輿情計(jì)算方法與技術(shù)

第 1章社會(huì)計(jì)算與社會(huì)輿情分析概述 1
1．1 社會(huì)計(jì)算的概念與關(guān)鍵技術(shù) 1
1．1．1 Web2．0與社會(huì)化軟件的特征 1
1．1．2 社會(huì)計(jì)算的概念 3
1．1．3 社會(huì)計(jì)算與社會(huì)智能研究的核心內(nèi)容 6
1．2 社會(huì)輿情的特征與分析方法 10
1．2．1 社會(huì)輿情的概念與特征 10
1．2．2 網(wǎng)絡(luò)輿情的形成和演化過程 11
1．2．3 網(wǎng)絡(luò)輿情的關(guān)鍵技術(shù)與方法 13
1．3 本書的知識(shí)結(jié)構(gòu)  15
參考文獻(xiàn)  17
實(shí)驗(yàn)室相關(guān)工作文獻(xiàn)  17
第 2章社會(huì)網(wǎng)絡(luò)分析理論與相關(guān)技術(shù)基礎(chǔ) 18
2．1 社會(huì)網(wǎng)絡(luò)分析方法  18
2．1．1 社會(huì)網(wǎng)絡(luò)分析方法的發(fā)展與研究的問題域 18
2．1．2 社會(huì)網(wǎng)絡(luò)分析方法的主要理論與概念體系 24
2．1．3 社會(huì)網(wǎng)絡(luò)分析的主要研究方法與分析工具 28
2．2 自然語言處理  31
2．2．1 自然語言處理的基本問題 31
2．2．2 中文分詞 32
2．2．3 命名實(shí)體識(shí)別 33
2．2．4 共指消解 34
2．2．5 實(shí)體關(guān)系的抽取 34
2．2．6 事件探測(cè)與追蹤 35
2．3 數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)方法概述 35
2．3．1 數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)方法 35
2．3．2 基于 Web的文本挖掘 39
2．4 本章小結(jié)  41
參考文獻(xiàn)  42
第 3章中文文本特征與詞分析技術(shù) 43
3．1 中文文本的基本特征  43
3．1．1 中文文本的基本特征 43
3．1．2 中文文本分析的任務(wù)與數(shù)據(jù)結(jié)構(gòu)特征 45
3．1．3 中文文本句法結(jié)構(gòu)分析 50
3．1．4 基于統(tǒng)計(jì)的句法分析方法 54
3．2 中文分詞技術(shù)  55
3．2．1 中文分詞的核心問題 55
3．2．2 基于規(guī)則的中文分詞的關(guān)鍵技術(shù)與算法 58
3．2．3 基于統(tǒng)計(jì)的中文分詞的關(guān)鍵技術(shù)與算法 60
3．2．4 基于理解的分詞方法 65
3．2．5 主要中文分詞工具 65
3．3 主題詞庫(kù)的構(gòu)建  67
3．3．1 主題詞基本概念 67
3．3．2 主題詞間的關(guān)系定義 69
3．3．3 主題詞的抽取方法 71
3．3．4 主題詞庫(kù)的構(gòu)建 73
3．4 本章小結(jié)  79
參考文獻(xiàn)  80
實(shí)驗(yàn)室相關(guān)工作  80
第 4章社會(huì)網(wǎng)絡(luò)環(huán)境下的文本數(shù)據(jù)預(yù)處理技術(shù) 81
4．1 文本數(shù)據(jù)的詞義沖突與數(shù)據(jù)消歧 81
4．1．1 文本數(shù)據(jù)存在的詞義沖突與消歧 81
4．1．2 基于知識(shí)的詞義消歧方法 83
4．1．3 無監(jiān)督的詞義消歧技術(shù) 86
4．1．4 有監(jiān)督的詞義消歧技術(shù) 89
4．2 文本數(shù)據(jù)的稀疏性與降維 90
4．2．1 數(shù)據(jù)稀疏問題及解決 91
4．2．2 數(shù)據(jù)平滑技術(shù) 92
4．2．3 數(shù)據(jù)降維方法 93
4．3 數(shù)據(jù)融合  97
4．3．1 數(shù)據(jù)融合的概念與方法 98
4．3．2 實(shí)體的識(shí)別與統(tǒng)一表示 99
4．3．3 數(shù)據(jù)沖突處理 102
4．3．4 數(shù)據(jù)關(guān)聯(lián) 103
4．4 本章小結(jié) 104
參考文獻(xiàn) 104
實(shí)驗(yàn)室相關(guān)工作 106
第 5章文本聚類方法分析 107
5．1 聚類基礎(chǔ)概念 107
5．1．1 聚類算法的定義 107
