《表3 文本数据主题识别结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《网络多媒体数据中舆情关联主题的挖掘方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

采用MG-LDA模型分别对由图像数据中抽取的文本和文本数据进行主题识别．使用Python语言实现MG-LDA模型，参照文献[16-17]给出的模型参数值，并通过实验调整，得到参数赋值为:全局主题分布的狄利克雷（Dirichlet）参数αgl=0.6，局部主题分布的狄利克雷参数αloc=0.6，全局单词分布的狄利克雷参数βgl=0.01，局部单词分布的狄利克雷参数βloc=0.001，αglmix=0.01，局部主题先验分布的非对称贝塔（Beta）参数αlocmix=0.50；先验分布的对称狄利克雷参数γ=0.01．全局主题数gl=18，局部主题数loc=6；窗口中相邻句子数T=3；迭代次数I=1 000．识别后筛选出的全局主题和局部主题中可做为舆情要素的词语如表3和表4．由表3和表4可见，由图像中识别的舆情要素可作为引发网络舆情的必要条件，但根据文本识别的主题词和图像识别的主题词有所不同．例如，在本研究针对性侵事件的分析中，发现图片等多媒体数据中提取的信息多和沉默、权利以及高官相关，比纯文本数据蕴含了更多的舆情要素，社会关注的焦点往往会在受害者或者事件中的强势群体，这就更加容易形成舆情[18]．可见，综合分析图像和文本等多模态数据，可更加完善的获取舆情关联要素，这对于监控舆情演化趋势十分重要．