基于相关向量机的网络舆情情感趋势预测

基于相关向量机的网络舆情情感趋势预测 Network Public Opinion Emotional Trend Prediction Based on Relevance Vector Machine first-author 马晓宁，男，副教授，现从事信息安全和文本分析方面的研究. E-mail：mxn@tju.edu.cn 马晓宁，男，副教授，现从事信息安全和文本分析方面的研究. E-mail： mxn@tju.edu.cn mxn@tju.edu.cn 中国民航大学 计算机科学与技术学院, 天津 300300 中国民航大学 计算机科学与技术学院, 天津 300300 College of Computer Science and Technology, Civil Aviation University of China, Tianjin 300300, China College of Computer Science and Technology, Civil Aviation University of China, Tianjin 300300, China 对网络舆情事件中网民评论的情感发展趋势进行准确预测具有非常重要的意义和价值.本文提出将网民评论的情感值作为预测指标，通过对评论的句式分析，利用短语模式计算单句及复句的情感值，构建情感值时间序列，建立基于相关向量机的网络舆情情感趋势预测模型，对网络舆情事件中网民评论情感趋势进行预测.选择新浪微博中关注度较高的头条新闻中微博评论的舆情事件作为实验对象，运用本文模型与基于BP神经网络、Elman神经网络等预测模型进行对比.实验结果表明，本文模型具有较高的预测精度，平均绝对百分误差(MAPE)和均方根误差(RMSE)均优于基于BP神经网络和Elman神经网络的预测模型，能较好地预测出网络舆情事件中网民评论情感趋势. It is of great significance and value to accurately predict the emotional development trend of netizens' comments in online public opinion events. In this paper, the emotional value of netizens' comments was presented as the predictor. Through analysis of the sentence patterns the comments, the emotional value of single sentence and complex sentences was calculated by using the phrase pattern, and the time series of emotional value was constructed. Thereafter, a relevance vector machine (RVM) model was built to predict the emotional trends of netizens in on line public opinion events. The public opinion events in the headlines of Sina microblog were used to compare this model with BP neural network model and Elman neural network model. It was found that the model presented has a higher prediction accuracy, especially in mean absolute percentage error (MAPE) and root mean square error (RMSE). Thus this model is fit for the emotional trend prediction of netizens' comments in public opinion events. 相关向量机 网络舆情 情感趋势预测 时间序列 relevance vector machine network public opinion emotional trend prediction time series 引言 1 网络舆情事件中，如何对网民评论中表达出的情绪和态度进行计算，得到评论的情感值，并对评论的情感发展趋势进行合理预测，是目前舆情研究中亟待解决的问题.网络舆情事件中评论情感值的计算及预测，有助于更准确地判断网络舆情事件的现状和未来发展趋势，对于重大网络舆情事件失控前的提早预警，以及对评估网络舆情事件处置的效果，均具有重要的意义和价值. 目前国内外学者在舆情分析方面研究较多，而对网络舆情预测研究还处于探索阶段 [ 1 1 ~ 5 5 1~5 ] .网络舆情事件趋势预测领域的研究，主要集中在热度指标上 [ 6 6 , 7 7 ] ，文献[ 8 8 ~ 10 10 8~10 ]等采用BP神经网络、灰色理论、Elman神经网络等预测模型对评论的回复数，转发量和热度进行了预测.文献[ 11 11 ]对微博环境下与某些舆情事件相关的文本，包含褒义、中性、贬义情感表述微博占所有相关微博的比重的趋势进行了预测, 没有涉及网民的评论. 不同于之前的工作，本文将微博下的网民评论情感值作为预测指标.对网民的评论进行了句式分析，计算出每条评论的情感值并构建相关向量机(relevance vector machine，RVM)预测模型来预测网民对同一事件的未来情感趋势，能更准确地反映网民对某件网络舆情事件过去、现在和未来的态度变化.将网民的评论情感值作为预测指标，研究网民评论文本体现的网络舆情事件的情感态度和发展趋势，这是本文最重要的创新点. 基本思路及模型构架 1 本文选择新浪微博中关注度较高的头条新闻中微博评论的舆情事件为研究对象，研究评论情感值的计算方法，通过对评论进行句式分析，利用短语模式计算单句情感值，再计算复句情感值，从而确定每条评论的情感值.评论情感值随时间而变化，文中建立情感值的时间序列 [ 12 12 ] ，作为预测模型的输入.