【技术实现步骤摘要】
一种基于RVM-L模型的互联网舆情预警机制分析方法
本专利技术涉及社交网络
，尤其涉及一种基于RVM-L模型的互联网舆情预警机制分析方法。
技术介绍
2019年8月中国互联网信息中心发布的第44次《中国互联网络发展状况统计报告》显示，截至2019年6月，我国网民规模达8.54亿，互联网普及率达61.2％，搜索引擎使用率为81.3％。互联网平台使用人数的急剧增加，使得信息的聚集速度和形成的规模都远超以前，舆情监测工作也从舆情跟踪转向为了舆情预警。研究者针对互联网舆情分析提出了不同的模型以提高预测准确度，主要包括：基于时间序列的预测模型，利用数学建模对舆情做出整体的分析，简单高效；基于数据挖掘或机器计算的预测模型，能够对于受多影响因素的舆情信息进行拟合预测；基于组合优化的预测模型，克服单一模型的缺陷，使用混合模型以达到更佳的预测效果。但是现有网络舆情越策模型还存在以下不足：大多数基于时间序列的模型受限于线性关系的预测，而网络舆情发展过程比较复杂，受到各种随机因素的影响，导致线性关系模型的预测精度不够理想；舆情预测基...
【技术保护点】
1.一种基于RVM-L模型的互联网舆情预警机制分析方法，其特征在于，该方法包括以下步骤：/n步骤一、通过网络爬虫技术收集互联网上的某类舆情信息数据，包括转发数、评论数、点赞数、热度值；使用RVM回归模型对各个时间间隔下的舆情信息数据进行回归拟合，得到热度函数，以此热度函数趋势代表整个舆情趋势的走向；/n步骤二、将回归拟合得到的热度函数输入Logistic模型，进行函数的整体趋势预测，得到Logistic函数；通过对Logistic函数进行求解得到舆情趋势变化的关键点，包括舆情曲线的拐点
【技术特征摘要】
1.一种基于RVM-L模型的互联网舆情预警机制分析方法，其特征在于，该方法包括以下步骤：
步骤一、通过网络爬虫技术收集互联网上的某类舆情信息数据，包括转发数、评论数、点赞数、热度值；使用RVM回归模型对各个时间间隔下的舆情信息数据进行回归拟合，得到热度函数，以此热度函数趋势代表整个舆情趋势的走向；
步骤二、将回归拟合得到的热度函数输入Logistic模型，进行函数的整体趋势预测，得到Logistic函数；通过对Logistic函数进行求解得到舆情趋势变化的关键点，包括舆情曲线的拐点舆情增长趋势刚开始有递增趋势的点舆情增长趋势开始减缓的点其中H*表示各个点对应的Logistic函数值；
步骤三、根据舆情趋势变换的关键点得到舆情的快速增长区间(t1，t2)和舆情增长趋势最大处t0；在t0处和t1处给定阈值γ，使两处的Logistic函数值小于阈值γ，分别求得两处对应的预警临界区；t1处对应的预警临界区作为低级预警区间，t0处对应的预警临界区作为高级预警区间，分别在低级预警区间和高级预警区间内做出舆情应对措施，实现对舆情爆发的有效控制。
2.根据权利要求1所述的基于RVM-L模型的互联网舆情预警机制分析方法，其特征在于，步骤一中的RVM回归模型为：
模型输入数据为转发数、评论数、点赞数、热度值；
RVM回归模型为：t＝Φ(x)ω+ε
其中，Φ是一个N×(N+1)的矩阵，其中Φ(x)＝[1，K(x，x1)，...K(x，xn)]，K(x，xn)为RVM使用的核函数；数据向量对其中x是输入向量，t是目标输出向量，RVM输入的数据向量对xn为符合时间序列下的多输入：转发数hn_r、评论数hn_c、点赞数hn_l，输出的为目标向量t，为RVM拟合得到的符合时间序列下由多因素决定的舆情热度值hn，其为多输入单输出模型；ω是对应基函数的权重系数ω＝(ω1，...ωn)T；噪声向量ε服从零均值高斯分布，其方差为σ2；
模型输出数据为：拟合结果对(tn，hn)。
3.根据权利要求2所述的基于RVM-L模型的互联网舆情预警机制分析方法，其特征在于，步骤一中对RVM回归模型进行求解的方法为：
数据的极大似然估计如下：
基于贝叶斯分布的方法，得到参数ω的先验分布如下：
其中，是包含了所有超参数α的斜对角矩阵，在超参数矩阵中每个元素α表示与核函数之间的相关性；
得到参数ω后验分布如下：
其中协方差∑＝(A+σ-2ΦTΦ)-1，平均数μ＝σ-2∑ΦTt；
当给定一组新样本输入向量通过模型输出的目标向量t*的预测分布如下：
其中
需要求解两个超参势的值，利用最大化边界似然得方法求解其中得未知超参数：
p(t|A，σ2)＝∫P(t|ω...
【专利技术属性】
技术研发人员：朱容波，虞脉，王俊，金焕章，袁小佩，
申请(专利权)人：中南民族大学，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。