网络推手

多年网络推手从业经验,百余事件炒作经典案例。做一个靠谱的网络推手,业精于心,专于实战。打造热点,全民参与!
本站知名网络推手阿建官方网站,常年从事网红明星、品牌公司等网络炒作业务,微信:

在做好网站营销的基础上,依托互联网的优势,可以将一个好的企业品牌形象推向客户的眼睛,让潜在用户能够建立深刻的理解。在做营销网站的时候,我们必须从用户的角度考虑,从用户的需求出发做好品牌形象展示,让客户能够看到,并且需要通过多种渠道进行宣传和策划。 以下文章内容不代表本站观点和业务范围,版权归原作者所有。
媒体观察|交叉媒体网络舆情,让数据“说话”
  • 2021-01-04 14:16

编者按:随着网络和新媒体的发展,用户参与网络的形式和内容也变得多样化,这也导致了多样化数据的产生。非结构化的民意数据及其关系的处理已经变得不可避免。与传统的结构化或同构的舆情数据处理相比,在方法和技术上存在很大的挑战和困难。湖南师范大学新闻与传播学院的段峰峰和陈淼在2020年第一期《媒体观察》上发表了一篇论文。针对热点事件中不断增加的网络舆情异构、非结构化数据,通过引入人工智能理论和技术,提出跨[/k3/]网络舆情数据智能分析处理的6个研究方向和技术实践思路,从而全面、准确地处理舆情。

随着网络和新媒体的发展,网络舆情传播对政治舆论和秩序、社会生活等诸多领域的影响日益增大。舆情信息不再仅仅是文本、数字等结构化数据,图像、音频、视频等非结构化数据也在逐渐增多。当一个舆情事件发生时,与该事件相关的各种类型媒体数据可能会在网络中迅速传播。媒体随着数据多元化的趋势,调查非结构化舆情信息,研究异构舆情数据的获取、分析和处理,已经成为舆情预警和有效应对的关键。

目前常用的舆情监测系统主要针对结构化和半结构化数据,采集的数据一般为web文本数据,无法实现不同形式之间的关联搜索。热点话题可以根据话题活跃程度或数量进行发现和识别,但无法实现跨[/k3/]话题识别和跟踪,对非结构化的舆情难以预测。

随着新一代人工智能的发展,一些学者分析了人工智能技术在网络舆情监测和应对中的应用和价值,提出了将人工智能应用于网络舆情数据分析各个方面的范式,其中大部分都强调了语义分析的重要性。在实际应用领域,人工智能对网络舆情研究最重要的影响是,它将促进跨[/k3/]网络舆情数据的智能分析和处理。

沟通机制探索

一方面,网络舆论的传播和演变是环境文化价值观的体现。受意见领袖和议程设置的影响,它表现出沉默和群体极化螺旋下的认同或否定。为了表达这种认同或否定,参与者会用多样化、强有力的证据证明自己的认知价值;另一方面是参与者个人心理倾向的体现,受秩序、民权和权力欲望的影响,表现为在开放的互联网环境中表达和分享的欲望。为了实现表达和分享给他人带来的自我满足、公民诉求和影响,参与者会采用更丰富多彩的方式来呈现自己的观点和内容,以吸引他人的注意力。

大量参与者以各种方式参与,证据多样、观点丰富、内容丰富,导致舆情迅速传播扩散,跨媒体网络舆情大数据不断生成。异构性是交叉媒体舆情数据在形式上的最大特点。根据异构舆情数据的结构和特点,可以利用智能推理和贝叶斯网络方法和技术分析异构内容的语义特征,从而探索不同媒体数据类型之间的相关性本质和舆情热点的演化。并通过挖掘不同类型的舆情数据传播特征、互动机制、传播过程、传播路径和互动关系等。,实现跨[/k3/]网络舆情传播机制分析。

