多媒体网络舆论监督基于大数据的预测算法

文摘

本文着重于多维多媒体网络舆论监督机制的建设,把研究大数据的时代的背景下,基于之间的区别的分析和定义网络舆论和网络民意,深入总结了网络舆论在大数据的时代。新特性分析网络舆论所面临的机遇和挑战的时代大数据。基于指标体系的结构合理,本文研究了多媒体网络舆论评价和预测算法。现有网络民意评估和预测算法在获取数据序列的特点和缺点长期依赖的数据序列,和过度拟合问题的梯度消失可能发生在训练。因为上述问题,基于长期和短期记忆网络模型,一个正规化的方法被用来构造一个多媒体网络舆论预测模型算法。本文构建了一个多媒体网络舆论威胁等级评估模型基于公众舆论监督预测模型并进行分析。模型构建这一次不仅可以提高民意评估和预测的准确性也更好的避免梯度消失和过度拟合的问题。

1。介绍

大数据是结合我们的生活的各个方面,和数据爆炸是我们目前面临的时代的特征。人们参与和使用网络,生成数据每一刻。经理在新时期必须实现数据和关注它的价值。找到有效的方法使数据提供帮助和支持自己的业务1]。网络舆论和互联网的融合在大数据时代显示新功能和管理带来更大的困难和挑战。同时,新技术的不断发展和应用,如大数据和云计算带来的支持数据收集分析和处理成有价值的信息(2]。在新时代的背景下,网络舆论可以被视为意见的网民的数据集合,它还可以通过新技术革命开放新情况(3]。大数据网络舆论影响的同时,也带来了新的机遇和挑战,网络舆论管理能力建设(4,5]。

大数据的联合发展和各领域不仅为各项事业带来了新的机遇和挑战。与此同时,它还要求网络舆论管理需要创新思维和指导。大数据,专门从事数据处理和提炼信息,有新的讨论空间与网络舆论的管理(6]。许多国家已开始引入大数据在网络舆论的管理,但有相对较少的理论结构,把两者结合起来。在过去,网络舆论管理的概念和方法面临的缺点在面对数据爆炸性的增长。不再是可以使用被动应急响应的思维和方法论在积累负面舆论危机。大数据值相关性和连接和集成数据考虑到网络舆论的管理。解决现有的一代,研究网络舆论的平静试图把它与大数据概念和技术(7]。如图1,它探讨了大数据的应用程序在网络舆论的提取和分类,分析和监测,预测和指导,等。基于先前的研究在大数据和网络舆论管理理论,两者的结合的深度进一步深化和扩展。

基于的研究网络舆论管理大数据下,这不是一个简单的技术方案。大数据是未来信息社会和学术研究的关键点。它具有强大的生命力和发展前景8]。它既是理论和实践技术水平。结合的工具和在线研究,舆论可以进一步提高网络舆论的理论研究,探索新形式的网络舆论的新时代,创新思维和网络舆论管理机制和提高网络舆论管理的能力9]。国内对大数据的应用研究主要集中在利用大数据的数据挖掘技术,相关分析和开发数据值的信息。数据的应用价值,研究大数据时代下的命题。

为研究大数据的应用技术,它进行了详细的综述的主题数据采集、存储和管理、传输、处理、分析和计算,并应用程序。分析了国内外大数据应用的现状,强调了在中国当前的问题和缺陷的大数据技术和应用研究,并提出了有针对性的对策(10]。大量研究政策,根据技术和应用研究的发展和改进建议,我们可以有灵感,并强调加强大型数据政策、技术、资源利用和共享这三个领域的改善。大数据和数据关联分析,梳理了当前的方法和路径分析和挖掘数据使用大数据技术和预测了大数据技术的应用方向的数据关联。不仅是强调,大数据应用的技术水平也应关注长期价值和战略角色数据应该关注的11]。这项研究不仅应该参考意义结合大数据技术和采矿方法与网络舆论管理领域也启发需要关注大数据的相关分析。

