Research on the Optimization Method of Japanese Text Information Dissemination Path Based on Graph Theory
Notice bibliographique
Résumé
Text is the carrier of language, and language is the carrier of cultural soft power, if you want a country's soft power to be enhanced, it will certainly start from the dissemination of the native language.This paper constructs a complex social network J-SEVIR model for the dissemination of Japanese text information with the help of complex network theory combined with the information dissemination model using graph theory as the technical support.The data about Japanese text information on Sina Weibo is used as the research object, and the data analysis is carried out through the dimensions of model simulation, real data comparison, and information dissemination enhancement strategies.The study shows that the peak number of Japanese text message dissemination nodes is 1.987*107, which is 41.32% and 28.94% higher than the peak number of dissemination nodes in the traditional SEIR model and BCIR model, respectively, and the peak number of disseminators of the Japanese text message dissemination enhancement strategy designed by the J-SEVIR model can be up to 0.62, whereas the number of Japanese text message dissemination counterattackers is only 0.12.Therefore, the number of Japanese text message dissemination counterattackers is only 0.12.Therefore, the establishment of Japanese text information dissemination paths with the help of complex networks based on graph theory can be used to provide new research perspectives for optimizing the effect of Japanese text information dissemination.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».