網絡熱門話題的跟蹤建模與檢測分析

李晶

摘 要： 網絡熱門話題的跟蹤對社會穩定、國家安全具有重要作用，針對傳統網絡熱門話題跟蹤模型誤差大的缺陷，提出改進神經網絡的網絡熱門話題的跟蹤和檢測模型。首先對網絡熱門話題的跟蹤和檢測現狀進行分析；然后收集網絡熱門話題相關數據，采用神經網絡對網絡熱門話題的跟蹤進行建模，實現網絡熱門話題的檢測，并對神經網絡的局限性進行改進；最后采用具體網絡熱門話題的跟蹤和檢測實驗對模型的有效性進行測試，與其他網絡熱門話題的跟蹤和檢測模型相比，改進神經網絡提高了網絡熱門話題的跟蹤精度，降低了網絡熱門話題的檢測錯誤率，可以為網絡輿情管理者提供可靠的信息。

關鍵詞： 網絡熱門話題； 話題跟蹤； 話題檢測； 跟蹤與檢測模型； 神經網絡； 檢測錯誤率

中圖分類號： TN711?34 文獻標識碼： A 文章編號： 1004?373X（2018）03?0128?04

Abstract： The tracking of network hot topic plays an important role in social stability and national security. Since the tracking model of the traditional network hot topics has large error， a tracking and detection model of the network hot topics based on improved neural network is proposed. The tracking and detection status of the network hot topics is analyzed， and then the relevant data of the network hot topics is collected. The neural network is used to model the network hot topics tracking， and detect the network hot topics. The limitation of the neural network is improved. The effectiveness of the model is tested with the tracking and detection experiments of specific network hot topics. In comparison with other tracking and detection models of network hot topics， the improved neural network model can improve the tracking accuracy of the network hot topics， reduce the error detection rate of the network hot topics， and provide the reliable information for the network public opinion managers.

Keywords： network hot topic； topic tracking； topic detection； tracking and detection model； neural network； error detection rate

0 引 言

隨著信息處理技術的不斷成熟，再加上網絡應用范圍的不斷拓寬，網絡上的熱門話題成為人們關注的焦點[1]。網絡熱門話題有關于人們生活中的小事，也有關于國家發展的大事，每一個個體都可以發表自己的看法，當一個負面的網絡熱門話題在網絡上迅速擴散時，會對社會穩定、經濟的發展以及人們的生活產生干擾[2]，而網絡熱門話題的跟蹤和檢測可以幫助相關組織部門掌握網絡熱門話題的變化動態，可以提前做出一些預判，將一些負面的網絡熱門話題抑制在萌芽狀態，因此，提高網絡熱門話題的檢測精度和跟蹤的準確性，降低網絡熱門話題的誤檢率一直是學者們追求的目標[3?4]。

網絡熱門話題的追蹤建模與檢測是一個熱點問題，為此，有學者提出基于時間序列法的網絡熱門話題的跟蹤與檢測模型，如滑動回歸模型、指數平滑模型，它們根據網絡熱門話題的有關帖子數，如跟帖率等對網絡熱門話題的發展態勢進行預估，該類模型建模過程相當簡單，而且實現起來十分容易[5]，但是它們屬于一種靜態模型，當有新的數據更新時，模型的自適應能力比較強，而且只能對網絡熱門話題的性能變化態勢進行跟蹤與檢測[6]。網絡熱門話題受到個體的心理、圈子范圍等因素的誘導，不單是一種線性的變化特點，同時具有非平穩性、隨機性變化特點，這樣時間序列檢測模型的局限性就十分明顯，導致網絡熱門話題的誤檢率相當高，漏檢率也急劇上升[7]。針對時間序列分析模型的局限性，近些年出現了基于神經網絡的網絡熱門話題跟蹤與檢測模型，神經網絡通過其強大的學習能力對網絡熱門話題的變化特點進行擬合，跟蹤其變化趨勢，尤其對于隨機性、平穩性的網絡熱門話題跟蹤效果好，其中BP神經網絡在網絡熱門話題建模中的應用范圍最廣[8?10]。BP神經網絡的參數直接決定網絡熱門話題的跟蹤和檢測效果，如果參數選擇不合理，那么網絡熱門話題的檢測精度低。當前BP神經網絡的參數由工作人員根據經驗確定，參數的合理性與工作人員的經驗豐富度相關，導致網絡熱門話題跟蹤和檢測結果不穩定[11?12]。

