大数据阅读汇报概述.pptx

——;一 大数据二 文献阅读 三 个人想法 ;20世纪90年代，数据仓库之父的Bill Inmon就经常提及Big Data。;体量Volume;分析技术： 数据处理：自然语言处理技术 统计和分析：A/B test; top N排行榜；地域占比；文本情感分析 数据挖掘：关联规则分析；分类；聚类 模型预测：预测模型；机器学习；建模仿真 大数据技术： 数据采集：ETL工具 数据存取：关系数据库；NoSQL；SQL等 基础架构支持：云存储；分布式文件系统等 计算结果展现：云计算；标签云；关系图等;大数据的相关技术;大数据赋予我们洞察未来的能力;大数据的营销案例; 大数据可分成大数据技术、大数据工程、大数据科学和大数据应用等领域。目前人们谈论最多的是大数据技术和大数据应用。工程和科学问题尚未被重视。大数据工程指大数据的规划建设运营管理的系统工程；大数据科学关注大数据网络发展和运营过程中发现和验证大数据的规律及其与自然和社会活动之间的关系。 ;二 部分文献 网络舆情演化模式 一种自适应网络舆情演化建模方法 网络舆情传播阶段与模型比较研究 基于语义文法的网络舆情精准分析方法研究 基于大数据的网络舆情分析方法研究 浅谈大数据时代的机遇与挑战 基于大数据舆情分析的图书馆信息增值服务 大数据分析下的中国社会舆情： 总体态势与结构性特征 ; 网络舆情演化模式 该篇文章使用描述网民发帖过程的时间序列来表征网络舆情的演化过程，使用时间序列的分析方法来探索网络舆情的演化规律，构建了6 个网络舆情演化模式，包括分布模式、平稳模式、相关模式、自相似模式、周期模式和趋势模式，并给出了相应的模式分析方法。 ; 一种自适应网络舆情演化建模方法 该篇文章针对短期趋势预测方法忽略演化过程统计特性的动态变化性，致使模型选择盲目、预测效果较差的问题，本文提出一种自适应网络舆情演化建模方法（ＡＥＭＩＰＯ）。首先，动态跟踪网络舆情演化过程的平稳性、周期性 和自相似性等统计特性；其次，选取能够描述上述统计特性的ＡＲＭＡ，ＡＲＩＭＡ，ＳＡＲＩＭＡ，ＦＡ??ＩＭＡ模型构建备选模型库；最后，通过制定模型选择规则，从备选模型库中选择合适的模型对当前时刻的演化过程进行自适应建模，并预测其演化趋势。 ; 一种自适应网络舆情演化建模方法 该篇文章针对短期趋势预测方法忽略演化过程统计特性的动态变化性，致使模型选择盲目、预测效果较差的问题，本文提出一种自适应网络舆情演化建模方法（ＡＥＭＩＰＯ）。首先，动态跟踪网络舆情演化过程的平稳性、周期性 和自相似性等统计特性；其次，选取能够描述上述统计特性的ＡＲＭＡ，ＡＲＩＭＡ，ＳＡＲＩＭＡ，ＦＡＲＩＭＡ模型构建备选模型库；最后，通过制定模型选择规则，从备选模型库中选择合适的模型对当前时刻的演化过程进行自适应建模，并预测其演化趋势。 ; 网络舆情传播阶段与模型比较研究 该篇文单把网络舆情传播阶段与模型作为网络舆情研究重要组成部分，对其进行总结与归纳能为网络舆情管控研究提供借鉴。分析比较网络舆情传播的三阶段、四阶段、五阶段、六阶段模型，研究网络舆情在传播阶段中所显示出的阶段性。从网络舆情演变模型和技术模型这两角度出发，对各传播模型进行梳理与比较，分析现有传播模型优缺点，并在此基础上，提出未来的研究应向小世界、大数据、云计算方向发展。; 基于语义文法的网络舆情精准分析方法研究 传统的基于关键词统计分析的网络舆情分析方法由于缺少对舆情文本必要的语义处理，往往导致分析结果不准确。提出一种基于语义文法的网络舆情精准分析新方法。该方法包括两部分：首先是可执行的网络舆情精准分析语言Ｅｉｐｏａａｌ，它可根据实际舆情分析需求设计Ｅｉｐｏａａｌ程序，具有一定的通用性；二是网络舆情精准分析系统Ｉｐｏａａｓ，它为Ｅｉｐｏａａｌ提供运行平台。目前，已经实现了该系统，并应用到贪腐主题的网络舆情分析中，实验结果证明了方法的有效性。; 基于大数据的网络舆情分析方法研究 文章概述了常用的网络舆情分析方法, 归纳了当前网络舆情的大数据特征和分类, 提出了网络舆情分析创新要向大数据分析方向发展的观点, 并概述了4 种新思路新方法, 对需要注意的相关问题进行了总结, 对未来网络舆情分析创新进行了展望。一是绕开语义分析的技术瓶颈, 开辟“ 隐性” 舆情分析的“ 第二战线” ;二是突破抽样分析的思维, 用大数据方法分析收集到的全体数据;三是将搜索数据、点击数据、人际关系数据、网民个人特征数据、相关社会数据等关联起来进行分析, 深度挖掘出有价值的舆情。四是主动进行网络民意调查, 有针对性地收集标准化数据。; 浅谈大数据时代的机遇与挑战