在研究网络舆情情感趋势的预测方法时，我们注意到网民评论的情感倾向与热度、转发数和回复数这些预测指标都具有非线性、离散的特征，考虑到相关向量机模型在处理非线性问题上比神经网络预测模型效果更好，且RVM针对有限样本情况，从理论上可得到全局最优解 [ 13 13 ] ，可解决神经网络方法无法避免的局部最优解问题，本文选用相关向量机RVM模型来对网民情感倾向进行预测 [ 14 14 ] ，并将RVM和神经网络预测模型进行实验对比. 整个研究方案的过程如 图 1 图 1 所示. 网络舆情事件中评论情感值的计算 1 网络舆情事件中网民情感趋势分析的前提是评论情感值的计算.情感值计算参考文献[ 15 15 ]的短语模式, 计算流程如下：1)评论的预处理；2)单句情感值的计算；3)复句情感值的计算.网络舆情事件评论的情感倾向值计算流程如 图 2 图 2 . 短语模式情感倾向值的计算 2 单句情感值确定采用短语模式算法.通过对微博上网民评论进行预处理，过滤掉与舆情事件无关的评论，同时把不符合中文语法的评论变成符合短语模式下的句子，将不符合句子语法规则的语句变成符合中文语法规则的评论.对这些评论进行分析后选取一些代表性的可以表达微博评论情感倾向的常见短语模式.部分短语模式如 表 1 表 1 所示. 评价对象+形容词/名词 评价对象+副词+动词 动词+评价对象 副词+动词+评价对象 评价对象+否定词+副词+形容词/动词 评价对象+否定词+副词+动词 根据短语模式分别在肯定和否定情感倾向文本中的次数确定该模式情感强度.计算短语模式情感倾向值时需将 表 1 表 1 中短语模式按不同情感倾向分开计算，例如： 动词+评价对象，需分成两个短语： 1) 褒义动词+评价对象 2) 贬义动词+评价对象 其他短语模式情感倾向值计算与上述思路类似.情感值计算时，首先需统计每个短语模式 i 在表达褒义情感倾向的文本中出现的次数 A i 和在表达贬义情感倾向的文本中出现的次数 B i ，两类文本的样本数量相同.实验中，两类文本各选取了50篇.根据公式(1)进行短语模式情感倾向值的计算. http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258789&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258789&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258789&type=middle 当 A i =0或 B i =0时，log( A i / B i )不能使用，故给 A i ， B i 都加1；同时，在短语模式 A i =0或 B i =0的情况下，一般其情感倾向度都较高，故公式(1)中增加常数 C 变为公式(2)， http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258794&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258794&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258794&type=middle 当 A i =0时，取 C =-3； B i =0时，取 C =3. e i 的正负代表情感倾向的褒贬，其绝对值越大，表明情感强度越强.部分短语模式在两种表达不同情感倾向的文本中出现次数和计算结果如 表 2 表 2 所示. 短语模式 出现在褒义情感倾向文本中的次数 出现在贬义情感倾向文本中的次数 情感倾向值 评价对象+褒义形容词 48 3 1.204 评价对象+贬义形容词 11 50 -0.660 评价对象+褒义名词 33 15 0.340 评价对象+贬义名词 10 16 -0.204 评价对象+是+褒义形容词 11 2 0.740 评价对象+是+贬义形容词 1 11 -1.040 褒义动词+评价对象 26 7 0.570 贬义动词+评价对象 0 9 -1 网络舆情信息情感值的计算 2 单句的情感值确定后，计算整条评论的情感值，分为以下情况： 1) 评论是单句：若单句仅有一个情感词，则按单个情感词倾向值赋值.若单句符合 表 1 表 1 短语模式中的一种，则根据短语模式情感值算法计算. 赋值后，进行句型分析，即判断该单句是陈述句、感叹句还是疑问句等句型并进行加权运算.陈述句情感值为短语模式计算结果；感叹句在短语模式计算结果基础上乘以权值1.5；疑问句在原情感值基础上乘以权值-1.5.此外程度副词对情感值有影响，计算规则如下：将程度副词的程度分为三个等级，相应权值分别在原情感值基础上乘以1.5、1.4或1.3. 表 3 表 3 列出部分程度副词以及强度级别. 程度副词 强度级别 强度值 极其，极度，最，十分，完全 一等级 1.5 非常、大、真、特别、尤其、很 二等级 1.4 较、还、越发、愈 三等级 1.3 2) 评论是复句：复句情感值计算由单句情感值加权得出.计算可分两种情况： 第一，由单句直接结合而成，例如：“上黑名单，禁止乘坐飞机”，这类复句的情感值，由单句情感值累加计算即可. 第二，复句由关联词组合而成，例如： “当然，机场应对方式可能也不当, 但是，还是那句话，没文化，多可怕！！！” 针对这类复句，不同的关联词，需定义不同权值规则进行最终情感值计算.以下列举几种关联词和相对应的权值. a) 并列:和、同、与、并且等，最后的情感值由单句情感值累加. b) 递进：不但…而且…；况且，情感值计算规则为：前半句×1, 后半句×1.5，加和. c) 转折：然而；虽然…但是…，情感值计算规则为：前半句×1，后半句×(-1.5)，加和. 通过以上情感倾向性分析，得到的最终评论情感值 s i 作为预测模型的时间序列输入，并采用预测模型进行未来情感倾向趋势的分析. 网络舆情事件情感趋势RVM预测模型 1 评论的情感值时间序列的构建 2 计算得到的每条评论情感值按时间顺序存储，将每12 min内的评论情感值取平均得到对应的每一个时间点上的情感值序列{ s 1 , s 2 , …, s l }.将情感值时间序列分为训练集和测试集，用训练样本集对RVM进行训练，产生记忆.然后将预测集输入进训练好的RVM中，就可得到预测集的输出.