針對傳統網絡熱門話題的跟蹤模型誤差大的缺陷，本文提出改進神經網絡的網絡熱門話題的跟蹤和檢測模型，采用具體實驗測試其性能，改進神經網絡提高了網絡熱門話題的跟蹤精度，降低了網絡熱門話題的檢測錯誤率，可以為網絡輿情管理者提供可靠的信息。endprint

1 BP神經網絡和差分進化算法

1.1 BP神經網絡

BP神經網絡是一種經典的前饋神經網絡，與其他類型的神經網絡相比，由于具有誤差反饋功能，因此可以更好地逼近復雜系統，建模精度高。通常情況下，BP神經網絡由許多神經元組成，神經元互相連接，組成一定的拓撲結構，最常用的結構為輸入層、隱含層、輸出層的三層結構，它們的神經元數量分別為和BP神經網絡的輸入和輸出定義為表示隱含層的連接權值，表示隱含層的閾值，表示隱含層的變換函數，表示輸出層的連接權值，表示輸出層的閾值，其中輸入層和隱含層之間信息的正向傳遞方式為：

隱含層和輸出層之間信息的正向傳遞方式為：

BP神經網絡通過訓練，可以得到輸出層的估計誤差，具體為：

式中為實際輸出。

當估計誤差比期望誤差高時，進行誤差反饋操作，對進行估計并采用梯度下降算法進行更新，其中輸出層連接權值和閾值具體更新如下：

式中表示變化速率。

隱含層連接權值和閾值具體變化如下：

由于神經網絡的連接權值和閾值影響其訓練效果，所以采用差分進化算法進行在線優化，以提高網絡熱門話題的跟蹤和檢測精度。

1.2 差分進化算法

差分進化算法屬于啟發式算法，其工作原理與其他啟發式算法相似，主要通過個體間的合作與競爭找到問題的最優解，具體操作如下：

1） 變異操作。隨機選擇4個個體和當前最優個體進行變異操作，產生新的個體，具體方式為：

式中：表示變異后的個體；表示當前最優個體；表示第一個被選擇變異的個體；是當前進化代數；表示差分量的縮放程度。

2） 交叉操作。交叉是增加種群多樣性的一個重要方法，具體為：

式中：表示交叉概率；表示隨機數。

3） 選擇操作。差分進化算法和遺傳算法的最大區別就是選擇方式不同，其中差分進化算法采用“貪婪”搜索策略進行個體選擇操作。交叉的新個體和比較，誰更優誰就進入下一代，選擇方式具體如下：

式中為問題求解的目標函數。

2 改進神經網絡的網絡熱門話題跟蹤和檢測模型

2.1 提取網絡熱門話題的特征

要對網絡熱門話題進行追蹤建模，首先從網絡熱門話題中提取反映話題重要信息的特征，當前選擇分詞和權重描述特征，通過增量式TF?IDF計算權重。設在時刻新增的熱門話題帖子數為則包括分詞的帖子數的計算公式為：

