微博輿情系統(tǒng)中數(shù)據(jù)采集技術(shù)研究.pdf

1、隨著互聯(lián)網(wǎng)的成熟和移動(dòng)互聯(lián)網(wǎng)的快速發(fā)展，越來越多的信息都被發(fā)布在網(wǎng)絡(luò)上，而且這種方式也逐漸的被大眾接受。網(wǎng)絡(luò)上的信息在一定程度上能反映民眾意向，但同時(shí)一些蠱惑性的話也能煽動(dòng)網(wǎng)民，因此網(wǎng)絡(luò)輿論在當(dāng)下社會(huì)中越來越受關(guān)注。為發(fā)展健康的網(wǎng)絡(luò)環(huán)境，有關(guān)政府部門需要對(duì)網(wǎng)絡(luò)輿情進(jìn)行有效預(yù)測(cè)、發(fā)現(xiàn)和疏通引導(dǎo)。而在網(wǎng)絡(luò)輿情領(lǐng)域中，微博輿情備受關(guān)注，因?yàn)樵絹碓蕉嗟妮浨槭录际鞘紫仍谖⒉┥掀毓猓缓笤谖⒉┥蟼鞑?、討論從而形成輿情事件。從各?jí)政府、企事業(yè)單位開

2、通微博的動(dòng)作就能看出微博在網(wǎng)絡(luò)中的地位。
　　本文針對(duì)微博輿情系統(tǒng)中數(shù)據(jù)采集存在的若干問題進(jìn)行分析與研究，提出了通過模擬登錄采集網(wǎng)頁，然后輔以優(yōu)先隊(duì)列采來集微博上更有影響力的微博。本文主要完成以下工作：
　?。?）就目前常用三種方法進(jìn)行分析：微博推送、基于微博API和網(wǎng)絡(luò)爬蟲。前兩種采集方法很難滿足輿情系統(tǒng)對(duì)微博數(shù)據(jù)在規(guī)模和實(shí)時(shí)性等方面的需求，最后一種則不容易采集到有用信息。為此，本文提出模擬瀏覽器登錄微博抓取網(wǎng)頁數(shù)據(jù)的方法

3、，以方便地獲取任意微博用戶網(wǎng)頁上的數(shù)據(jù)，并且能避開前兩種方法在數(shù)據(jù)采集速度上的限制。
　?。?）考慮到微博上用戶數(shù)目龐大，采集數(shù)據(jù)時(shí)會(huì)漏掉很多用戶。本文提出構(gòu)建微博用戶網(wǎng)絡(luò)的方法來解決該問題。首先，將每個(gè)微博用戶抽象為一個(gè)點(diǎn)，用戶和用戶之間的粉絲、關(guān)注、轉(zhuǎn)發(fā)、評(píng)論等關(guān)系抽象為邊，將每種關(guān)系的量化值作為該邊上對(duì)應(yīng)關(guān)系權(quán)值。通過點(diǎn)和邊加入，就能構(gòu)建出一個(gè)巨大的微博用戶網(wǎng)絡(luò)，這樣就能通過這個(gè)網(wǎng)絡(luò)不斷的發(fā)現(xiàn)新微博用戶，進(jìn)而能保證數(shù)據(jù)的完整

4、性。
　?。?）為實(shí)現(xiàn)高效的微博數(shù)據(jù)采集，本文采用優(yōu)先隊(duì)列算法。高效采集數(shù)據(jù)是指在面對(duì)大量的數(shù)據(jù)時(shí)，我們分層次的采集這些數(shù)據(jù)，即先采集影響力大的用戶所發(fā)的微博，然后才是影響力較小的。為實(shí)現(xiàn)該功能，本文設(shè)計(jì)了優(yōu)先級(jí)的計(jì)算模型。綜合新浪微博對(duì)影響力用戶的定義和各種實(shí)際情況，篩選出粉絲數(shù)、關(guān)注數(shù)、活躍度、傳播力和時(shí)間戳這五個(gè)因子。以影響力為主要因子構(gòu)建優(yōu)先隊(duì)列，使得影響力越大的用戶數(shù)據(jù)采集頻率越高，同時(shí)還通過計(jì)算時(shí)間間隔兼顧非活躍用戶的