of Weibo. User influence and topic characteristics are important factors to promote topic popularity. According to these factors, the characteristics are extracted from three aspects: early communication dynamics, user influence and topic content. Three complementary feature subsets are constructed. Based on the Sina Weibo platform, this paper collects 2166 topics and nearly one million six hundred and twenty-five thousand Weibo data, and makes an experimental analysis of the prediction model. The results show that, The prediction results using the input feature set of the classification model are more accurate than the results of the input feature subset. The F-metric result of decision tree C4.5 is superior to the other four classification models. Firstly, the paper introduces the rapid development of Sina Weibo and the reasons for its popularity, and reviews the research achievements and directions at home and abroad. The second chapter introduces Weibo's related theory and classification and prediction technology; the third chapter mainly discusses the factors that influence the popularity of the topic of Weibo; in Chapter 4th, it gives a formal definition of the relevant concepts of Weibo. The calculation method of feature vector is given in detail, and the framework and flow of heat prediction model of Sina Weibo topic are put forward. Chapter 5th mainly verifies the model proposed in this paper. In the last chapter, the main work and innovation of the paper are summarized, and the improvement direction of the research is put forward.
【學(xué)位授予單位】：華中師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：G206

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 師瑞峰;周一民;;基于數(shù)據(jù)挖掘的人口數(shù)據(jù)預(yù)測(cè)模型綜述[J];計(jì)算機(jī)工程與應(yīng)用;2008年09期

2 姚光圻;趙榮黎;;場(chǎng)強(qiáng)預(yù)測(cè)模型分析及應(yīng)用[J];移動(dòng)通訊裝備;1987年05期

3 唐蕓,秦秀華,蘇杰南;一種簡(jiǎn)易預(yù)測(cè)模型的應(yīng)用[J];林業(yè)調(diào)查規(guī)劃;2002年02期

4 吳學(xué)雁;辜敏;漆晨曦;;綜合運(yùn)用各種建模方法提高預(yù)測(cè)模型的準(zhǔn)確度[J];廣東通信技術(shù);2006年06期

5 張飛飛;吳杰;呂智慧;;云計(jì)算資源管理中的預(yù)測(cè)模型綜述[J];計(jì)算機(jī)工程與設(shè)計(jì);2013年09期

6 廖燦平,柳玉柏;科技期刊發(fā)行量的灰色預(yù)測(cè)模型[J];編輯學(xué)報(bào);1990年04期

7 劉曉雁,方憶岡;“讀者需求”預(yù)測(cè)模型[J];晉圖學(xué)刊;1997年02期

8 張慧敏;宋東;郭勇;王彥松;;故障預(yù)測(cè)模型的評(píng)價(jià)方法研究[J];測(cè)控技術(shù);2013年05期

9 謝開貴,何斌,鄭繼明;灰色預(yù)測(cè)模型建模方法探討[J];重慶郵電學(xué)院學(xué)報(bào);1998年03期

10 胡代平,王浣塵;建立支持宏觀經(jīng)濟(jì)決策研討廳的預(yù)測(cè)模型系統(tǒng)[J];系統(tǒng)工程學(xué)報(bào);2001年05期

相關(guān)會(huì)議論文 前10條

1 鄢小彬;肖新平;;基于灰色馬爾可夫模型的煤礦安全預(yù)測(cè)[A];第九屆中國(guó)青年信息與管理學(xué)者大會(huì)論文集[C];2007年

2 羅榮桂;黃敏鎂;;基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的服務(wù)業(yè)發(fā)展預(yù)測(cè)模型[A];Well-off Society Strategies and Systems Engineering--Proceedings of the 13th Annual Conference of System Engineering Society of China[C];2004年

3 王亮;劉豹;徐德民;;預(yù)測(cè)模型的選擇及其智能化實(shí)現(xiàn)[A];科學(xué)決策與系統(tǒng)工程——中國(guó)系統(tǒng)工程學(xué)會(huì)第六次年會(huì)論文集[C];1990年

4 肖健華;吳今培;;基于支持向量機(jī)的預(yù)測(cè)模型及應(yīng)用[A];2003年中國(guó)智能自動(dòng)化會(huì)議論文集（下冊(cè)）[C];2003年

5 李陽(yáng)旭;鄧輝文;;一種新的企業(yè)市場(chǎng)預(yù)測(cè)模型及其比較研究[A];2004年中國(guó)管理科學(xué)學(xué)術(shù)會(huì)議論文集[C];2004年

6 馬志元;;城市區(qū)域經(jīng)濟(jì)、人口、能源、環(huán)境綜合系統(tǒng)預(yù)測(cè)模型及應(yīng)用[A];中國(guó)城市建設(shè)與環(huán)境保護(hù)實(shí)踐——城市建設(shè)與環(huán)境保護(hù)學(xué)術(shù)研討會(huì)論文集[C];1997年

7 李兆芹;姚克敏;;一種新的疾病發(fā)病率預(yù)測(cè)模型研究[A];首屆長(zhǎng)三角氣象科技論壇論文集[C];2004年

8 李兆芹;姚克敏;;一種新的疾病發(fā)病率預(yù)測(cè)模型研究[A];首屆長(zhǎng)三角科技論壇——?dú)庀罂萍及l(fā)展論壇論文集[C];2004年

9 張曉f^;;全球煤炭產(chǎn)量的灰色預(yù)測(cè)模型[A];中國(guó)現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)第十三屆學(xué)術(shù)年會(huì)論文集[C];2007年

10 肖會(huì)敏;樊為剛;;基于神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量預(yù)測(cè)模型[A];04'中國(guó)企業(yè)自動(dòng)化和信息化建設(shè)論壇暨中南六省區(qū)自動(dòng)化學(xué)會(huì)學(xué)術(shù)年會(huì)專輯[C];2004年