式中為第時刻包括分詞的帖子數。

此時帖子中的分詞的權重計算公式為：

式中：表示規范化操作；為帖子中的分詞的頻度；為當前的帖子數量。

2.2 改進神經網絡的網絡熱門話題跟蹤和檢測模型的工作步驟

改進神經網絡的網絡熱門話題跟蹤和檢測模型的工作步驟具體如下：

1） 對一個具體網絡熱門話題，收集相關信息，主要包括跟帖數、相關報道等。

2） 對相關信息進行切分操作，提取與網絡熱門話題有關的重要信息，并進行分詞操作。

3） 提取能夠描述網絡熱門話題的特征，然后根據式（12）計算網絡熱門話題特征的權重。

4） 根據權重對網絡熱門話題特征進行排序，選出最前面一些特征描述該網絡熱門話題。

5） 將特征作為神經網絡的輸入，帖子數作為神經網絡的輸出，建立神經網絡的學習樣本。

6） 將網絡熱門話題的訓練樣本輸入到神經網絡進行訓練，并根據選擇的特征數量確定神經網絡的拓撲結構。

7） 采用差分進化算法對連接權值和閾值進行在線優化，使BP神經網絡的網絡熱門話題檢測訓練誤差朝著實際要求的方向發展。

8） 當網絡熱門話題檢測的訓練誤差達到期望的要求時，終止訓練，確定最優神經網絡的網絡熱門話題跟蹤和檢測模型。

9） 采用網絡熱門話題的驗證樣本對建立的網絡熱門話題跟蹤和檢測模型性能進行測試，并對結果進行分析。

綜上可知，改進神經網絡的網絡熱門話題跟蹤和檢測模型工作流程如圖1所示。

3 仿真測試

3.1 數據集

為了分析改進神經網絡的網絡熱門話題跟蹤和檢測效果，選擇網絡熱門話題的通用測試數據TDT4作為實驗對象，將數據分為兩部分：訓練樣本集和驗證樣本集，樣本數量的比例為31。為了使網絡熱門話題檢測模型的結果具有可比性，構建了2個網絡熱門話題檢測對比模型，具體為文獻[12]的檢測模型及傳統BP神經網絡。采用網絡熱門話題跟蹤和檢測的漏檢率、誤檢率進行評價[13]。

3.2 結果與分析

針對TDT4數據集，為了使實驗結果公平，執行5次仿真實驗，每一次和的結果如圖2和圖3所示，對和進行分析可知，改進神經網絡的和比對比模型的值均低，表明獲得了高精度的網絡熱門話題跟蹤和檢測精度，通過差分進化算法對BP神經網絡的參數進行在線優化，建立整體性能優異的網絡熱門話題跟蹤和檢測模型。

在網絡熱門話題的檢測應用中，檢測實效性要求較強，為此統計每一個模型的平均執行時間，結果如圖4所示。從圖4可知，通過差分進化算法對BP神經網絡進行優化，減少了網絡時間，提升了網絡熱門話題跟蹤和檢測效率。

4 結 語

網絡熱門話題檢測具有重要的實際應用價值，為了克服當前網絡熱門話題檢測模型存在誤檢率高、準確度差的缺點，提出改進神經網絡的網絡熱門話題追蹤和檢測模型，并通過具體實驗對其性能進行檢測，可以得到如下結論：

1） 采用神經網絡對網絡熱門話題的變化特點進行跟蹤，可以發現其將來的變化趨勢，提高了網絡熱門話題的檢測準確性。

2） 采用差分進化算法對神經網絡進行在線優化，可以根據具體網絡熱門話題建立合理的跟蹤檢測模型，有利于提高網絡熱門話題的跟蹤精度，降低網絡熱門話題檢測的錯誤率。endprint

3） 該模型具有較好的通用性，可以應用到其他復雜問題的建模中，具有較高的應用價值。

參考文獻

[1] 洪宇，張宇，劉挺，等.話題檢測與跟蹤的評測及研究綜述[J].中文信息學報，2007，21（6）：71?87.

HONG Yu， ZHANG Yu， LIU Ting， et al. Evaluation and research of topic detection and tracking [J]. Chinese information journal， 2007， 21（6）： 71?87.

[2] 曾依靈，許洪波.網絡熱點信息發現研究[J].通信學報，2007，28（12）：141?146.