对于时间序列{ s 1 , s 2 , …, s l }, 观测值 s n 与之前 d 个情感值 s n -1, s n -2, …, s n - d 间的非线性映射关系为 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258798&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258798&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258798&type=middle 式中， d 为维数， f (·)为非线性函数 [ 16 16 ] . 由(3)式可知，实现情感值序列预测的关键在于对 f (·)的准确模拟.因此, 以{ s 1 , s 2 , …, s l }为基础构建情感值训练样本集{ x i , t i } i N , 其中 x i =[ s n -1 , s n -2 , …, s n - d ] T 为情感值训练样本集的输入样本； t i = s n 为情感值训练样本集的输出样本； N = l - d 为训练样本数目.利用该情感值训练样本训练RVM，可使训练后的RVM逼近 f (·)，进而实现对{ s 1 , s 2 , …, s l }集合中剩下的预测样本数 d 中情感值的预测输出. 基于RVM的网络舆情情感趋势预测算法 2 步骤如下. 第1步   建模，构造RVM模型的输出. 假设舆情情感值的训练数据集为{ x i , t i } i =1 N ，其中， N 为训练样本总数，输入向量 x i ∈ R d ， R d 是情感值的输入集， d 为嵌入维数.目标输出 t i ∈ R ， R 为一维情感值训练样本的输出集.假定情感值的输入向量和实际目标输出是独立分布的，它们之间的关系表示为 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258802&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258802&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258802&type=middle 式中， ε i 服从均值为0、方差为 σ 2 的Gaussian分布，即 ε i ~ N (0, σ 2 )； w =[ w 1 , w 2 , …, w N ] T 为模型的权值向量.而舆情情感值的RVM预测模型输出可以表示为 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258816&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258816&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258816&type=middle 式中： k ( x , x i )为核函数； N 为样本数； w 0 为初值. 第2步   为每个权值定义先验概率分布 定义先验概率分布的原因是为了避免过学习问题 [ 17 17 ] ，提高模型的泛化能力. http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258822&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258822&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258822&type=middle 式中， α =[ α 0 , α 1 , …, α N ] T , 是一个 N 行1列的超参数向量，每个独立的 α j 只与其对应的权值 w j 相关联. 第3步   在贝叶斯框架下用最大似然方法训练模型权值 w j ，则相应的情感值训练样本集的似然函数为 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258825&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258825&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258825&type=middle 式中： t =[ t 1 , t 2 , …, t N ] T 表示情感值输出向量； φ =[ φ ( x 1 ), φ ( x 2 ), …, φ ( x N )]是由一组非线性基函数构成的矩阵，其中 φ ( x i )=[1, k ( x i , x 1 ), …, k ( x i , x N )] T ， i =1, 2, …, N . 第4步   RVM训练的最终目的是求出权值向量 w 的后验分布. 利用(6)和(7)式得到先验分布和最大似然函数，根据贝叶斯公式，可得到权值的后验分布计算公式为： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258832&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258832&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258832&type=middle 因 p ( t | w , σ 2 )和 p ( w | α )均为高斯分布，而 p ( t | α , σ 2 )中不含 w ，可看作归一化系数，则 w 的后验分布又可表示为 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258837&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258837&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258837&type=middle 后验协方差和均值分别为 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258841&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258841&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258841&type=middle 式中， A =diag( α 1 ， α 2 , …, α N ). 