基于注意力机制的社交网络舆情引导文本生成方法与策略

Social network has become increasingly significant in helping people retrieve information and engage in social communication activities. A topic may evolve into hot public opinion after hundreds of millions of comments and spreads by Internet users. Under the environment of social network text big data, social stability benefits a lot from grasping the evolutionary trend and development law from the source of the topic, and adopting appropriate strategies for negative topics to guide forward a healthy direction. At present, the domestic and foreign research on guidance of network public opinion is still in its infancy. This project transfers the traditional public opinion guiding objects from individual or feature user groups to public opinion texts or time-series text streams. Lagged guidance of traditional public opinion is transformed into the source guidance based on text. First of all, we extract the topic event semantic structures and attribute emotional characteristics from time-series texts to automatically produce the words and sentences with guiding traits by using deep learning technique and attention mechanism. On top of that, these generated texts will be embedded in the original text so that the guiding traits can reach the guiding objectives for events and people. This project focuses on the following three aspects: . (1) research on event recognition and tracking of public opinion text based on time-series analysis, . (2) guidance trait analysis and embedding based on attention mechanism, and . (3) social network text embedded public opinion guided learning model, algorithm and system. .. The project will provide technical support for the intelligent analysis, understanding and management of social network big data.

社交网络成为人们获取信息、社会交往的重要平台。一个话题经过几亿网民评论与传播，可能演变成社会关注的热点舆论。在社交网络文本大数据背景下，从话题产生源头把握其演化趋势和发展规律，对负面倾向采用适当的策略加以引导朝着正向发展，对社会稳定具有重要意义。目前，国内外网络舆论引导策略的研究尚在起步阶段，理论方法和研究手段还不成熟。因此，本项目将传统方式的舆情滞后引导转变为基于文本(舆情提前量)的源头引导。通过注意力机制和深度学习技术抽取主题事件语义结构，学习属性情感特征，生成舆情引导特质，继而嵌入原文使得偏移的事件语义和情感能够达到对事件和人的舆情引导目标。重点研究：(1) 基于时序特性分析的舆情文本事件识别与跟踪研究, (2) 基于注意力机制的引导特质分析与嵌入研究, (3) 社交网络文本嵌入式舆情引导学习模型、算法及系统。项目的开展将为社交网络大数据的智能化分析、理解与管理提供技术支撑。

社交网络成为人们获取信息、社会交往的重要平台。一个话题经过几亿网民评论与传播，可能演变成社会关注的热点舆论。在社交网络文本大数据背景下，从话题产生源头把握其演化趋势和发展规律，对负面倾向采用适当的策略加以引导朝着正向发展，对社会稳定具有重要意义。本项目旨在通过注意力机制和深度学习技术研究社交媒体环境中舆论事件的时序特征，抽取主题事件语义结构，学习文本属性情感、情绪特征，生成舆情引导特质，继而嵌入原文使得偏移的事件语义和情感能够达到对事件和人的舆情引导目标。通过项目的研究，第一，建立了完善的静态数据嵌入技术（embedding），包括社交网络结构、用户节点、用户舆论文本的字符级属性、亚词级属性、词级属性、篇章（主题）级属性等，继而面向跨语言网络舆情，建立了跨网络跨语言的信息对齐技术，为基于注意力机制和深度学习的舆情分析、舆情引导研究提供了高质量的数据预处理方法。第二，建立了社交网络舆情分析的动态时序特征嵌入技术，将动态网络的演化归纳于微观和宏观层面的相互作用，首次将三元闭包和致密幂律结合到时序社交网络表示学习领域，最终获得的低维表示能有效保留网络随时间演化的动态特性，从而保留了更可靠的社会网络动态特征，为通过深度学习技术研究舆情演化和舆情引导动态提供高可用技术。第三，提出了基于时间序列分析的高准确性舆情信息传播预测方法N-SEP2M等。第四，为生成具有正向情感的引导文本和评估生成文本的情感类别和强度，建立了基于注意力机制和深度学习技术的细粒度的方面级情感分类技术MI-biGRU等。定义了舆情情绪（高兴、伤心、愤怒、惊讶、生气、厌恶）角色，提出了舆情情绪角色挖掘方法ERMME，通过文本的情感和情绪特征来预测个体在舆论事件演化未来的情绪，精确把握舆论发展态势和引导目标范围并生成引导文本。第五，构建了网络舆情引导逆转模型。