大数据关联分析的特点越来越被窃听,和研究使用大数据技术建立舆论监控系统和预测模型来监控和预测网络民意已经出现。基于大数据的在线社会网络分析方法定量分析公众舆论,研究人员专注于使用大数据建立网络舆论分析技术平台,强调网络的关键作用“意见领袖”,加强培养网民的媒介素养,更积极有效地应对复杂的网络舆论传播的趋势。研究人员具有类似特征的分析大数据和网络舆论关注的数据建立一个网络使用大数据技术预测模型。相关研究分析了网络舆论的相关概念和特点在大数据和构建一个网络舆论基于大数据分析系统模型(12]。根据其研究,舆论分析系统在大数据环境中需要满足捕获信息的全面性、及时性的信息处理,分析结果的准确性。基于这三个要求,一个网络舆论分析模型包括四个模块,信息收集、信息预处理、舆论分析,公众意见的报告。在这个过程中,大网格单元采集技术,文本预处理技术和聚类技术主要应用13]。我们讨论大数据技术的应用紧急民意信息工作,包括舆论监测和信息收集、数据处理公众意见的信息,公众舆论分析,和事件预测的支持(14,15]。

本文使用网络民意评估和预测指标体系结合深入学习模式研究多媒体网络民意评估和预测算法。与此同时,介绍了相关理论和技术使用的多媒体网络民意评估和预测研究所。详细介绍了学习模型。数据集的基础上,本文构造一个合适的评价和预测模型,最后,该模型应用于实际情况。

2。多媒体网络舆论监督主体和基于大数据的过程

2.1。主体下的网络舆论管理大数据

根据大数据,信息传播媒体创新;各种新兴媒体出现和广泛使用。网络媒体已成为公众获取信息的主要渠道和声音,和正确的说话已经改变了。同时,高度开放的网络环境,在大数据时代,大量的数据在高速流动不仅带来了大量的原始数据的舆论也产生新的舆论的关键节点。它改造了现有的话语模式,然后影响网络舆论管理主题的变化。大数据提示频繁的信息交流。公众接受更多的外国民主理念,法治,监督的概念。公众的公民意识开始觉醒,并开始关注各种政治话题相关的权利和利益。在大数据时代,各种新媒体使用方便和快速,和公众可以随时发表演讲和发布信息,任何地方。你也可以提出主题和发起讨论。 In the era of big data, new media have become an important public opinion field that cannot be ignored. With the help of new media “microphone” that everyone can use, netizens voluntarily publish new topics and discussions. These topics are often the focus of public attention nowadays, with a strong public opinion base and attractive discussion. The influence of public opinion generated by cyberspace is increasing.

随着网络政治不断进步,成为流行,互联网用户和政府之间的直接对话变得越来越普遍。网络舆论的影响政府管理决策是变老16]。在某种程度上,人民的方式和渠道参与政治生活已经改变了。高度开放的网络环境下的大数据使公众更积极参与讨论公共事件和政府管理的减速,这有一个好影响公共空间的进步和发展。但与此同时,它也带来了巨大的挑战,网络舆论的管理,高度开放的网络环境和日益扩张的参与群体。网络舆论的生成和发展对一个事件不可避免地受到无数不同的意见。因为开放的环境和技术的使用,公众已经牢牢把握正确的舆论在网络说话,和它的积极参与带来了更大的挑战和困难,网络舆论的管理。

在传统纸质媒体和互联网发展的早期阶段,主流媒体的中心是引导公众舆论。当时,舆论占据了最重要的管理位置的债券,除了政府的行政部门。权利说对话的掌握远远高于公众,它充当桥梁创造良好和健康的舆论氛围。如图2,随着互联网的快速发展在大数据下,主流媒体的声音伴随着高人民的参与和网络媒体的崛起和力量;影响减弱,和公众舆论的参与管理有所下降(17]。讨论一些突发事件或政治话题后,社交媒体增加主题超级传播和扩散能力。许多受欢迎的主题是均匀地分布在数亿的水平。然而,在这个过程中生成的数据有缺点如碎片,情感,和片面性。因此,主流媒体的作用仍然是不可低估,它需要发挥作用作为一个商店的公众舆论。这表明,各种新媒体的广泛应用降低了传统主流媒体参与网络舆论的管理,但它在公众舆论管理中的作用是不容忽视的。

