融合输出关联和聚类图谱的突发舆情衍生主题发现
发布时间：2025-09-07
点击次数：
- DOI码：
- 10.16353/j.cnki.1000-7490.2025.08.014
- 发表刊物：
- 情报理论与实践
- 关键字：
- 网络舆情;;输出关联;;衍生主题发现;;聚类图谱
- 摘要：
- [目的/意义]通过在海量舆情数据中准确识别衍生话题，可解释性地挖掘衍生主题的演化过程，从而有效发掘危险话题，实现有针对性的舆论管控。[方法/过程]结合深度学习和复杂网络方法构建Graph-BERTopic主题模型。首先，通过加强模型的输出关联性显著提高主题聚类性能；其次，基于语义相似度将主题嵌入向量构建聚类图谱；最后，采用社区发现检测图谱中的衍生主题，采用最短路径算法捕捉主题间的演化关系。[结果/结论]对收集的“东航MU5735飞机失事”数据集进行实验验证，其聚类性能与多种基准模型相比取得最优性能，NPMI、TD分别达到0.187、0.873。通过聚类图谱划分的衍生主题结构的质量函数达到0.831。所构建的模型能够从大规模文本中精准挖掘衍生主题，可解释性地捕捉舆情主题之间的演变过程。
- 论文类型：
- 期刊论文
- 卷号：
- 48
- 期号：
- 08
- 页面范围：
- 135-148
- ISSN号：
- 1000-7490
- 是否译文：
- 否
- 发表时间：
- 2025-01-01