检索结果-南通市图书馆

检索条件"主题词=社交大数据"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

社交大数据信息平台的设计与实现

社交大数据信息平台的设计与实现

引用

作者：林莉北京交通大学

学位级别：硕士

互联网的高速发展使得国内外媒体由传统媒体过渡到了新媒体时代,各种自媒体平台层出不穷,涌现出了一大批自媒体人。自媒体人的创作内容吸引着一批粉丝订阅其运营账户,通过粉丝对于他们创作作品的互动情况,分析数据最能够反应运营情况。... 详细信息

互联网的高速发展使得国内外媒体由传统媒体过渡到了新媒体时代,各种自媒体平台层出不穷,涌现出了一大批自媒体人。自媒体人的创作内容吸引着一批粉丝订阅其运营账户,通过粉丝对于他们创作作品的互动情况,分析数据最能够反应运营情况。粉丝态度、评论舆情是对创作内容最直观的反馈,有利于自媒体人了解自己粉丝看法观点,直击粉丝内心想法。另一方面,可以通过广大粉丝评论对热点事件的看法观点所形成的态度进而了解舆情。将这些散乱零碎的观点整合分析对自媒体了解自己品牌效应、对于政府、咨询公司等了解热门事件舆情跟踪做出有利决策都有着很重要的作用。本文通过深入挖掘用户需求、分析产品特点、找准产品定位完成了平台的需求分析,通过需求分析将平台划分为三大功能模块分别为社交大数据采集模块、自媒体评论情感分类模块、信息平台综合业务模块。通过由上至下的总体设计及平台数据库表结构,细化各个模块下的功能结构,针对各个模块进行详细设计和实现并完成了平台测试任务。(1)社交大数据采集模块:该模块为平台提供数据源,主要采用分布式爬虫架构对网页进行下载,信息抽取,存储入库的功能。主要设计完成网页爬虫下载、URL去重策略、数据抓取架构设计等功能。(2)自媒体评论情感分类模块:运用自然语言处理和机器学习分类算法,对评论数据进行情感分类模型训练,分为正、负、中三类情感极性,将非结构化文本数据转变为结构化数据进行分析,深挖海量非结构化文本数据内部的价值。(3)信息平台综合业务模块:处理平台业务逻辑,将采集的社交大数据进行数据分析,从多种维度对自媒体账号进行评估,平台将进行多样化前端展示,具备好看的设计界面,良好的用户体验。系统各个模块有机配合,经过反复测试,社交大数据信息平台能够稳定运行,平台可以满足对自媒体信息的采集、分析和可视化展示。通过使用本平台,可以快速了解众多自媒体具有影响力的自媒体人的各项信息,粉丝舆论风向。从而帮助品牌、商家、自媒体人更好的应对不断变化的网络环境,更快的找到舆情应对措施。

关键词：社交大数据情感分析分布式爬虫

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

互联网金融个人信用风险评估研究 ——基于社交大数据视角和LightGBM-LSTM模型

互联网金融个人信用风险评估研究 ——...

引用

作者：周潇山东科技大学

学位级别：硕士

伴随着我们国家的征信系统不断完善,征信在人们工作、生活、消费中扮演着愈发重要的角色,个人的征信报告逐渐成为人们的另一张身份证,对于个人信用风险进行准确评估也就越发重要,而互联网金融个人信用风险评估过程中最重要的两个环节分... 详细信息

伴随着我们国家的征信系统不断完善,征信在人们工作、生活、消费中扮演着愈发重要的角色,个人的征信报告逐渐成为人们的另一张身份证,对于个人信用风险进行准确评估也就越发重要,而互联网金融个人信用风险评估过程中最重要的两个环节分别是评估指标的选取和评估方法的选择。本文一方面构造了基于社交大数据的互联网金融个人信用风险评估指标体系,在传统的个人信用风险评估模型中,加入了社交行为大数据的相关指标。首先论述了加入社交行为大数据的科学性、合理性及其优势,利用层次分析法确定了各指标的权重,并通过赋予各指标配点值的方法将各指标进行了量化,最终得到了基于社交大数据的互联网金融个人信用风险评估指标体系。利用TOPSIS方法进行的算例分析,验证了本文所构建的指标体系可以更加全面、客观、公正的评估个人信用风险。另一方面,构建了基于LightGBM-LSTM算法的互联网金融个人信用风险评估模型,充分利用LightGBM算法低时耗、高准确率,以及LSTM可以用于解决神经网络中的长期依赖问题的优势,通过训练过往贷款信息数据来判定个人信用风险状况,并预测未来是否会出现违约。首先对Lending Club平台借款人数据进行整体分析,从贷款等级、贷款人工作年龄、贷款用途、贷款人所在州、贷款人收入水平、房屋状态、贷款现状七个方面对贷款人的信息进行初步了解,在此基础上对违约用户进行画像,从借款利率、信用等级、年收入、借款目的、地理位置五个方面分析不同特征的贷款人数及违约率情况。根据LightGBM-LSTM模型的需要,对Lending Club平台借款人数据进行进一步清洗,主要删除缺失数据、无法利用的数据,去除重复数据,对格式内容进行清洗,做相关性分析,最终筛选得到31项指标。利用LightGBM-LSTM模型对Lending Club平台借款人信息数据进行实证分析,得到最终的违约预测准确率为83.76%,能够为Lending Club平台提供有价值的参考。

关键词：信用风险评估互联网金融社交大数据 LSTM-LightGBM模型

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：