大数据时代的到来,各行各业越来越关注,重视,应用大数据技术和理性帮助开展工作。一系列技术革命在大数据时代也带来了深刻的思想更新(18]。开发利用大数据的主体应该有效地建立大数据的概念和注意挖掘数据的价值。“大数据”的概念主要是判断事物的发展趋势的基础上用数据这个概念。判断开始需要绝大多数的有效数据的基础上,分析思路和方法遵循真实的数据分析、挖掘隐藏的价值,总结发展规律,预测这一过程的发展趋势。在过去,在网络舆论的管理,数据的价值不像现在,深入理解和整体的概念,宏,优化大数据是用来进行网络舆论管理。

大数据在各个领域的应用,数据的价值挖掘使得各种企业更好的发展,它已逐渐被重视网络舆论管理领域。程序收集和整理关键词的网民大数据的基础上,分析了网民关注、重点和要求,然后使用大数据可视化技术讨论热门话题,造成巨大的影响(19]。这表明使用大数据可以建立一个公众和行政部门之间的桥梁,不仅让公众参与公共事务的管理和决策,也建立一个良好的舆论氛围。管理部门不再认为大数据是独立的信息技术,但大数据的思想,重视数据,数据挖掘使用的数据,并允许数据帮助日常舆论管理。

2.2。网络舆论管理过程的特性和变化在大数据

与进程的加速,网络在现代社会,互联网已经成为一个重要的公共表达个人观点。大数据环境的背景下,网络舆论信息的挖掘和分析比以前更困难、更难以标准化。大数据下的各种技术可以有效地挖掘出关键因素从巨大的舆论信息和指导响应。网络舆论管理过程一般包括发现公众舆论,排序和报告,回复指导和跟踪反馈。网络舆论管理过程基于大数据可以优化每个链接,和大数据技术渗透数据收集模块、数据预处理模块、数据聚类模块和信息反馈模块的管理过程。适当的处理和措施使民意管理过程显示的特点,及时发现、快速反应,合理的分工,全面反馈。

如图3基于大数据网络舆论管理的过程,它已经改变了以前的信息收集调查问卷,访谈,和分类统计数据为基本数据源。网络的舆论分析和判断通过简单的数学建模,获得广义认知分析功能、加工单民意数据结构。在线公共情报发送模式的调查结果在图的形式呈现给决策者。网络舆论管理的过程,基于大数据集中在收集巨大的舆论和多样化的原始数据,然后利用数据挖掘和人工智能在集群存储技术来获取关键信息。其中,大数据发挥了不可替代的作用。

公众舆论信息收集网络舆论管理的第一步,是一个过程,从互联网上获取公众舆论信息相关的数据。过去,只关注网络舆论信息集合的简单和粗略提取页面和数据相关的公众舆论。它没有关注过滤的过滤,重复,毫无意义的混合数据。一些数据没有分析价值增加了网络民意。分析的工作量也会干扰分析的准确性。基于庞大的基于数据的网络舆论信息收集、选择适当的web爬虫抓取相应的网页可以有效地节省人力和时间的收集信息,在确定信息收集的来源。它收集过滤后的信息作为数据源进行进一步分析。预处理的基于大数据的在线民意信息分为两个过程。一个词项的处理,包括步骤,如分词,词性标注,并停止词过滤。第二个是特征提取的关键,它可以过滤大量的冗余信息和噪声数据的数据,提取关键字,可以表达中心,减少舆论的负担分析,提高分析效率。

因为当前网络舆论信息往往不是单一的信息,但信息的集合一系列相关主题的预处理后,大数据的聚类分析可以用来确定中央主题。这一步包括量化的文本数据在线民意和自然语言转换成机器可以理解的一种形式。对于不同的数据类型,您可以选择相应的聚类算法精确分类不同的主题。方便采取相应措施对不同的主题。最后,我们可以使用文本情绪强度在大数据的分析技术来识别热点话题的舆论和民意做出及时的预测。使用大数据,可以构建一个网上舆论案例数据库,将舆论的热门话题与数据库中,并直接输出响应计划时是高度一致的。如果不同意,网络舆论在大数据分析和排序不仅是三维的,全面、清晰,而且可以总结不同情况下的舆论管理策略为管理者提供参考选择。网络舆论管理过程的每一个环节,基于大数据进行了优化,从高速自动收集的信息,过滤和重复数据删除,聚类量化分析和演示,和输出解决方案,所有显示出无可比拟的优势。