5．1．2 聚類算法的目標(biāo)與基本數(shù)據(jù)結(jié)構(gòu) 108
5．1．3 數(shù)據(jù)對(duì)象距離及相似度度量 109
5．1．4 其他數(shù)據(jù)類型與相似度度量 111
5．2 常用的文本聚類算法 113
5．2．1 文本聚類的基本需求 113
5．2．2 文本聚類方法 114
5．2．3 文本聚類結(jié)果的評(píng)價(jià)方法 120
5．3 基于文本數(shù)據(jù)流的聚類方法121
5．3．1 數(shù)據(jù)流問題的背景 121
5．3．2 數(shù)據(jù)流基本概念與模型 122
5．3．3 數(shù)據(jù)流聚類方法 124
5．3．4 演化分析技術(shù) 129
5．4 本章小結(jié) 131
參考文獻(xiàn) 131
實(shí)驗(yàn)室相關(guān)工作 133
第 6章文本分類方法134
6．1 分類基礎(chǔ)概念 134
6．1．1 分類問題的定義 134
6．1．2 文本分類與目標(biāo) 135
6．1．3 分類算法的評(píng)價(jià) 136
6．2 基于概率的貝葉斯分類方法137
6．2．1 貝葉斯概率公式 138
6．2．2 樸素貝葉斯分類原理 138
6．2．3 基于樸素貝葉斯分類算法的文本分類器設(shè)計(jì) 139
6．2．4 貝葉斯網(wǎng)絡(luò)模型 141
6．3 基于核的分類算法 143
6．3．1 支持向量機(jī)算法 143
6．3．2 核函數(shù)的定義 145
6．3．3 多類問題的求解算法 147
6．4 其他分類器的常用構(gòu)造算法149
6．4．1 Rocchio分類算法  149
6．4．2 KNN算法  149
6．4．3 Boosting算法  151
6．5 本章小結(jié) 152
參考文獻(xiàn) 153
第 7章信息抽取與摘要自動(dòng)生成技術(shù) 154
7．1 命名實(shí)體的識(shí)別與抽取技術(shù)154
7．1．1 命名實(shí)體識(shí)別的基本任務(wù) 154
7．1．2 人名實(shí)體抽取 156
7．1．3 地名實(shí)體抽取方法 160
7．1．4 機(jī)構(gòu)名實(shí)體抽取方法 163
7．2 網(wǎng)絡(luò)文本數(shù)據(jù)中的實(shí)體間關(guān)系的抽取165
7．2．1 實(shí)體關(guān)系的定義與基本分類 165
7．2．2 存在關(guān)系的實(shí)體對(duì)抽取方法 166
7．2．3 基于核函數(shù)的實(shí)體關(guān)系抽取方法 168
7．3 話題識(shí)別與追蹤技術(shù)（TDT）171
7．3．1 話題識(shí)別與追蹤需要解決的問題與目標(biāo) 171
7．3．2 話題識(shí)別與追蹤的經(jīng)典方法 173
7．3．3 話題識(shí)別與追蹤的評(píng)價(jià)方法 175
7．4 自動(dòng)摘要生成技術(shù) 176
7．4．1 自動(dòng)文檔摘要生成所需要解決的問題與目標(biāo) 176
7．4．2 單文檔自動(dòng)摘要生成技術(shù) 178
7．4．3 多文檔自動(dòng)文摘生成的關(guān)鍵技術(shù) 181
7．4．4 自動(dòng)摘要系統(tǒng)的評(píng)價(jià)標(biāo)準(zhǔn) 183
7．5 本章小結(jié) 185
參考文獻(xiàn) 185
第 8章社會(huì)網(wǎng)絡(luò)中社區(qū)識(shí)別與信息傳播188
8．1 網(wǎng)絡(luò)社區(qū)的識(shí)別 188
8．1．1 網(wǎng)絡(luò)社區(qū)的概念 189
8．1．2 網(wǎng)絡(luò)社區(qū)的特征與關(guān)鍵問題 191
8．1．3 基于非重疊社區(qū)的發(fā)現(xiàn)算法 195
8．1．4 基于重疊的網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)與識(shí)別算法 198
8．1．5 社區(qū)發(fā)現(xiàn)算法評(píng)價(jià)方法 201
8．2 網(wǎng)絡(luò)信息的傳播模型 203
8．2．1 網(wǎng)絡(luò)信息傳播中的基本問題 203
8．2．2 行動(dòng)者影響力分析 204
8．2．3 信息傳播動(dòng)力學(xué)模型 207
8．3 鏈接預(yù)測(cè)模型與方法 211
8．3．1 鏈接預(yù)測(cè)的概念與主要目標(biāo) 212