第5步   训练目标值的似然分布通过对权值变量进行积分得到. http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258843&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258843&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258843&type=middle 第6步   通过优化得到最优的超参数 α MP 和噪声方差 σ MP 2 . 超参数 α j 和 σ 2 直接影响 w 的后验分布，需对其进行优化得到 w 的最大后验分布.通过最大化边缘似然函数 p ( t | α , σ 2 )实现超参数的优化.将目标函数对超参数 α j ( j =0, 1, …, N )和 σ 2 求偏导并令导数为0，得到迭代公式为 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258848&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258848&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258848&type=middle 式中， μ j 为权值后验均值向量 μ 第 j 个元素； γ j =1- α j Σ jj ， Σ jj 为后验权协方差矩阵 Σ 的第 j 个对角元素. (11)和(12)式依次进行迭代计算直到所有参数都收敛或达到最大训练次数为止. 第7步   情感值预测均值的计算. 经最大似然法得超参数 α MP 和噪声方差 σ MP 2 .若给定输入 x * , 则相应的输出概率分布为 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258852&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258852&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258852&type=middle (13)式服从高斯分布，即 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258856&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258856&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258856&type=middle 由此则得出情感值的预测均值和方差分别如下： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258861&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258861&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258861&type=middle 由(15)式求得的 y * 即为 t * 的情感值预测值. 实验结果分析 1 实验中选用的核函数是高斯函数，随机选择新浪微博上10 d内关注度较高的3个舆情事件，每个事件进行情感倾向性分析后得出的情感值时间序列为1 200个值.对每个事件的1 200个情感值进行训练集与预测集的划分，每12 min计算一次网民在这12 min内的评论情感值的平均值，将此时间序列作为RVM回归预测模型的输入，输入分为训练集和预测集.将前9天每天前20 h的情感值作为训练集的输入，第10天前20 h的情感值作为训练集的输出，训练RVM回归预测模型，即可得到训练模型的最佳参数.然后将前9天每天的后4 h的情感值作为预测集的输入，对RVM预测模型进行调整，最终得到预测集第10天后4 h情感值预测输出. 本文的预测过程采用MATLAB编程实现，为验证RVM回归预测的准确性，与Elman神经网络 [ 17 17 ] 和BP神经网络(BPNN)预测方法文献得到的预测结果进行了对比( 图 3 图 3 ~ 8 8 )，其中，误差为真实情感值与预测情感值的差.在3个不同的舆情事件中，实验结果表明采用RVM回归预测可以取得较好的效果. 为了更准确评价本文的预测能力，选取了以下两个预测评价指标 [ 18 18 ] ，定义如下： 平均绝对误差： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258897&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258897&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258897&type=middle 均方根误差： http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258899&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258899&type=small http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=4258899&type=middle 其中 y ′ i 为事件舆情情感趋势的预测值； y i 为实际情感值. n =1, 2, …, 20.根据(16)和(17)式，3个事件的3种预测模型的预测性能指标计算结果如 表 4 表 4 . 