ZENG Yiling， XU Hongbo. Research on the hot spot information of the network [J]. Journal of communications， 2007， 28（12）： 141?146.

[3] 周亞東，孫欽東，管曉宏，等.流量內容詞語相關度的網絡熱點話題提取[J].西安交通大學學報，2007，41（10）：1142?1145.

ZHOU Yadong， SUN Qindong， GUAN Xiaohong， et al. Network hot topic extraction based on relevance of flow content words [J]. Journal of Xian Jiaotong University， 2007， 41（10）： 1142?1145.

[4] 遲呈英，李紅.基于改進TF* PDF算法的網絡新聞熱點話題檢測和跟蹤[J].計算機應用與軟件，2013，30（12）：311?314.

CHI Chengying， LI Hong. Hot topic detection and tracking of network news based on improved TF*PDF algorithm [J]. Computer applications and software， 2013， 30（12）： 311?314.

[5] 王巍，楊武，齊海鳳.基于多中心模型的網絡熱點話題發現算法[J].南京理工大學學報（自然科學版），2009，33（4）：422?431.

WANG Wei， YANG Wu， QI Haifeng. A hot topic detection algorithm based on multi center model [J]. Journal of Nanjing University of Science and Technology （natural science edition）， 2009， 33（4）： 422?431.

[6] 金珠，林鴻飛，趙晶.基于HowNet的話題跟蹤及傾向性分類研究[J].情報學報，2005，24（5）：555?561.

JIN Zhu， LIN Hongfei， ZHAO Jing. Research on topic tracking and tendency classification based on HowNet [J]. Journal of information science， 2005， 24（5）： 555?561.

[7] 洪宇，倉玉，姚建民.話題跟蹤中靜態和動態話題模型的核捕捉衰減[J].軟件學報，2012，23（5）：1100?1119.

HONG Yu， CANG Yu， YAO Jianmin. Kernel capture attenuation of static and dynamic topic models in topic tracking [J]. Journal of software， 2012， 23（5）： 1100?1119.

[8] 姚長青，杜永萍.基于主題的輿情跟蹤方法研究及性能評價[J].圖書情報工作，2012（18）：50?53.

YAO Changqing， DU Yongping. Research and performance evaluation of topic based public opinion tracking method [J]. Library and information work， 2012（18）： 50?53.

[9] 張曉艷，王挺，梁曉波.LDA模型在話題追蹤中的應用[J].計算機科學，2011，38（z1）：136?139.

ZHANG Xiaoyan， WANG Ting， LIANG Xiaobo. Application of LDA model in topic tracking [J]. Computer science， 2011， 38（S1）： 136?139.

[10] 廖君華，孫克迎，鐘麗霞.一種基于時序主題模型的網絡熱點話題演化分析系統[J].圖書情報工作，2013，57（9）：96?102.

LIAO Junhua， SUN Keying， ZHONG Lixia. A network topic hot topic evolution analysis system based on temporal topic model [J]. Library and information work， 2013， 57（9）： 96?102.

[11] 李保利，俞士汶.話題識別與跟蹤研究[J].計算機工程與應用，2003，39（17）：7?10.

LI Baoli， YU Shiwen. Topic recognition and tracking research [J]. Computer engineering and applications， 2003， 39（17）： 7?10.

[12] 肖紅，許少華.改進的話題檢測和跟蹤算法研究[J].計算機技術與發展，2014，24（9）：84?88.

XIAO Hong， XU Shaohua. Research on improved topic detection and tracking algorithm [J]. Computer technology and development， 2014， 24（9）： 84?88.

[13] 周學廣，高飛，孫艷.基于依存連接權VSM的子話題檢測與跟蹤方法[J].通信學報，2013，34（8）：1?9.

ZHOU Xueguang， GAO Fei， SUN Yan. Sub topic detection and tracking method based on dependency join weight VSM [J]. Journal of communications， 2013， 34（8）： 1?9.endprint