基于朴素贝叶斯分类与群智感知实现对传染病与相应舆论的实时监控

摘要

[背景/意义]将微博用户看作感知单元，形成群智网络，从公众情感角度对传染病的分布、传播与发展进行简洁直观、可视化的描述。[方法/过程]研究分五个部分。首先，爬取与事件相关的微博帖集；其次，利用数据过滤模型α过滤与事件关联度不高的帖集；同时，基于OpenStreetMap查询并检测位置以返回真实位置集；然后，基于Python的JIEBA分词系统，进行分词和词频处理，并基于朴素贝叶斯算法实现对关键词的情感预测，得到情感集；最后，通过情感反馈模型μ与疫情监控模型э产生情感曲线与疫情地图，并进行案例研究。[结果/结论]通过这种方法(内含四个模型)，可以从微博上生成传染病事件的疫情情感地图与公众情感曲线。其中，地图展示了各位置集的疫情严重情况与传播情况，情感曲线给出了公众反馈随时间的变化。研究发现，病例数越多与人口流动性较大的地区情绪表现更为消极，优良的医疗条件和积极的社交媒体宣传对公众情绪有一定积极效果。

机译：[背景/意义]将微博用户看作感知单元，形成群智网络，从公众情感角度对传染病的分布、传播与发展进行简洁直观、可视化的描述。[方法/过程]研究分五个部分。首先，爬取与事件相关的微博帖集;其次，利用数据过滤模型α过滤与事件关联度不高的帖集;同时，基于OpenStreetMap查询并检测位置以返回真实位置集;然后，基于Python的JIEBA分词系统，进行分词和词频处理，并基于朴素贝叶斯算法实现对关键词的情感预测，得到情感集;最后，通过情感反馈模型μ与疫情监控模型э产生情感曲线与疫情地图，并进行案例研究。[结果/结论]通过这种方法(内含四个模型)，可以从微博上生成传染病事件的疫情情感地图与公众情感曲线。其中，地图展示了各位置集的疫情严重情况与传播情况，情感曲线给出了公众反馈随时间的变化。研究发现，病例数越多与人口流动性较大的地区情绪表现更为消极，优良的医疗条件和积极的社交媒体宣传对公众情绪有一定积极效果。

基于朴素贝叶斯分类与群智感知实现对传染病与相应舆论的实时监控

摘要

著录项

相似文献

相关主题

期刊订阅