在过去,网络舆论管理主要的热事件进行了定性分析,和舆论分析师或经理解释从自己的经验和理论知识的积累20.]。结果,分析结果有主观色彩的个人经验和感受,甚至不同的机构可能会得出截然相反的意见相同的事件。如图4,大部分的原始数据可以用来开发新的价值观通过关联分析。使用新值改变了网络舆论的管理量化管理。大数据可以增加价值的数据通过科学和理性的数学计算。它可以从多个角度解释数据利用的隐藏价值数据,以便分析公众舆论内容更全面、准确。使用大数据技术可以实现的智能分析网络舆论,我们自动收集和获取数据信息相关目标的表面或深层主题在24小时内。爬行和过滤后,自动将数据预测算法模型,确定关键词,分析文本,研究和警报。研究和判断分析的样本数据基于大数据可以无限扩展,使判断更准确,监控范围更广泛。

3所示。网络舆论监督技术和基于大数据的机制

3.1。大数据技术的应用在网络舆论的监督

之间有一个对应关系大数据和网络舆论的特点。大数据包含大量的数据和一些数据处理技术和方法。互联网舆论不是可用的数据直接在互联网上而是通过开采和提取数据的信息。的收集和分析网络民意与大数据一致。这表明,大数据是一致的网络舆论的特点和目标。的核心在于准确把握现在和准确的预测未来的。这个理论上展示相结合的可行性。网络数据的指数增加,传统的数据处理技术的局限性,是无助的面对大量的数据。同时,它是在分析方法的局限性,不能预测未来发展趋势的基础上,网络舆论的现状。因此,目前需要大数据与网络舆论管理相结合,充分发挥数据的专业技术(21]。

基于数据的网络舆论管理大数据基础。舆论大数据分析是基于数据的分析和挖掘,因为数据值密度低的因素在大数据,它可以通过分析如果能够收集足够的数据。网络舆论更全面、准确、详细。如图5,大数据提供了大量的数据收集工具,可以使用收集技术,如网页信息抓取目标网站,收集RSS摘要,社交网站信息收集和全文检索系统。这指的是使用一个网络爬虫程序来捕获数据的在线社区最集中的公众舆论信息和高的讨论。

聚合内容总结收集是指使用RSS摘要信息从新闻和博客网站收集数据。与此同时,它可以聚集很多种子收集目标密切相关的,能够全面了解一个事件的动态第一次,主要用于实时抓取和收集的媒体平台提供社交网络服务系统。例如,API使用分布式微博爬虫程序调用社交网络服务API获取的信息。它极大地促进了信息的收集效率和广度网民社交网络和提供了一个可靠的数据源分析公众舆论。全文检索系统使用全文搜索引擎收集和检索多个数据类型的网站通过一个协议接口。基于大数据技术的全文检索系统可以使用一个特定的协议接口建立动态全文检索中间库,以满足大规模的收集和检索需求结构化和非结构化数据。当讨论的高潮事件在互联网上,强大的收集系统的功能是用来直接扫描,搜索和抓取网站的数据库和文件来实现更有效的网络舆论信息收集。

大数据信息处理技术是由HDFS支持存储,通过数据仓库工具蜂巢HBase和非关系的分布式数据库。通过建立一个数据索引和关键字池,舆论构造数据仓库和信息数据加载到HBase数据库。HBase取代了传统的关系数据库和非关系数据库NoSQL解决当前大规模和高并发数据处理社交网络的问题。大数据中包含的数据分类和集成技术集群和分类网络舆论22]。聚类分析是将所有数据划分为多个类别的过程相似。高相似度可以通过这一过程,数据聚合和数据集的不同类型可以有清晰的界限。目前有两种聚类方法。聚类过程可以显示网民情感、观点和态度的变化。它抓住了公众舆论的进化,以防止舆论危机。看来集群网络上收集类似的观点,分析了分布和比例的受试者的态度和意见。类分析是对聚类分析后的数据信息进行分类根据预先制定的管理指标。如图6,网络舆论监督分类筛选后的原始信息数据。它可以分为类别,如环境保护、司法、教育、医疗、卫生、奠定了基础网络舆论分析的下一步。

