10、微博用户情感影响力分析及列车门智能监测系统

微博用户情感影响力分析及列车门智能监测系统

在当今数字化时代，社交媒体和轨道交通系统都与我们的生活息息相关。一方面，微博作为热门社交平台，用户情感影响力的分析对于理解信息传播和公众舆论至关重要；另一方面，列车门作为铁路系统的关键子系统，其故障诊断和智能监测对于保障铁路运营安全和效率意义重大。

微博用户情感影响力分析算法

算法概述

网络结构是用户通过交互行为进行交流的基础，而推文则是用户相互交流和施加影响的根源。为了准确客观地对用户影响力进行排名，我们结合了网络结构、推文以及交互行为这三个特征。

基于 ELM 的训练分类器

由于 CNN 的卷积层能够一次性扫描多个相邻单词，具有考虑单词上下文的优势，我们采用 CNN 模型在 Hadoop 上进行特征提取。ELM 分类器的训练算法流程如下：
1. 将训练集矩阵 $S_{train}$ 发送到 ELM 的输入层。
2. 计算隐藏层的输出矩阵 $H$。
3 - 8 步的主要目的是确定 $H$ 是否为可逆矩阵，根据不同公式计算 $b$，从而完成 ELM 分类器的训练。

LSeInfRank 算法分析局部情感影响

该算法基于“转发和评论”关系网络，综合考虑网络拓扑结构、交互信息和文本内容来分析微博用户的局部情感影响。其主要思路如下：
- Map 阶段 ：
- 计算用户 $U_i$ 的人气以及该主题下所有微博的人气。
- 计算与 $U_i$ 交互的每条微博的情感强度，其中 $I_t(U_i)$ 是与 $U_i$ 交互的用户集合。
-