新書推薦：
《
鸟瞰最美国保全书（刷边版）
》
售價：HK$
1177.6
《
上海市民生活记忆
》
售價：HK$
83.2
《
分肥游戏：古代中国权力分配规则
》
售價：HK$
70.6
《
结构 Structures（埃隆马斯克推荐读物之一，经典又实用的结构力学普及读物）
》
售價：HK$
93.2
《
影响世界的十八个定律：破解万物运行规律人类，如何用公式定义世界？
》
售價：HK$
65.8
《
道教大辞典·道教百科全书（通识版本+飞机盒）： 附赠32张海报：神仙谱系大全x1、道教宗派与法术全鉴x1、时间线上的道教史x1
》
售價：HK$
327.8
《
伦理学与生活（第11版）
》
售價：HK$
118.8
《
巴格达新版 和平之城 血腥之城 汗青堂丛书055
》
售價：HK$
118.8
|
| 內容簡介： |
|
《网络舆情事件检测技术》深入探讨数字化时代迅速发展的社交媒体和网络平台中广泛应用的舆情识别技术。《网络舆情事件检测技术》共7章，第1章详细介绍网络舆情事件检测的概念、意义、主要应用场景和目前面临的挑战。第2章系统介绍数据建模、基础模型和优化技术，为读者奠定扎实的理论基础。基于这些基础理论知识，第3～7章对网络舆情事件检测技术涉及的事件建模与表示、流式事件检测、社会事件检测、特征驱动的事件检测、无监督式的社交网络表示学习及事件检测等多个领域进行详细介绍，帮助读者理解如何将理论应用于实际问题，全面探讨网络舆情事件检测技术的多样性和复杂性。
|
| 目錄：
|
|
目录第1章 绪论 11.1 网络舆情事件检测的概念 11.2 网络舆情事件检测的意义 21.3 网络舆情事件检测的应用 31.3.1 社交媒体情感分析 31.3.2 舆情预警 41.3.3 突发事件监测 41.3.4 新闻媒体监测 51.4 网络舆情事件检测面临的挑战 51.5 本章小结 6第2章 网络舆情事件检测基础 82.1 数据建模 82.1.1 异构信息网络概述 82.1.2 异构信息网络建模 92.1.3 多关系图建模 112.2 基础模型 132.2.1 图神经网络方法 132.2.2 聚类技术 152.2.3 流式聚类技术 162.2.4 深度强化学习 182.2.5 多智能体强化学习 202.3 优化技术 222.3.1 交叉熵损失 222.3.2 对偶学习 232.3.3 对比学习 242.3.4 不均衡分布表征优化技术 262.4 本章小结 27第3章 事件建模与表示 293.1 图神经网络简述 293.2 基于GNN的事件检测算法 313.3 社交注意力图学习的社会事件表示学习 323.3.1 图注意力网络 333.3.2 元路径聚合图神经网络 343.4 异构图卷积的社会事件表示学习 353.4.1 异构图注意力网络 363.4.2 图变换网络 383.5 增强多关系图学习的社会事件表示学习 383.5.1 关系图卷积网络 393.5.2 多关系图卷积网络 403.6 证据性图学习的社会事件表示学习 413.6.1 D-S证据性理论 413.6.2 ETGNN：证据时间感知图神经网络 413.7 质量自感知图学习的社会事件表示学习 433.7.1 关于社会事件的基本概念 433.7.2 质量感知自改进图神经网络 443.7.3 实验结果 473.8 本章小结 49第4章 流式事件检测 504.1 用于事件检测的聚类算法 504.1.1 层次聚类 514.1.2 k-means聚类 514.1.3 DBSCAN聚类 524.2 知识增量学习的流式事件检测 534.2.1 基于对比学习的可扩展训练 534.2.2 KPGNN：保持知识增量学习的事件检测算法 544.2.3 实验结果 574.3 尺度自适应学习的流式事件检测 584.3.1 LSTM模型 584.3.2 GRU模型 594.3.3 自适应缩放递归神经网络 604.4 社交媒体中的多尺度流式事件检测 624.4.1 事件的时空检测 624.4.2 基于时空约束的局部事件检测 624.4.3 基于小波的多尺度事件检测 634.5 多样化尺度自适应的流式事件检测 664.5.1 多尺度金字塔网络 664.5.2 自适应图学习模块 674.5.3 