事件 模型 MAPE RMSE Elman神经网络 7.745 5 0.136 5 1 BP NN 3.873 1 0.061 2 RVM回归 1.471 8 0.033 7 Elman神经网络 13.148 5 0.179 0 2 BP NN 9.099 4 0.114 7 RVM回归 2.790 8 0.056 6 Elman神经网络 4.358 0 0.108 3 3 BP NN 10.293 5 0.276 9 RVM回归 3.979 4 0.121 3 从 表 4 表 4 可知，针对不同的网络舆情事件，RVM回归模型的MAPE和RMSE都小于其他的两种模型, 表明RVM回归模型的预测性能优于Elman神经网络和BP神经网络模型，能更精确地反映出网民的态度趋势. 结论 1 针对网络舆情趋势预测，提出与以往将话题关注度和正负面评论比重等预测指标不同的舆情信息情感值作为预测指标，并采用基于时间序列的相关向量机模型预测网民对舆情事件的情感趋势，更好地反映了网民对典型舆情事件的态度和情绪的变化趋势，对舆情事件进行监管、预警和提前处置具有重要的帮助.实验结果表明采用RVM预测模型的精度比Elman和BP神经网络预测模型高.后续工作将致力于研究基于该方法的网络舆情事件预警系统. 参考文献 DENG L, XU B Y, ZHANG L M, et al. Tracking the evolution of public concerns in social media [C]// Proceedings of the 5 th International Conference on Internet Multimedia Computing and Service . New York: ACM Press, 2013: 353-357. DOI: 10.1145/2499788.2499826 http://dx.doi.org/10.1145/2499788.2499826 . CHANG C C, CHIU S I, HSU K W. Predicting political affiliation of posts on Facebook [C]// Proceedings of the 11 th International Conference on Ubiquitous Information Management and Communication . New York: ACM Press, 2017: 57. DOI: 10.1145/3022227.3022283 http://dx.doi.org/10.1145/3022227.3022283 . CHAN C H, FU K W. Predicting political polarization from cyberbalkanization: Time series analysis of Facebook pages and opinion poll during the Hong Kong occupy movement [C]// Proceedings of the ACM Web Science Conference . New York: ACM Press, 2015: Article No. 36. DOI: 10.1145/2786451.2786509 http://dx.doi.org/10.1145/2786451.2786509 . CHEN X G, XIA M N, CHEN J R, et al. Trend prediction of internet public opinion based on collaborative filtering [C]// Proceedings of 12th International Confe- rence on National Computation and 13th Fuzzy Systems and Knowledge Discovery . Piscataway: IEEE Press, 2016: 583-588. DOI: 10.1109/FSKD.2016.7603238 http://dx.doi.org/10.1109/FSKD.2016.7603238 . WEI G Y, ZHANG W W, LEI Z. Stock trends prediction combining the public opinion analysis [C]// Proceedings of International Conference on Logistics . Piscataway: IEEE Press, 2016: 1-6. DOI: 10.1109/LISS.2015.7369692 http://dx.doi.org/10.1109/LISS.2015.7369692 . 祁磊. 话题检测与跟踪及趋势预测研究[D]. 杭州: 杭州电子科技大学, 2014. http://cdmd.cnki.com.cn/Article/CDMD-10336-1014228920.htm QI L. Topic Detection and Tracking and Trend Prediction Research [D]. Hangzhou: Hangzhou Electro- nic Science and Technology University, 2014(Ch). 王酌. 突发事件的微博网络测量和话题趋势预测模型的研究与实现[D]. 北京: 北京邮电大学, 2015. http://cdmd.cnki.com.cn/Article/CDMD-10013-1015585053.htm WANG Z. The Research and Implementation of The Prediction Model of Microblog Network Measurement and Topic Trend of Emergencies [D]. Beijing: Beijing University of Posts and Telecommunications, 2015(Ch). 陈乃月. 微博舆论发展趋势预测方法研究与实现[D]. 