A Deep Learning-Based Study on Predicting Changes in Data-Driven Opinion Dynamics in Social Media
Notice bibliographique
Résumé
Under the background of mediatized society, the fusion of reality and reality between the real world and cyberspace has made the role of social network public opinion more and more significant, and the occurrence of any major emergencies will trigger network public opinion. In this paper, the TF-IDF algorithm is used to extract the feature items of social media opinion data, synthesize them into text vectors and input them into the LDA topic model to mine the opinion topic words, and then combine the co-occurrence of the key topic words to draw the semantic maps of the opinion topic words on the web, so as to explore the dynamic evolution of the opinion topic words. The opinion text vectors are then used as inputs to extract the local features of the opinion text through CNN model, combine with BiLSTM model to obtain the global features and temporal information of the opinion text, and realize the dynamic prediction of opinion sentiment through SoftMax classifier. Taking the Xin Guan epidemic event as an example, and divided into three phases: latent period, outbreak period and recession period, the number of public opinion comments on microblog platform during the outbreak period can reach 1942.59 comments/day, and the evolution of public opinion topic words in different public opinion phases are dominated by themes such as “epidemic”, “pneumonia” and so on. When the CNN-BiLSTM model is used to predict the public opinion sentiment dynamics, the prediction accuracy is between 95.84% and 97.56%. Through the effective use of deep learning technology, it can clarify the orientation of public opinion development driven by social media data and provide reliable data support for social media public opinion guidance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».