智能检索技术

与同构媒体之间的匹配检索不同,跨[/k3/]网络舆情大数据检索的关键是根据同一舆情事件的语义实现异构媒体数据之间的交互检索,可以利用人工智能相关技术建立跨[/k3/]数据之间的关系,并对其特征进行分析和匹配。(1)跨模态特征提取和融合。利用人工智能深度学习的理论和方法提取异构跨模态特征,即基于卷积神经网络的深度学习算法,利用多层学习实现特征检测和提取,根据特征贡献平衡异构特征,实现特征融合,获得高维多阶特征。(2)海量网络数据关联模型的构建。通过典型相关分析(CCA),建立容纳不同媒体特征的同构子空间(即相关子空间),利用最大系数的思想,通过连续的关联学习获得最大系数,构建异构媒体关联模型。在此基础上,基于本体语义和机器学习概念关系,挖掘异构媒体不同概念(3)构造异构、高维、稀疏特征。根据Mitchison提出的神经稀疏编码理论,通过结构学习构造异质高维稀疏特征。在此过程中,通过建立回归模型,利用先验知识,优化算子,构造选择算子。(4)基于增量学习的相关反馈。利用基于增量学习的相关反馈和用户感知的先验知识,修改查询向量和整个数据集之间的拓扑关系。反馈作用于跨媒体特征映射的子空间,而不是初始的视觉和听觉特征空间,从而提高查询效率。

智能识别和跟踪

在海量的网络信息中,及时准确地发现显性和隐性热点和敏感话题,跟踪其传播路径和演化趋势,可以预测和有效应对舆情发展。热点敏感话题的发现和识别主要取决于话题来源、用户参与的数量和频率等。追踪是分析参与者的新话题和原话题的相似性。Web中热点和敏感话题的识别和跟踪一般通过文本聚类来实现。一种是在聚类中使用关键词作为文本特征。通过使用不同的聚类算法,可以实现主题下的文本聚合,但文本很难准确形成主题。另一种是将文本簇映射成主题特征簇,然后根据事件对文本信息进行组织,重构成主题。从跨媒体网络舆情的形成和传播机制来看,用户参与和观点表达的形式,以及形成的新话题的信息内容是多样化的。简单的文本或同构媒体聚类和相似性分析很难跨媒体网络准确识别和跟踪舆情热点和敏感话题。

人工神经网络智能理论和技术可以支持基于深度学习的热点和敏感话题识别,即利用无监督多模态特征自动聚类方法和基于深度学习的技术,根据对cross 媒体异构数据相关性的研究,对cross 媒体特征进行分类和聚合,聚类中的异构多特征指向话题,通过检测和分析自动发现和识别热点和敏感话题。在基于深度学习的话题智能跟踪中,通过建立节点关联存储模型,分析记录话题传播路径,根据特征智能匹配技术实时跟踪话题演化,跟踪发现话题来源和演化脉络,跟踪舆情热点的传播过程。

热量智能预测

与文本描述相比,视频、音频、图像等非结构化视听内容包含更丰富、更直观、更真实的信息,更容易吸引受众的注意力。对于许多舆情事件,更多的人关注视频、音频、图像等视听资料的信息,迅速点燃了网络舆情的爆发或加速了网络舆情的传播。比如2018年8月27日发生的“昆山反杀案”。第二天直播视频曝光后,持刀人刘某某被“反杀”的戏剧性情节引起了大量网友关注。视频被网友点击,转发和评论数量大幅增加,引发并加速了网络舆情的快速升温和蔓延,8月30日达到第一高峰。在没有具体事件背景信息的情况下,正是因为视频内容的潜在流行性,才助推了网络舆情的流行,并使其得到广泛关注和迅速广泛传播。

基于内容的热度预测针对非结构化的视听内容,根据内容要素和特征预测其在网络传播中的关注度。基于内容的网络舆情流行度智能预测可以自动预测视频、音频、图像等舆情信息的关注度,从而预测舆情爆发的可能性和流行度,为有效预防舆情爆发和应对舆情危机提供支持。基于内容的热智能预测的关键在于场景理解可计算模型和方法,即在大数据分析和数据关联模型的基础上,进行内容关联,利用跨模态特征和关联关系形成可计算模型和方法的构建,实现对现实世界场景的理解,进而建立“物-信息-人”的关系,以及语义理解和传递。同时,根据对舆情数据内容的理解,在大数据挖掘深度学习的基础上,参考计算机视觉图像识别库ImageNet数据集,对图像和视频内容对象进行识别和热度分析,根据cross 媒体特征和相关分析预测舆情热度,从而自动挖掘潜在的热点舆情,支持舆情危机智能预测。

