1 基本情况
题目：基于动态主题聚类的网络舆情反转识别模型构建与实证研究
录用期刊：情报理论与实践
撰写周期：15 days
审稿周期：2 months
2 写作经过
（1）思路来源：OB给的题目，确实好写噢。原始思路是找多个案例；对案例文本反转前聚个类，反转后聚个类，在不断添加中发现区别；在反转瞬间之前提前识别反转。
（2）读文献，发现目前关于反转的研究都不是这样的套路，借鉴价值不大。
（3）定思路：首先学习了一下OB提到的主题聚类算法，LDA输出的是一个文本的主题概率向量，可以很好当一个的喂神经网络的原料，于是就想到了找个深度学习模型。因为要融合时间特征，因此定了LSTM和GRU二选一。于是基本思路就定下来了：首先爬几十个案例的微博数据，对每个案例以小时为单位做主题聚类。将LDA后的概率向量送进GRU/LSTM识别出舆情反转的时间段，最终实现舆情反转识别模型的训练。
（4）数据：结合各种文献+百度找了27个经典反转案例（由于微博删数据删的厉害，好多经典案例相关微博已经快删光了用不了了，所以找了好久好久QAQ）
（5）代码：(1)爬虫->(2)数据清洗->(3)动态主题聚类dyLDA：动态选取文本，提取过去48小时微博至old Textset进行LDA，提取最新1小时微博至 new Textset 套入训练好的LDA model中，将每一个新微博的概率向量提取出来。->(4)反转识别：将概率向量送进神经网络实现二分类->(5)可视化
（6）写论文，改论文
3 论文内容
（1）整体研究框架
（2）DDPOR意见领袖识别模型
（3）章节安排：
0-引言
1-研究综述（(1)舆情反转现象与定义(2)舆情反转内因与产生机理(3)舆情反转预测）
2 舆情反转特征与机理（2.1网络舆情反转特征 (1)反转速度快，热度迅速升高 (2)用户注意力转移，产生新的事件主题 (3)反转存在潜伏期，从反转声音出现到爆发需要一定时间 2.2网络舆情反转机理）
3 舆情反转识别模型构建（3.1 LDA主题聚类 3.2 GRU反转识别 3.3 DDPOR舆情反转实时识别模型）
4 实证分析（4.1事件选取 4.2数据采集 4.3实验准备 4.4实验结果 4.5对比实验）
5 结语
4 时间线
被拒了两次，中间磨磨蹭蹭耽误了好久
9月7日 OB给了题目
9月15日 完成前一篇文章，开工
9月20日 完成定思路与事件选取
9月27日 完成程序
9月30日 完成论文
10月19日 第一投情报杂志，退稿
12月27日 第二投知识发现，退稿
2月23日 第三投情报理论与实践
3月21日 退修
4月28日 录用
标签：LDA,反转,案例,舆情,聚类,识别,第二篇 From： https://www.cnblogs.com/rachel0701/p/17398102.html