数据挖掘技术是大数据的关键。它指的发展从巨大的价格信息没有被发现,不完整,支离破碎,随机数据。网络技术的迅速发展和计算机技术,这种技术可以进一步深化和使用网络数据和优化网络舆论的管理效果。数据库、人工智能和统计技术是数据挖掘技术的重要组成部分,与相关分析等功能,预测,判断,和误差分析的研究。它可以提高数据提取的效率和利用率,分析公众舆论的趋势数据中包含的最大程度上,抓住最好的时间来应对网络舆论,并极大地提高网络舆论的处理速度。与此同时,它还可以总结法律适用于类似的事件从之前的数据,和特定的模型能准确地把握未来舆论此类事件的演变。数据挖掘的方法之一,紧密结合网络舆论意见挖掘方法。这种方法主要是提取文本的主题和观点在矿业领域本体构建。通过构造一个极性词典,关键字的情感倾向分析,目标文本的情感倾向终于通过各种方法相结合。大数据技术的背景下,收购情感词汇和极性的定量分析是由人工判断改为使用语料库计算词汇的相似倾向。 You can also use linguistic knowledge to quantitatively analyze the constituent characteristics of words.

文本情感分析和文本情感分析技术包括情绪。情感倾向分析可以加深的语义理解网民的言论来确定整个话题的情感态度。它有助于分析当前的网民情绪,主题的流行,和事件的趋势。使用意见挖掘方法,公众舆论中蕴含的集体情绪数据可以分析预测情绪的进化趋势。

3.2。多媒体网络舆论监督机制下的大数据

大数据下的网络舆论生态环境,公众舆论管理结构需要突破传统模式的政府唱“单人游戏”和探索创新的社会主题的相关结构。公众舆论的主要应对机制发挥了有效的方法来构建一个网络舆论管理。大数据网络舆论管理的基础是数据资源的共享和循环。然而,在很长一段时间里,已经有大数据互连断点的块边界在中国社会组织和政府机构。同一事件的信息共享是冷漠的舆论管理部门/块。在实际操作过程中,中央和地方政府、研究机构和媒体建立了相应的机构来监控和管理网络舆论。组织及其水平分工明确,导致监管责任的交叉和网络舆论管理的联系。“金字塔”型监控系统和垂直管理系统有强烈的排斥倾向;价值函数的外部代理被忽略;管理代理之间的交互和协作是不够的,和很弱的响应。 The management structure of vertical management and step-by-step reporting has resulted in poor communication between management departments, resulting in the phenomenon that the data information barriers are blocked and sharing is insufficient. It placed the number of management levels and different sectors of regulation databases in the type of data storage, semantic expressions, and other hardware support apparatus that exist. Thus, the database system to the various organs is difficult to effective convergence. Driven by the interests of departments and the lack of awareness of sharing, when the crisis of online public opinion emerges, the network public opinion response mechanism cannot achieve the integration of all data information, and the efficiency of resource utilization is low.

在此基础上,网络舆论反应机制下大数据应该进行改革和创新,需要管理部门采取一个扁平的网状组织结构模型,因此,各种舆论机构和实体可以合作参与网络舆论管理互动的过程。大规模网络舆论垂直管理结构模型可以节省管理成本,扩大舆论范围数据资源获取和管理规定,并提高管理效率。这种管理结构结合了生命周期的网络舆论。第一阶段是跟踪和监控网络舆论在萌芽时期。第二阶段的信号检测是网络舆论已经进入了公众的视野,开始迅速发酵。在第三阶段,受众、内容和影响公众舆论的程度应汇总和分析来判断民意的发展趋势。一旦负面舆论转向达到风险预测的最小值,第四阶段的损害控制,及时采用修饰机制推动舆论衰变和平静的时期。第五个阶段回顾和总结了公众舆论的性格平息后,建立一个网络舆论文件供参考。