多尺度时间图神经网络 684.5.4 规模融合模块 684.6 低成本的增量聚类的流式事件检测 694.6.1 预处理和后处理 694.6.2 TwitterNews+：一种低计算成本的事件检测 704.7 本章小结 72第5章 社会事件检测 745.1 社会事件检测概述 745.2 基于固定模板的特定型事件检测 765.2.1 自然灾害类事件检测 765.2.2 日常生活类事件检测 775.3 基于数据驱动的通用型事件检测 785.3.1 小样本驱动事件检测 785.3.2 大数据流式场景事件检测 785.4 基于社交数据流的实时事件检测 805.4.1 术语 805.4.2 趋势检测 805.4.3 实体操作 815.4.4 聚类 825.5 基于混合知识蒸馏的跨语言社会事件检测 835.5.1 问题定义 835.5.2 跨语言知识蒸馏框架 845.6 基于多视图图注意网络的社会事件检测 885.6.1 问题定义 885.6.2 异构社会事件图构建 895.6.3 多视图社会事件表示 905.6.4 标签引导的多视图图注意力 925.7 基于社交信息的强化、增量和跨语言事件检测 935.7.1 加权多关系社会信息图 955.7.2 多关系图神经网络框架中的多智能体增强聚合 955.8 基于不确定性引导学习的不平衡社会事件检测 985.8.1 问题定义 985.8.2 不确定性引导类不平衡学习框架：UCLSED和UCL-ECSED 1005.9 基于GCN的社会事件检测 1035.9.1 面向事件的GCN算法机理 1045.9.2 问题定义 1045.9.3 PP-GCN：成对流行图卷积网络 1055.9.4 实验结果 1075.10 基于元学习的社会事件检测 1105.10.1 问题定义 1105.10.2 MetaEvent：基于元学习的零样本和少样本的事件检测 1115.11 本章小结 113第6章 特征驱动的事件检测 1156.1 回顾性事件检测 1156.1.1 聚类表示 1156.1.2 基于GAC的层次聚类 1166.1.3 单步算法聚类 1176.2 新事件检测 1186.2.1 检测方法 1196.2.2 检测阈值 1196.3 跨语言事件检测 1206.3.1 在单语中的潜在狄利克雷分布 1206.3.2 多语言文档中的LDA 1206.3.3 事件检测 1216.3.4 聚类 1226.4 基于社会传感器的实时事件检测 1226.4.1 问题定义 1236.4.2 模型介绍 1246.5 基于时间序列数据的事件检测 1266.5.1 变化点检测下的事件检测 1276.5.2 批处理算法 1286.5.3 增量算法 1296.6 基于信号聚类的事件检测 1296.6.1 小波分析 1306.6.2 EDCoW：基于小波信号聚类事件检测 1316.7 动态社会网络中的事件检测 1346.7.1 主要方法概述 1346.7.2 图分解 1356.7.3 共识结构 1366.7.4 层次结构影响 1376.8 基于特征分布的事件检测 1386.8.1 突发事件检测问题定义 1386.8.2 突发事件检测：一种特征中心聚类方法 1396.9 基于高阶共聚类的社会事件检测 1426.9.1 问题定义 1426.9.2 SED-RHOCC：基于高阶共聚类的社会事件检测 1436.10 本章小结 146第7章 无监督式的社交网络表示学习及事件检测 1487.1 基于神经网络的无监督词增量表示学习 1487.2 基于矩阵分解的无监督词增量表示学习 1507.3 动态社交网络无监督表示学习 1517.4 无监督主题嵌入故事的社会事件检测 1537.4.1 问题定义 1537.4.2 主题嵌入 1547.4.3 USTORY：通过可扩展主题嵌入从新闻流中发现无监督故事 1557.4.4 实验结果 1587.5 无监督结构熵*小化的社会事件检测 1597.5.1 问题定义 1597.5.2 HISEvent：基于结构熵的无监督社会事件检测 1607.6 本章小结 162参考文献 163后记 173
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
