基于结构平衡的社交网络舆情正向引导学习策略与方法

In social network platforms, a topic may evolve into hot public opinion after hundreds of millions of Internet users comments and spreads,. Under text big data of the social network, we grasp evolution tendency and development law of the topic. It is great significance for social stability that we adopt appropriate strategies and methods to guide negative and weak postive topics toward the positive development. At present, the domestic and foreign research on guidance strategy of network public opinion is still in its infancy. And so, we systematically put forward the theory and method of the positive guidance strategy of network public opinion in this project. Our mainly researches are listed as follows:. (1) Studying the apporches to identify the public opinion of the social networks based on the analysis of the time sequence features of topic pointview emotional tendency.. (2) Discussing the cooperative relationship model among public opinion life cycle, the public opinion evolution of the social networks and the balance dynamics of network structure. We explores the approaches of public opinion analysis of the social network based on its balance theory.. (3) Researching on features of public opinion guidance model by combining with structure holes analysis, the key node recognition and homogeneity analysis of social network structure.. (4) Designing the positive guidance learning model, algorithm and system of the social network public opinion by using the structural balance theory.. The project will not only advance the theory and approach of network structural balance, and expand its new application, but also provide technical support to the intelligent analysis, understanding and management of social network big data intelligent analysis. The project research has important theoretical significance and broad application prospects.

社交网络平台的一个话题经过众多网民评论与传播，可能演变成社会关注的热点舆情。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，对负向或弱正向话题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。国内外网络舆情引导策略的研究尚在起步阶段，项目立足于其引导理论、方法和研究手段不成熟等问题，系统地提出网络舆情引导策略的理论与方法。重点研究：基于话题观点情感倾向时序特性分析的舆情判别方法；社交网络舆情生命周期与结构平衡协同演化模型，探索网络结构平衡理论的社交网络舆情分析方法；基于网络结构平衡的结构洞、关键节点人物、同质化等研究，建立舆情引导模型特征参数；构建社交网络舆情正向引导式学习模型、算法及系统。项目的开展有助于拓展网络结构平衡理论性新的应用领域，也为社交网络舆情大数据的智能化分析、理解与管理提供技术支撑。具有重要的理论意义和广阔的应用前景。

社交网络成为获取信息的重要平台。话题经过众多网民评论与传播演变成社会关注的热点舆情。在社交大数据背景下，从话题产生源头把握其演化趋势，对负向或弱正向话题采用适当的策略加以引导，对社会稳定具有重要意义。主要内容及结论：. (1)研究了话题观点情感倾向时序特性分析的舆情判别方法。提出了一个改进的话题提取模型MF-LDA来提取微博中的热门话题，该模型改进了传统的LDA模型，通过结合微博特有的赞数、评论数等更好地提取出热门话题。提出了多视图集成学习的情绪角色挖掘模型（ERM-ME）和环境感知的情绪预测模型（SAEI）。与图卷积网络、随机森林、AdaBoost等方法相比较，在微博数据集上，ERM-ME的micro F1指标改善了约5.19%–8.95%。SEAI方法优于五种传统的方法（CRF、LSTM、GRU-D、SAE、TCN）。SAEP方法的micro F1在微博数据集上改进了7.30–13.41%。. (2)探索社交网络舆情生命周期与结构平衡演化模型。构建了热门话题生命周期模型HTLCM (Hot Topic Life Cycle Model)，并将话题的生命周期分为了五个阶段：诞生期、成长期、成熟期、衰退期和消失期。提出了一种新的基于结构洞的方法来（SHCPO）控制社交网络中的舆论。与添加代理和边的方法相比，SHCPO方法增加了边缘，在负面舆情向向正面舆情转化率上分别提高17%、10%。. (3)研究了网络结构平衡的结构洞、关键人物、同质化等，建立舆情引导模型特征参数。构建发现社区和结构漏洞的深度学习模型（ComSHAE）。 ComSHAE在真实数据上比HAM提高0.05 NMI，在合成数据上提高0.63 NMI。与SH检测方法相比，ComSHAE发现的结构洞至少提高了0.03个 SHI。利用三元闭包原则，提出一种基于机会、信任和动机的混合社会因素信息传播模型构建方法和时间序列的信息传播预测模型。. (4)构建网络舆情正向引导式学习模型、算法。根据HK-SEIR模型感染节点密度，免疫节点密度、网络结构洞、传播同质性构建舆情网络的特征函数，制定引导策略。提出一种基于双向对偶学习的负面网络舆论引导模型（dual-PPOG）。与HK、AE、Random和AIA的方法相比，dual-PPOG的正面舆情百分比分别增加了4%、6.9%和2.7%。