[1] 张宁熙.大数据在突发公共事件网络舆情信息工作中的应用[J].现代情报, 2015, 35(6):38-42. [2] 马超,翟姗姗,王晓.会话分析视角下非正式信息交流主题与主题簇演化分析[J].图书情报工作, 2021, 65(17):91-100. [3] RITZHAUPT A D, STEWART M, SMITH P, et al. An investigation of distance education in North American research literature using co-word analysis[J]. International review of research in open and distance learning, 2010, 11(1):37-60. [4] 巴志超,李纲,朱世伟.共现分析中的关键词选择与语义度量方法研究[J].情报学报, 2016, 35(2):197-207. [5] 王红斌,王健雄,张亚飞,等.主题不平衡新闻文本数据集的主题识别方法研究[J].数据分析与知识发现, 2021, 5(3):109-120. [6] 李真,丁晟春,王楠.网络舆情观点主题识别研究[J].数据分析与知识发现, 2017, 1(8):18-30. [7] 邱宁佳,杨长庚,王鹏,任涛.改进卷积神经网络的文本主题识别算法研究[J].计算机工程与应用,2022,58(2):161-168. [8] 邵琦,牟冬梅,王萍,等.基于语义的突发公共卫生事件网络舆情主题发现研究[J].数据分析与知识发现, 2020, 4(9):68-80. [9] 安璐,杜廷尧,李纲,等.突发公共卫生事件利益相关者在社交媒体中的关注点及演化模式[J].情报学报, 2018, 37(4):394-405. [10] 李月.突发公共卫生事件中公共政策主题演化研究——以国家中心城市官方微信为例[J].情报杂志, 2020, 39(9):143-149. [11] 曹树金,岳文玉.突发公共卫生事件微博舆情主题挖掘与演化分析[J].信息资源管理学报, 2020, 10(6):28-37. [12] 赵蓉英,常茹茹,陈湛,等.基于知乎平台的突发公共卫生事件主题演化研究[J].信息资源管理学报, 2021, 11(2):52-59. [13] 姚艾昕,马捷,林英,等.重大突发公共卫生事件谣言演化与治理策略研究[J].情报科学, 2020, 38(7):22-29. [14] 刘雅姝,张海涛,徐海玲,等.多维特征融合的网络舆情突发事件演化话题图谱研究[J].情报学报, 2019, 38(8):798-806. [15] 徐月梅,吕思凝,蔡连侨,等.结合卷积神经网络和Topic2Vec的新闻主题演变分析[J].数据分析与知识发现, 2018, 2(9):31-41. [16] 朱晓霞,宋嘉欣,孟建芳.基于动态主题——情感演化模型的网络舆情信息分析[J].情报科学, 2019, 37(7):72-78. [17] 张光陆.深度学习视角下的课堂话语互动特征:基于会话分析[J].中国教育学刊, 2021(1):79-84. [18] 王亚峰,于国栋.医患交流中患者扩展回答的会话分析研究[J].外语教学理论与实践, 2021, 175(3):108-118. [19] 胡文芝,廖美珍.中国心理治疗话语"解述"现象的会话分析研究[J].重庆大学学报(社会科学版), 2013, 19(4):92-100. [20] 沈芮妃.谈话节目《圆桌派》的会话结构[J].青年记者, 2017, 566(18):72-73. [21] 张黎.现场促销员的会话策略分析[J].语言文字应用, 2007, 63(3):87-93. [22] 巴志超,李纲,毛进,等.微信群内部信息交流的网络结构、行为及其演化分析——基于会话分析视角[J].情报学报, 2018, 37(10):1009-1021. [23] 李纲,李显鑫,巴志超,等.微信群会话网络结构及成员角色划分研究[J].现代情报, 2018, 38(7):3-11. [24] 卢恒,张向先,张莉曼,等.会话分析视角下虚拟学术社区用户交互行为特征研究[J].图书情报工作, 2020, 64(13):80-89. [25] 李月琳,张建伟,张婳.螺旋式与直线式:在线健康医疗平台用户与医生交互模式研究[J].情报学报, 2021, 40(1):88-100. [26] 桂小庆,张俊,张晓民,等.时态主题模型方法及应用研究综述[J].计算机科学, 2017, 44(2):46-55. [27] BLEI D M, LAFFERTY J D. Dynamic topic models[C]//Proceedings of the 23rd international conference on machine learning. New York:ACM, 2006:113-120. [28] WANG X R, MCCALLUM A. Topics over time:a non-markov continuous-time model of topical trends[C]//Proceedings of the 12th ACM SIGKDD international conference on knowledge discovery and data mining. New York:ACM, 2006:424-433. [29] CHENG X, YAN X, LAN Y, et al. BTM:topic modeling over short texts[J]. IEEE transactions on knowledge and data engineering, 2014, 26(12):2928-2941. [30] ZUO Y, ZHAO J, XU K. Word network topic model:a simple but general solution for short and imbalanced texts[J]. Knowledge and information systems, 2016, 48(2):379-398. [31] 关鹏,王曰芬,傅柱.基于LDA的主题语义演化分析方法研究——以锂离子电池领域为例[J].数据分析与知识发现, 2019, 3(7):61-72. [32] SYED S, SPRUIT M. Full-text or abstract?examining topic coherence scores using latent dirichlet allocation[C]//2017 IEEE international conference on data science and advanced analytics (DSAA). Tokyo:IEEE, 2017:165-174. [33] RÖDER M, BOTH A, HINNEBURG A. Exploring the space of topic coherence measures[C]//Proceedings of the eighth ACM international conference on Web search and data mining. New York:ACM, 2015:399-408. [34] 成怡,朱伟康,徐国伟.基于余弦相似度的改进ORB匹配算法[J].天津工业大学学报, 2021, 40(1):60-66. [35] 史忠植.知识发现[M].北京:清华大学出版社, 2002.作者贡献说明:翟姗姗:确定选题;提出论文框架,论文修改;王左戎:撰写论文;陈欢:处理数据;潘港辉:获取及预处理数据。 |