大数据下的民意数据是高度复杂的,和发展情况是不确定的和无法控制,促进网络民意的决策机制,逐步改变负面网络舆论管理控制方法在过去。大数据是参与网络民意的决策机制。从数据的角度自然网络民意的决策,大数据的解构和建构分散,杂乱无章大规模民意收集的数据,充分整合和深度整合了网络民意数据资源,并打破了表面形式的混合数据。大数据可视化技术的帮助下,它可以显示管理部门可以理解,更直观地为公众服务的决策。大数据的使用可以提高分析和信息服务功能的在线民意数据,吸收合理,大多数公众舆论在网络舆论管理决策机制,并实现它的合法性。与此同时,大数据可以为管理部门提供大量的实时和准确的决策信息通过分析公众关注的热点和焦点问题,从而提高管理部门的能力来预测网络舆论事件的发生和程度,趋势,和结果。网络民意的决策机制可以计划决策,大大提高决策效率。网络舆论大数据的分析促进网络民意的变化从定性到定量决策,促进决策越来越依赖于理性的判断和数据分析而不是经验甚至直觉。

4所示。多媒体网络舆论监督预测算法模型建设和分析基于大数据

4.1。建设多媒体网络民意评估和预测模型

准确地研究多媒体网络舆论评价,是非常重要的建立一个科学的多媒体网络民意指标体系,并构建一个优秀的基于指标体系的评价模型。本文介绍了指标体系,给了每个指标的量化方法。,多媒体网络舆论预测不同的多媒体网络舆论威胁等级评估。它已经发生多媒体事件发生的威胁程度的歧视多媒体事件威胁等级进行精确定位。如图7,本文构建了一个多媒体网络舆论威胁评级模型的基础上的修改BiLSTM LSTM long-short-term记忆网络。BiLSTM模型转发LSTM和向后LSTM,可以更好的获取时间序列之间的内部关系特性舆论之前和之后的数据。相比之下,CNN, BiLSTM能够更好地捕捉多媒体数据的上下文。与RNN模型相比,BiLSTM模型可以更好地避免梯度和梯度爆炸消失的问题。与LSTM模型相比,BiLSTM可以使训练速度,实现更全面的学习效果。

使用python爬虫爬行技术多媒体网络从微博舆论数据,数据集主要包含标题、内容、转发、喜欢、评论。标题和内容属于文本数据。分词工具用于中文分词,分词是Skip-Gram模型所表达的词向量表示。本文使用的最后指数模型的指标体系作为输入。最后的指数是指最后一个分指数的各种指标。在主题的类型和出版商的影响,公众舆论信息内容的敏感性程度是一个定性指标,是否有谣言。主题内容属于长文本数据,并使用词向量表示。量化后的最后一级指标,形成微博向量或新闻向量和训练使用BiLSTM模型。BiLSTM模型是一个监督分类模型。模型训练使用带安全标签的数据获取合适的模型参数,然后训练模型的测试数据集。本文的多媒体网络舆论评价结果一般威胁等级,沉重、严肃,尤其严重。

如图8,BiLSTM模型的结果优于其他模型。的情况下相同的数据集和迭代的数量是相等的,BiLSTM模型可以捕捉多媒体网络舆论的特征数据序列和长期依赖的数据序列较单独的CNN和RNN模型。本文使用辍学正规化。结合LSTM模型相比,他们可以更好地避免过度拟合和梯度问题消失,使多媒体网络舆论威胁等级评估更加准确。根据平台的多媒体数据集,本文使用的最终指标的指标体系作为输入BiLSTM模型和只使用的字段标题、内容、来源、数量的meme,喜欢,和评论的数据集作为输入BiLSTM模型进行比较。在这项研究中,我们进行多媒体网络舆论威胁评估研究首先介绍网络舆论数据收集、数据预处理方法的详细描述。最后,BiLSTM模型与CNN相比,RNN, LSTM模型。本文模型的优点是CNN, RNN和LSTM模型在同一时间。结果还表明,BiLSTM模型有更好的多媒体网络的威胁等级评估影响公众舆论。