8．3．2 鏈接預(yù)測(cè)存在的主要算法分類與指標(biāo) 212
8．3．3 鏈接預(yù)測(cè)存在的經(jīng)典算法 215
8．4 本章小結(jié) 218
參考文獻(xiàn) 218
第 9章社會(huì)網(wǎng)絡(luò)下的情感分析221
9．1 情感計(jì)算的基本概念與問題挑戰(zhàn)221
9．1．1 情感分析的概念與研究目標(biāo) 221
9．1．2 情感詞的識(shí)別與標(biāo)注 223
9．1．3 情感詞典的構(gòu)建 225
9．2 文本的主/客觀分析與觀點(diǎn)挖掘分析方法228
9．2．1 文本的主/客觀分析方法 228
9．2．2 觀點(diǎn)挖掘分析方法 229
9．3 情感分析與計(jì)算方法 232
9．3．1 基于詞的經(jīng)典情感計(jì)算與分析方法 232
9．3．2 不同粒度下的情感分析方法 234
9．3．3 文檔主體對(duì)象的情感傾向分析方法 240
9．3．4 跨領(lǐng)域文檔的情感傾向分析方法 245
9．3．5 情感計(jì)算評(píng)價(jià)方法 245
9．4 本章小結(jié) 246
參考文獻(xiàn) 247
第 10章數(shù)據(jù)可視化技術(shù)250
10．1 可視化技術(shù)概述 250
10．1．1 可視化技術(shù)的基本概念與目標(biāo) 250
10．1．2 可視化技術(shù)的分類 252
10．2 社會(huì)網(wǎng)絡(luò)可視化的靜態(tài)分析方法260
10．2．1 社會(huì)網(wǎng)絡(luò)環(huán)境下的可視化方法介紹 260
10．2．2 力導(dǎo)引布局（Force-directed Layout）相關(guān)算法  262
10．2．3 層次布局（Tier-based Layout） 264
10．2．4 樹形布局（Tree-based Layout） 269
10．3 動(dòng)態(tài)可視化交互方法與可視化模式挖掘技術(shù)273
10．3．1 可視化的動(dòng)態(tài)交互與形變技術(shù) 274
10．3．2 可視化模式挖掘與分析方法 277
10．4 數(shù)據(jù)可視化的質(zhì)量評(píng)價(jià)方法278
10．4．1 數(shù)據(jù)可視化的質(zhì)量評(píng)價(jià)模型 278
10．4．2 數(shù)據(jù)可視化的質(zhì)量評(píng)價(jià)指標(biāo) 280
10．5 本章小結(jié) 281
參考文獻(xiàn) 282
第 11章社會(huì)計(jì)算與輿情分析應(yīng)用284
11．1  社會(huì)網(wǎng)絡(luò)輿情分析與應(yīng)用284
11．1．1  分析指標(biāo)體系與分析模型的建立 284
11．1．2  分析平臺(tái)的建立與應(yīng)用 288
11．2  企業(yè)社會(huì)網(wǎng)絡(luò)分析與應(yīng)用289
11．2．1  企業(yè)社會(huì)網(wǎng)絡(luò)構(gòu)造方法 290
11．2．2  企業(yè)特征的抽取 291
11．2．3  企業(yè)社會(huì)網(wǎng)絡(luò)服務(wù)平臺(tái)與可視化分析 292
11．3  專家網(wǎng)絡(luò)與知識(shí)圖譜應(yīng)用293
11．3．1  專家模型的構(gòu)建與屬性抽取規(guī)則 293
11．3．2  專家模型中的屬性消歧與網(wǎng)絡(luò)構(gòu)建 297
11．4  專利地圖的應(yīng)用298
11．4．1  專利地圖的研究與制作方法 298
11．4．2  專利地圖的構(gòu)建與分析 299
11．5  金融風(fēng)險(xiǎn)預(yù)測(cè)與分析應(yīng)用302
11．6  本章小結(jié)304
參考文獻(xiàn) 305
第 12章社會(huì)計(jì)算與輿情分析的技術(shù)發(fā)展趨勢(shì)307
12．1 大數(shù)據(jù)與數(shù)據(jù)世系 308
12．2 基于機(jī)器學(xué)習(xí)的類人腦科學(xué)的演化310
12．3 社會(huì)計(jì)算向社會(huì)智能的演化312
12．4 小結(jié) 314
參考文獻(xiàn) 315
附錄 A基于信息傳播的分類及網(wǎng)站示例 317
附錄 B 基于 LDA模型的候選主題詞抽取算法描述318
附錄 C常用的中文停用詞表321
附錄 D TBDC4TS聚類算法偽代碼示意333
后記335