摘要 | 第4-5页 |
Abstract | 第5页 |
1 绪论 | 第8-16页 |
1.1 研究背景 | 第8-9页 |
1.2 研究目的及意义 | 第9页 |
1.2.1 研究目的 | 第9页 |
1.2.2 研究意义 | 第9页 |
1.3 文献综述 | 第9-14页 |
1.3.1 研究内容综述 | 第9-13页 |
1.3.2 研究方法综述 | 第13页 |
1.3.3 小结 | 第13-14页 |
1.4 本文研究方法 | 第14页 |
1.4.1 案例分析法 | 第14页 |
1.4.2 内容分析法 | 第14页 |
1.4.3 统计分析方法 | 第14页 |
1.4.4 计算机仿真方法 | 第14页 |
1.5 论文创新点 | 第14-16页 |
2 突发公共事件微博舆情的定义及特征 | 第16-20页 |
2.1 突发公共事件 | 第16-17页 |
2.1.1 突发公共事件的定义 | 第16页 |
2.1.2 突发公共事件的特征 | 第16-17页 |
2.2 微博舆情 | 第17-18页 |
2.2.1 微博舆情的定义 | 第17页 |
2.2.2 微博舆情的特征 | 第17-18页 |
2.3 突发公共事件微博舆情 | 第18-20页 |
2.3.1 突发公共事件微博舆情的定义 | 第18页 |
2.3.2 突发公共事件微博舆情的特征 | 第18-20页 |
3 突发公共事件微博舆情传播特征分析 | 第20-28页 |
3.1 突发公共事件微博舆情传播主体分析 | 第20-24页 |
3.1.1 政府用户 | 第20-22页 |
3.1.2 媒体用户 | 第22-23页 |
3.1.3 普通用户 | 第23-24页 |
3.2 突发公共事件微博舆情传播阶段分析 | 第24-26页 |
3.2.1 潜伏期 | 第24页 |
3.2.2 爆发期 | 第24-25页 |
3.2.3 蔓延期 | 第25页 |
3.2.4 反复期 | 第25-26页 |
3.2.5 缓解期 | 第26页 |
3.2.6 长尾期 | 第26页 |
3.3 小结 | 第26-28页 |
4 突发公共事件微博舆情演化模型建立 | 第28-52页 |
4.1 元胞自动机的构成 | 第28-30页 |
4.1.1 元胞 | 第28页 |
4.1.2 元胞空间 | 第28-29页 |
4.1.3 元胞邻居 | 第29页 |
4.1.4 演化规则 | 第29页 |
4.1.5 小结 | 第29-30页 |
4.2 突发公共事件微博舆情元胞自动机模型构建 | 第30-33页 |
4.2.1 元胞 | 第30页 |
4.2.2 元胞空间 | 第30-31页 |
4.2.3 元胞邻居 | 第31页 |
4.2.4 模型假设 | 第31页 |
4.2.5 参数设定 | 第31-32页 |
4.2.6 演化规则 | 第32-33页 |
4.3 计算机仿真实验及讨论 | 第33-52页 |
4.3.1 参数值的设定 | 第33-34页 |
4.3.2 参与用户种类对舆情演化过程的影响 | 第34-36页 |
4.3.3 用户比例对舆情演化过程的影响 | 第36-39页 |
4.3.4 用户初始状态对舆情演化过程的影响 | 第39-43页 |
4.3.5 用户影响力对舆情演化过程的影响 | 第43-45页 |
4.3.6 用户坚定性对舆情演化过程的影响 | 第45-48页 |
4.3.7 用户响应步长对舆情演化过程的影响 | 第48-52页 |
5 突发公共事件微博舆情案例分析 | 第52-60页 |
5.1 “12.31上海踩踏”事件的微博舆情传播特征分析 | 第52-58页 |
5.1.1 “12.31上海踩踏”事件传播过程 | 第52-54页 |
5.1.2 “12.31上海踩踏”事件的微博传播主体分析 | 第54-58页 |
5.2 “12.31上海踩踏”事件的微博舆情计算机仿真 | 第58-60页 |
5.2.1 “12.31上海踩踏”事件的微博舆情仿真参数 | 第58页 |
5.2.2 “12.31上海踩踏”事件的微博舆情演化仿真 | 第58-60页 |
6 结论与建议 | 第60-63页 |
6.1 研究结论 | 第60页 |
6.2 政策建议 | 第60-62页 |
6.2.1 提高响应速度 | 第60页 |
6.2.2 及时公开信息 | 第60-61页 |
6.2.3 增开政务微博 | 第61页 |
6.2.4 加大处罚力度 | 第61-62页 |
6.3 不足与展望 | 第62-63页 |
参考文献 | 第63-67页 |
攻读硕士学位期间的研究成果 | 第67-68页 |
致谢 | 第68-69页 |