重大突发公共卫生事件中社交媒体谣言传播行为及引导策略

目录
1 绪论 1
1.1 研究背景及意义 1
1.1.1 研究背景 1
1.1.2 研究意义 3
1.2 研究内容及结构安排 5
1.2.1 研究内容 5
1.2.2 结构安排 6
2 理论基础及概念界定 7
2.1 网络信息传播 7
2.1.1 信息传播的定义 7
2.1.2 信息传播的模式 7
2.1.3 网络信息传播的特点 9
2.1.4 网络信息传播动力学 10
2.2 复杂网络理论 14
2.2.1 复杂网络概述 14
2.2.2 复杂网络的特征 17
2.2.3 复杂网络的统计特性 17
2.2.4 复杂网络模型 23
2.3 在线社会网络 26
2.3.1 在线社会网络的定义 26
2.3.2 在线社会网络的分类 27
2.3.3 在线社会网络分析 29
2.4 社交媒体谣言传播行为 32
2.4.1 社交媒体舆情 32
2.4.2 谣言传播行为 34
2.4.3 突发公共卫生事件 36
2.5 本章小结 36
3 重大突发公共卫生事件中辟谣信息传播行为影响因素 38
3.1 概述 38
3.2 相关研究 39
3.3 辟谣信息传播行为及特点 40
3.3.1 辟谣信息传播行为 40
3.3.2 辟谣信息传播特点 41
3.4 理论模型构建 42
3.4.1 研究设计 42
3.4.2 模型检验 46
3.5 实证研究结果及分析 50
3.5.1 描述性统计与相关性分析 50
3.5.2 回归分析 52
3.5.3 假设检验与结论 53
3.6 本章小结 55
4 重大突发公共卫生事件中社交媒体谣言转发行为预测 59
4.1 概述 59
4.2 相关研究 61
4.2.1 社交媒体中转发行为预测研究 61
4.2.2 社交媒体中谣言转发行为预测研究 62
4.2.3 不均衡数据处理 64
4.2.4 文献评述 65
4.3 基于CNN-SMOTE-SVM的谣言转发行为预测模型 66
4.3.1 卷积神经网络 66
4.3.2 SMOTE算法 67
4.3.3 支持向量机 68
4.3.4 基于CNN的基本模型构建 69
4.3.5 模型改进 72
4.4 特征向量构建 73
4.4.1 特征向量描述 73
4.4.2 核心微博文本提取 74
4.4.3 定量变量 75
4.5 实验结果及分析 77
4.5.1 数据集构建 77
4.5.2 模型评价指标 78
4.6 模型性能比较 79
4.6.1 改进模型比较 79
4.6.2 经典模型比较 80
4.7 特征向量分析 82
4.8 本章小结 85
5 重大突发公共卫生事件中基于ARIMA模型的谣言检测模型 88
5.1 概述 88
5.2 相关研究 90
5.2.1 基于有监督学习的方法 90
5.2.2 基于无监督学习的方法 91
5.2.3 基于深度神经网络的方法 91
5.2.4 其他类型的检测方法 92
5.2.5 文献评述 92
5.3 问题提出 93
5.3.1 社交网络中的谣言检测 93
5.3.2 谣言检测算法 93
5.3.3 时间序列模型 97
5.3.4 FCM算法 98
5.4 基于ARIMA模型的谣言检测模型 100
5.4.1 特征工程 100
5.4.2 模型构建 104
5.5 实验结果及分析 108
5.5.1 实验数据集 108
5.5.2 实验过程 108
5.5.3 实验结果 111
5.6 本章小结 112
6 基于超网络的重大突发公共卫生事件舆论场研究 114
6.1 概述 114
6.2 相关研究 116
6.2.1 基于超网络的舆情网络重要节点分析 116
6.2.2 基于超网络的突发事件传播模式及传播趋势预测 116
6.2.3 基于超网络的舆论引导策略 117
6.2.4 文献评述 118
6.3 基于超网络的社交网络舆论场模型构建 119
6.3.1 理论基础 119
6.3.2 模型构建 120
6.4 实验结果及分析 125
6.4.1 节点的度对传播过程的影响 125
6.4.2 可信度对传播过程的影响 126
6.4.3 政府干预对传播过程的影响 127
6.5 本章小结 132
参考文献 134
后记 142