4.2。多媒体网络舆论监督评价和舆论分析预测算法

本文根据收集到的数据集,本文的最后指数指标体系作为Re-LSTM模型的输入。实线是使用指标体系预测精度曲线。在相同的数据集的情况下和相同数量的迭代,Re-LSTM模型输入可以更全面地掌握舆论的序列特征数据,和网络舆论的预测结果更加准确。两个地方的优化可以提高LSTM网络的收敛效果和速度在一定程度上。Re-LSTM模型实验结果表明,本文不仅提高了多媒体网络舆论预测的准确性基于大数据也提高了LSTM网络的收敛效果和速度。

更直观地看到的评价结果和预测结果基于大数据的多媒体网络算法模型分析,得到的结果需要显示在网页图表的形式通过网络层,所以本文开发了一个多媒体网络舆论基于大数据的评价和预测体系。系统包括中心用户,负面的分析,总体趋势的公众舆论,舆论和评价和预测结果和报告模块,本文展示了基于大型多媒体数据评估公众舆论和网络预测分析结果后的核心模块。本系统主要使用Echarts结合元素组件库来显示评价和预测结果。这张照片是负面的结果分析模块。这个模块主要显示中性的比例,轻度负,适度消极和严重负面的公众舆论信息在一段时间。这是一个评估网络舆论的现状和未来的发展。它显示了公众舆论的总体发展趋势,反映了当前形势下在多个媒体的舆论事件。如图9,你可以直观地看到舆论事件的当前状态和推测未来的趋势。

5。结论

多媒体网络舆论评价是基于大数据。一个合理的和可衡量的指标体系是主要的基础和条件建立一个多媒体网络舆论基于大数据的评估和预测模型。指标体系弥补了先前关于民意指标体系的缺陷主题和进化沟通。

利用指标体系和量化数据预处理的方法,然后基于此指标体系BiLSTM算法,本文旨在构建BiLSTM大评级模型基于数据的多媒体网络舆论威胁。BiLSTM评价模型比模糊数学评价模型和传统的BP神经网络模型。BiLSTM威胁等级评估模型构建本文有很强的特征提取能力,可以更好的学会了基于大规模LSTM模型。公众舆论的长期依赖数据的多媒体网络数据可以更好地避免过度拟合的问题,培训过程中正则化后辍学。基于预处理数据,Re-LSTM构造预测模型,最后,开发一个系统来显示评价和预测结果。

尽管本文提出一套完整的基于数据的多媒体网络舆论大评估和预测指标体系,仍有一些不完整的考虑。对于定性指标,本文使用量化的问卷调查;有少量的机会,这可能会对定量结果有一定的影响。在基于网络多媒体大数据,舆论评价和预测建立一个模型方面所使用的正规化,作为目标函数的方法惩罚LSTM输入重量已得到改进。我们建造Re-LSTM模型应用于数据多媒体网络舆论预测问题也取得了理想的结果。根据分析结果曲线,我们可以知道,随着迭代次数的增加,实验准确率正在增加,但增长率很小。是否有一个更好的模型改进策略可以使实验曲线变化更明显的是后续的研究工作的主题。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有利益冲突有关的出版。

