基于神经网络的舆情预测研究开题报告

网络舆情是在一定社会空间中，网民通过网络对某些热点、焦点的公共问题、公共事件、社会问题所发出的观点、态度、信念和价值观的综合，是社会舆情在互联网空间的直接反映。主要的实现方式包括: QQ、论坛、微信、博客、微博等网络工具。主要特点有直接性、突发性、丰富性、互动性、偏差性等。其涉及社会、政治、文他、经济等各个领域，受到党和政府的高度关注。

近年来，随着互联网技术的发展，我国网络舆情活跃,网民数目猛增,人们纷纷在各种社交媒体、平台上发表自己的看法，表达自己的态度。一方面，人们通过网络更加便利地行使社会监督的权利，对社会上一些不合理的事进行抨击，督促其改正。但另一方面，有些心怀不轨的人利用网络发布一些反动、迷信、黄色的内容,这些负面的网络舆情给社会公共安全稳定带来较大威胁。 因此，对网络舆情的预测刻不容缓，对网络文化的健康发展乃至社会的和谐稳定都起极大的作用。

研究内容：

1、网络舆情主题规划研究: 网络舆情的主题规划研究并根据相关网络舆情需求研究进行选择合适的主题，建立网络舆情信息的采集任务。

2、网络舆情的信息采集研究: 将新闻、微博、论坛信息作为输入，然后再归入不同话题，对新闻、微博、论坛上的舆情信息进行文本聚类，从而发现热点话题。通过网络爬行器获取网络舆情热点话题数据。

3、网络舆情预测分析: 探究网络舆情的发展过程，研究热点话题，构建神经网络分析模型，分析网络舆情趋势走向。

拟解决的关键问题：

1. 网络舆情数据采集、热点话题发现

2. 用神经网络构建网络舆情分析的模型

写作提纲：

第一章 绪论

1.1 选题背景

1.2 国内外研究现状

1.3 研究目标

1.4 研究内容

第二章 网络舆情研究的理论基础

2.1 网络舆情相关概念

2.2 BP神经网络概念及原理

第三章 网络舆情数据采集、热点话题发现

3.1 网络舆情热点话题相关概念

3.2 网络舆情热点话题数据采集

3.3 网络舆情热点话题获取

第四章 网络舆情分析模型的构建

4.1 构建网络舆情分析模型的总体思路

4.2 BP神经网络的基本思想

4.3 BP神经网络应用于网络舆情危机预测的可行性分析

4.4 BP神经网络的生成

第五章 结论

参考文献

目前，网络舆情预测研究主要是从定量方面考量，在时间序列分析的基础上，采用数学模型进行拟合，主要步骤是: 网络舆情数据采集、热点话题的发现、热点话题的时间序列数据收集、数据清理及变换、预测模型的建立、网络舆情预测及结果评定。常见的预测模型有微分方程模型、时间序列模型、灰色理论模型、BP神经网络模型等。

其中 BP 神经网络模型具有逼近效果好，计算效率高，无需建立数学模型，具有很强的非线性拟合能力。但是 BP 神经网络也存在容错能力差，算法容易陷入局部最小值，收敛速度慢、学习具有不稳定性等缺点。因此，相关研究人员对神经网络方法进行了一些优化，进而提高预测准确性。

2013年，蒋玉婷首先通过灰色模型对网络舆情进行预测，并采用粒子群算法改进后的BP神经网络对预测的结果进行修正。表明基于GM-PSO-BPNN 模型能够较深入挖掘网络舆情的内在变化规律，从而提高预测精度。2014年，张华建立基于GSA优化的BP神经网络的网络舆情预测模型，并证实了它的优越性。2015年魏德志等在证明网络舆情发展趋势具有混沌特征的基础上，提出了 EMPSO_RBF神经网络的方法，并对网络舆情进行预测。2016年游丹丹 陈福集基于改进粒子群算法优化BP神经网络，进一步提高 BP 神经网络预测模型的预测准确性。2017年，陈福集将模拟退化算法和粒子群算法应用于RBF神经网络的优化，为网络舆情热度趋势的预测提供了一种有效的模型。

第一阶段：论文选题。确定论文题目；

第二阶段：完成开题报告。根据论文题目进行调研，收集与神经网络、舆情预测相关的资料，补学空白知识点，对论文的框架和内容有一个大体的构思；

第三阶段：在导师的指导下，进一步分析整理资料，完成论文初稿。在实际工作中验证相关论点，以完善论文的实际可操作性，并希望论文的方法和观点能在实际工作中得到应用和升华；

第四阶段：与导师进行讨论，总结充实研究内容，并根据论点在实际工作中的应用对论文进一步修改；

第五阶段：论文评审。在指导老师的帮助下充分做好答辩准备，积极准备答辩材料；

第六阶段：学院和管理系答辩。

[1]游丹丹,陈福集. 我国网络舆情预测研究综述[J]. 情报科学,2016,34(12):156-160.

[2]游丹丹,陈福集. 基于改进粒子群和BP神经网络的网络舆情预测研究[J]. 情报杂志,2016,35(08):156-161.

[3]翟劼. 微博突发事件网络舆情规律与预测方法研究[D].大连理工大学,2016.

[4]张冰清,刘高见. 大数据下的舆情监测与预测[J]. 视听,2015,(05):154-155.

[5]魏德志,陈福集,郑小雪. 基于混沌理论和改进径向基函数神经网络的网络舆情预测方法[J]. 物理学报,2015,64(11):52-59.

[6]李健行,余忠亚. 突发事件网络舆情预测模型研究[J]. 中国公共安全(学术版),2014,(02):104-107.

[7]张华. 基于优化BP神经网络的微博舆情预测模型研究[D].华中师范大学,2014.

[8]兰月新,董希琳,苏国强. 公共危机事件网络舆情预测问题研究[J]. 情报科学,2014,32(04):35-38.

[9]李振. 网络舆情预测关键技术研究[D].郑州大学,2010.

[10]杨国俊. 基于BBS的舆情预测算法及应用研究[D].合肥工业大学,2010.

[11]张珏. 网络舆情预测模型与平台的研究[D].北京交通大学,2009.[12]王努努,张伟佳,钮亮. 基于ARIMA和BP神经网络模型的舆情情感预测[J]. 电子科技,2016,29(05):83-87.

[12]何炎祥,刘健博,孙松涛. 基于神经网络的微博舆情预测方法[J]. 华南理工大学学报(自然科学版),2016,44(09):47-52.

[13］ 曾振东． 基于灰色支持向量机的网络舆情预测模型［J］.计算机应用与软件，2014，31(2) : 300-302．

[14]邢世昌. 基于神经网络的新闻舆情受欢迎程度预测研究[D].海南大学,2016.

[15]舒予,张黎俐. 基于小波分析与人工神经网络的网络舆情预测[J]. 情报科学,2016,34(04):40-42 47.