摘要: 随着网络社交媒体的迅速发展，每天都有数量庞大的话题在网络上传播，而针对网络突发事件引发的热点话题的舆情监控以及趋势变化预测有非常重要的现实意义，好的预测方法能够提升对舆情预警的准确度。 首先从微博爬取热点话题相关微博，针对微博文... 展开 随着网络社交媒体的迅速发展，每天都有数量庞大的话题在网络上传播，而针对网络突发事件引发的热点话题的舆情监控以及趋势变化预测有非常重要的现实意义，好的预测方法能够提升对舆情预警的准确度。 首先从微博爬取热点话题相关微博，针对微博文本内容进行情感分析，从而提取文本的情感特征，并将情感特征结合微博相关字段构建的数量特征以及传播特征进行趋势预测建模，采用多特征对话题热度预测进行建模分析。为了解决话题趋势预测存在的话题趋势多变问题，采用在线更新的方式使得模型能够学习到话题近期的变化趋势。同时提出了LSTM-TCN混合模型，该模型采用MAPE(Mean Absolute Percentage Error)动态滑动窗口组合了LSTM(Long Short Term Memory networks)模型以及TCN(Temporal Convolutional Network)模型，用滑动窗口保存各个模型的预测误差，进而调整单个模型在预测时的权重，组合两个模型的优点以达到更好的预测效果。为了进一步的适应话题数据的波动性，在混合模型预测误差较大时会缩小动态滑动窗口，着重考虑近期的预测情况，而误差较小时则会增大动态滑动窗口，使得整个模型考虑更多的历史信息。 实验比较了各个特征对于话题趋势预测的影响，并对比了LSTM-TCN混合模型与其他热度预测领域的模型之间的预测误差，从实验结果表明，结合所有特征能使得趋势预测误差下降9.4%。LSTM-TCN混合模型相比于其他方法，预测的平均绝对误差可以下降6.1%至50.6%。 收起