引用

1. 李。h .邹,c . Ao p, n . Li和z . Wang”任务classification-aware数据聚合调度算法在无线传感器网络中,“国际期刊的移动网络设计和创新,9卷,不。2、106 - 117年,2019页。视图:出版商的网站|谷歌学术搜索
2. x y刘、李问:唐:妈,和r .田”Superedge预测:什么意见挖掘基于一项民意supernetwork模型?”决策支持系统卷,64年,第129 - 118页,2014年。视图:出版商的网站|谷歌学术搜索
3. a·j·兰登·m·j·夏普g . Schoenbaum y和合,“对多巴胺,基于模型预测”目前在神经生物学的观点49卷7,2018页。视图:出版商的网站|谷歌学术搜索
4. z d, f·j·陈,x x郑,“互联网舆论混乱的预测基于混沌理论和改进的径向基函数神经网络,”《物理学报》,卷64,不。11日,第123 - 110页,2015年。视图:谷歌学术搜索
5. t·h·阮、k . Shirai和j . Velcin”情绪分析社会媒体对股票运动预测,“专家系统与应用程序,42卷,不。24日,第9611 - 9603页,2015年。视图:出版商的网站|谷歌学术搜索
6. M.-Y。程和a·f·罗伊诉”进化模糊决策模型对于使用时间支持向量机的现金流预测,“国际项目管理杂志》上卷,29号1,56 - 65,2011页。视图:出版商的网站|谷歌学术搜索
7. h . Valipour f·萨利希、f·萨利希和m·巴拉米”使用meta-heuristic算法预测审计报告”,科学杂志》上的分布,11卷,不。6、13 - 19,2013页。视图:出版商的网站|谷歌学术搜索
8. d . Bokde s Girase, d . Mukhopadhyay,“矩阵分解模型的协同过滤算法:一项调查,“Procedia计算机科学卷,49号2、136 - 146年,2015页。视图:出版商的网站|谷歌学术搜索
9. d . Acemoğlu g .科莫f . Fagnani et al .,“在社交网络舆论波动和分歧,”运筹学的数学,38卷,不。1,1-27,2013页。视图:谷歌学术搜索
10. 李j .周x, x,“岩爆的长期预测模型在地下使用启发式算法和支持向量机开口,“安全科学,50卷,不。4、629 - 644年,2012页。视图:出版商的网站|谷歌学术搜索
11. c . Catal和m . Nangir”情绪基于多个分类器的分类模型,应用软计算,50卷,不。1,第141 - 135页,2017。视图:出版商的网站|谷歌学术搜索
12. m·a·萨阿德,a·c·Bovik和c .炭的“盲目的自然视频质量的预测,”IEEE图像处理,23卷,不。3、1352 - 1365年,2014页。视图:出版商的网站|谷歌学术搜索
13. w . j . h . Liu, t . Wang歌,和x Du,“结合用户首选项和用户意见准确的推荐,“电子商务研究与应用,12卷,不。1、5、2013页。视图:出版商的网站|谷歌学术搜索
14. 比比娃娃、d·a·西蒙和n . d .寒鸦”无处不在的基于模型的强化学习。”目前在神经生物学的观点,22卷,不。6,1075 - 1081年,2012页。视图:出版商的网站|谷歌学术搜索
15. j·帕特尔沙,p .塔迦尔,k . Kotecha”预测股票和股票价格指数运动使用确定性趋势数据准备和机器学习技术,”专家系统与应用程序,42卷,不。1,第268 - 259页,2015。视图:出版商的网站|谷歌学术搜索
16. 严k . s . y . Wu刘,m . Liu和f . Wu”意见流:视觉分析意见扩散在社交媒体上,“IEEE可视化和计算机图形学,20卷,不。12日,第1772 - 1763页,2014年。视图:出版商的网站|谷歌学术搜索
17. h . Chiroma s Abdulkareem, t . Herawan”进化神经网络模型对西德克萨斯中质原油价格预测,“应用能源卷,142年,第273 - 266页,2015年。视图:出版商的网站|谷歌学术搜索
18. c·莱恩和t .重”,RNA结构预测的计算方法,分析和设计中,“当前结构生物学的观点,21卷,不。3、306 - 318年,2011页。视图:出版商的网站|谷歌学术搜索
19. h .哦,s . Lee, a·c·Bovik”立体3 d视觉不适预测:动态的住宿和朝向交互模型,”IEEE图像处理,25卷,不。2、615 - 629年,2015页。视图:谷歌学术搜索
20. 卡尔·m·w . Wang, w .徐和k . Kobbacy”基于布朗运动的剩余寿命预测模型适应性漂移,”微电子的可靠性,51卷,不。2、285 - 293年,2011页。视图:出版商的网站|谷歌学术搜索
21. n . Gordini“遗传算法方法中小企业破产预测:从意大利经验证据,”专家系统与应用程序第41卷。。14日,第6445 - 6433页,2014年。视图:出版商的网站|谷歌学术搜索
22. 已经和m . Blangiardo“贝叶斯层次模型对足球的预测结果,“应用统计学杂志》,37卷,不。2、253 - 264年,2010页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Yangfan通和魏的太阳。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。