相關(guān)重要報(bào)紙文章 前10條

1 劉慶;“預(yù)測(cè)模型”要緩行[N];網(wǎng)絡(luò)世界;2006年

2 特約記者 劉京濤;華東化工銷售員工設(shè)計(jì)價(jià)格預(yù)測(cè)模型見成效[N];中國(guó)石油報(bào);2010年

3 南方日?qǐng)?bào)記者 彭琳　實(shí)習(xí)生 周鵬程;預(yù)測(cè)世界杯之外 大數(shù)據(jù)還能做什么[N];南方日?qǐng)?bào);2014年

4 本報(bào)記者 張超;預(yù)測(cè)模型：推算SARS起落潮[N];科技日?qǐng)?bào);2003年

5 本報(bào)記者 段佳;機(jī)器“品肉師”替您“嘗鮮”[N];大眾科技報(bào);2010年

6 BMC首席IT技術(shù)官 Mahendra Durai　IDC顧問(wèn) Eric Hatcher Randy Perry;預(yù)測(cè)智能：管理復(fù)雜基礎(chǔ)架構(gòu)的鎖鑰[N];中國(guó)計(jì)算機(jī)報(bào);2010年

7 張琳 趙偉;巧用Excel構(gòu)建利潤(rùn)預(yù)測(cè)模型[N];財(cái)會(huì)信報(bào);2007年

8 楊宜勇（作者為國(guó)家發(fā)改委經(jīng)濟(jì)研究所副所長(zhǎng)）;發(fā)揮信息化對(duì)就業(yè)的“增補(bǔ)效應(yīng)”[N];第一財(cái)經(jīng)日?qǐng)?bào);2005年

9 本報(bào)記者 湯潯芳　實(shí)習(xí)記者 董文萍;“孵化器”模式：大數(shù)據(jù)的垂直運(yùn)營(yíng)樣本[N];21世紀(jì)經(jīng)濟(jì)報(bào)道;2014年

10 本報(bào)記者 安豐;深部找礦的探鏡[N];中國(guó)國(guó)土資源報(bào);2006年

相關(guān)博士學(xué)位論文 前10條

1 師懿;城市交通規(guī)劃環(huán)評(píng)中空氣污染預(yù)測(cè)模型研究[D];中國(guó)地質(zhì)大學(xué);2015年

2 張麗;牦牛肉用品質(zhì)特性及近紅外預(yù)測(cè)模型和產(chǎn)量等級(jí)系統(tǒng)的研究[D];中國(guó)農(nóng)業(yè)科學(xué)院;2015年

3 吳利豐;分?jǐn)?shù)階灰色預(yù)測(cè)模型及其應(yīng)用研究[D];南京航空航天大學(xué);2015年

4 王菲;肉牛飼料有效能值預(yù)測(cè)模型的建立與評(píng)價(jià)[D];中國(guó)農(nóng)業(yè)大學(xué);2016年

5 文江平;農(nóng)村地區(qū)成人2型糖尿病發(fā)生風(fēng)險(xiǎn)相關(guān)生物標(biāo)志物的篩選及預(yù)測(cè)模型的建立[D];中國(guó)人民解放軍醫(yī)學(xué)院;2016年

6 白云鵬;華法林穩(wěn)態(tài)劑量預(yù)測(cè)模型在瓣膜置換術(shù)后抗凝治療中的應(yīng)用[D];天津醫(yī)科大學(xué);2016年

7 周闖;原發(fā)性肝癌術(shù)后轉(zhuǎn)移復(fù)發(fā)分子預(yù)測(cè)模型的優(yōu)化整合與臨床轉(zhuǎn)化[D];復(fù)旦大學(xué);2012年

8 孫忠林;煤礦安全生產(chǎn)預(yù)測(cè)模型的研究[D];山東科技大學(xué);2009年

9 王冬光;控制技術(shù)在投資預(yù)測(cè)模型建立中的應(yīng)用研究[D];哈爾濱工程大學(xué);2005年

10 張麗峰;中國(guó)能源供求預(yù)測(cè)模型及發(fā)展對(duì)策研究[D];首都經(jīng)濟(jì)貿(mào)易大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 劉冰;基于神經(jīng)網(wǎng)絡(luò)的纖維熱磨過(guò)程能耗預(yù)測(cè)模型的研究[D];東北林業(yè)大學(xué);2015年

2 張念;鐵路軌道幾何不平順趨勢(shì)預(yù)測(cè)的關(guān)鍵算法研究[D];西南交通大學(xué);2015年

3 田振偉;城市能源預(yù)測(cè)模型的研究與應(yīng)用[D];昆明理工大學(xué);2015年

4 吳迪;基于模糊決策樹算法的安全庫(kù)存量預(yù)測(cè)模型[D];中國(guó)地質(zhì)大學(xué)(北京);2015年

5 齊雯;采用灰色預(yù)測(cè)模型改進(jìn)的HHT算法在故障診斷中的應(yīng)用[D];華南理工大學(xué);2015年

6 王萍;膀胱癌遺傳分?jǐn)?shù)的計(jì)算及發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建[D];復(fù)旦大學(xué);2013年

7 石大宏;基于序列的蛋白質(zhì)—核苷酸綁定位點(diǎn)預(yù)測(cè)研究[D];南京理工大學(xué);2015年

8 熊盛華;基于BP神經(jīng)網(wǎng)絡(luò)的混合預(yù)測(cè)模型的實(shí)例研究[D];蘭州大學(xué);2015年

9 趙Z，

本文編號(hào)：1611141