情商分析

舆情大数据的情绪分析是指对舆情事件的态度倾向的判断,如积极、中立、消极,或者更具体的态度类型如快乐、悲伤、喜欢、不喜欢、渴望、焦虑、MoO。在网络舆情的分析和实践中,大多数常见的舆情监测系统采用分词和语义分析的方法对带有情感色彩的词进行分类,并根据出现频率计算各种态度的概率,从而获得参与者对舆情事件情感的判断。但这些方法受句子、否定词、标点符号复杂程度的影响和制约,导致准确率较低,无力分析跨媒体异构数据的情感。人工神经网络智能方法和跨[/k3/]特征学习的引入,为跨[/k3/]网络舆情大数据的情感智能分析提供支持。

跨[/k3/]网络舆情大数据的情绪智力分析,一方面是基于深度学习的文本、图像、音频、视频的情绪计算,即利用深度学习模型对文本、图像、音频、视频分别进行文本关键词、图像对象、语音情绪特征、视频分割、对象识别分析,然后基于非线性处理的深度学习做出情绪判断。另一方面,跨媒体情商计算。事件的描述信息通常由多种类型的媒体组成。根据跨模态数据关联,基于深度学习构建最优情感计算模型,利用底层视听内容到认知层面实体到高层情感类型和强度的映射学习模型进行跨[/k3/]情感智能计算,实现情感分类和舆情信息理解。

长数据智能存储

在复杂的网络环境下,基于单一事件和常见的网络舆情演化模型,预测舆情发展趋势和应对各个阶段,在针对性、准确性和有效性上明显不足。2013年,美国学者塞缪尔·阿尔贝斯曼(Samuel Arbeseman)首次提出了“长数据”的概念,即具有历史深度的大规模数据聚合。长数据概念的引入,可以让我们在更长更深刻的历史语境中观察社会现象,了解现象之间的关系,深入挖掘事件发展变化的内在规律。在研究一个舆情事件时,可以与历史舆情事件数据关联,建立历史数据库,研究舆情事件的背景、发展趋势和演变规律。大数据的动态变化赋予了它“实时性”的特点。非结构化的音频、图片、视频变化更频繁,而长数据提供了另一种观察世界的深度视角,可以更方便地聚焦于这些“变量”的“常数”,从而总结事物的变化规律。结合长数据,可以更好的实现舆情分析、预警和应对。

跨媒体公众意见的长期数据分析的关键在于数据和相关关系的智能存储。通过建立舆情长数据案例库,为舆情分析和应对提供“典型模型”;通过研究类似事件,参考以往的沟通路径和应对策略,可以智能准确地预测舆情发展趋势,有效地提供舆情危机预警和应对方案。跨[/k3/]网络舆情数据的智能存储,一方面是跨[/k3/]舆情数据的智能编目,即基于舆情事件,形成数据编目方案,实现编目数据特征的智能采集、组织和描述;另一方面,它主要存储异构数据和关联关系。为了克服舆情大数据的动态变化,可以采用基于增量学习的非重复存储方法,实时存储舆情数据的增量,基于内容匹配消除重复数据。

[作者简介]段峰峰,湖南师范大学新闻与传播学院副教授,湖南社会舆情监测与网络舆情研究中心研究员,硕士研究生导师,博士

陈淼,湖南师范大学新闻与传播学院讲师,硕士学位

【基金项目】本论文是2018年国家社科基金项目“跨[/K3/]网络舆情大数据智能采集、分析处理技术及应用研究”(18BXW109)的研究成果之一。


最新动态


相关资讯

  • 网游开始烧钱:桐城一龙推费大幅上涨
  • 说起推手“奇瑞”真的不如长城的长
  • 收手机,配美容助手,交押金赌钱:一
  • 2020年,秦安苹果(嘉兴)推介会暨秦安
  • 直播推送监管意见出台,主播从此开
  • 或者可以玩!疯狂碰瓷DNF?搬砖一个
  • 如何利用好校园KOL分发校园内容推手
  • 博山农村商业银行举办普惠金融“四
  • 公司信息更新报告:第三季度报告持续
  • 爱情要建,福建网大V特别之旅!

    微信号:tuisho
    全年无休,早9点至晚9点

    复制号码

    跳转微信

    ×


    靓号
    此号仅服务老客户
    新客户请联系微信

    ×