北京: 北京交通大学, 2013. http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y2428893 CHEN N Y. Research and Implementation of the Trend Forecasting Method of Microblog Public Opi- nion [D]. Beijing: Beijing Jiaotong University, 2013(Ch). 张珏. 网络舆情预测模型与平台的研究[D]. 北京: 北京交通大学, 2009. http://cdmd.cnki.com.cn/Article/CDMD-10004-2009146811.htm ZHANG J. Research on Network Public Opinion Prediction Model and Platform [D]. Beijing: Beijing Jiaotong University, 2009(Ch). 张华. 基于优化BP神经网络的微博舆情预测模型研究[D]. 武汉: 华中师范大学, 2014. http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y2556992 ZHANG H. Study on the Prediction Model of Microblog Based on Optimization of BP Neural Network [D]. Wuhan: Central China Normal University, 2014(Ch). 田野. 基于微博平台的事件趋势分析及预测研究[D]. 武汉: 武汉大学, 2012. http://cdmd.cnki.com.cn/Article/CDMD-10486-1012029591.htm TIAN Y. Analysis and Prediction of Event Trends Based on Weibo Platform [D]. Wuhan: Wuhan University, 2012(Ch). 王庚, 张景辉, 吴娜.网络安全态势预测方法的应用研究[J].计算机仿真, 2012, 29 (2): 98-101. WANG G, ZHANG J H, WU N. Research on the application of network security situation prediction method [J]. Computer Simulation , 2012, 29 (2):98-101(Ch). AN J Y, MENG F R, YOU Z H, et al. Improving protein-protein interactions prediction accuracy using protein evolutionary information and relevance vector machine model [J]. Protein Science , 2016, 25 (10):1825-1833. 马开良. 基于相关向量机的复合模型在风速预测中的研究与应用[D]. 兰州: 兰州大学, 2014. http://cdmd.cnki.com.cn/Article/CDMD-10730-1014298024.htm MA K L. The Study and Application of the Composite Model Based on Correlation Vector Machine in Wind Speed Prediction [D]. Lanzhou: Lanzhou University, 2014(Ch). 宋光鹏. 文本的情感倾向分析研究[D]. 北京: 北京邮电大学, 2008. http://cdmd.cnki.com.cn/Article/CDMD-10013-2008140000.htm SONG G P. Analysis of the Emotional Tendency of Text [D]. Beijing: Beijing University of Posts and Telecommunications, 2008(Ch). CHENG H, WANG F, XIAO Z J. The method of network security situation prediction based on PSO_SVR[J]. Computer Applications and Software , 2014, 31 (8): 292-294(Ch). 刘荣. 基于Elman神经网络的短期负荷预测[D]. 杭州: 浙江大学, 2013. http://cdmd.cnki.com.cn/Article/CDMD-10335-1013178160.htm LIU R. Short-term Load Forecasting Based on the Elman Neural Network [D]. Hangzhou: Zhejiang University, 2013(Ch). 艾静. 基于GA-Elman预测模型的网络舆情研究[D]. 武汉: 华中师范大学, 2013. http://cdmd.cnki.com.cn/Article/CDMD-10511-1013275745.htm AI J. Research on Network Public Opinion Based on GA-Elman Prediction Model [D]. Wuhan: Central China Normal University, 2013(Ch). 10.14188/j.1671-8836.2018.03.006 TP399 whdxxblxb-64-3-237 中央高校基本科研业务专项(3122014C018);中国民航大学科研启动项目(09QD02X) 2017-04-20 2018-06-24 2020-11-30 版权所有© 2018 《武汉大学学报(理学版)》编辑部 Copyright © 2018 Journal of Wuhan University(Natural Science Edition). All rights reserved. 2018 武汉大学学报(理学版) 3 64