基于微博的事件特征演化挖掘方法及系统

摘要

本发明提供一种基于微博的事件特征演化挖掘方法，包括：在微博时序序列中选取演化起始文档集，并在微博文档集合上基于词汇的共现特征构造文档的图模型以得到事件的知识网络结构；依据词汇的字面特征，词汇倾向性的相容性特征将微博图模型进行合并，构造事件特征的微观演化图；在事件的微观演化图上进行剪枝、切分和转化，形成事件特征的宏观演化图。该方法在挖掘事件特征的演化规律过程中采用了基于事件的知识网络的图挖掘方法，使得整个事件特征演化挖掘方法在知识的继承性方面得到提升，挖掘结果的可解释性更强。

说明书

技术领域

本发明涉及文本挖掘和话题发现与跟踪领域，特别涉及一种基于微博 文本数据的事件特征演化与挖掘的方法。

背景技术

随着Web2.0技术和应用近年来的蓬勃发展，在线微博服务逐渐成为 了一种拥有大量用户、产生大量信息的新的信息传播平台。据第29次中 国互联网报告统计：截至2011年12月底，我国微博的实际用户数达到2.5 亿，较上一年底增长了296.0%，网民使用率为48.7%。

区别于Facebook等强关系社交网络服务，微博服务的社会网络关系 通常是单向的——即用户不需要其他用户授权就可以关注他们，接收他们 产生的信息。用户关注的人称为该用户的好友（friends）；关注某用户的人 称为该用户的粉丝（followers），用户发布的所有博文（tweets）将出现在 公共时间线上（public timeline），该用户所有粉丝（followers）时间线上将 显示该用户的所有消息。

现实中的话题或事件投影在微博的文本空间中，就是所有用户讨论相 关话题、事件的博文的集合。（在文本分析领域，有时对话题和事件这两 个概念不予区分，下文中均采用此观点。）现实中的话题和事件在不断演 化，相应地，微博文本空间中的话题和事件也在不断演化。话题/事件演化 的时刻即当微博中的粉丝对其关注者所发出的信息进行转发或评论的时 刻。转发和评论中除了对原博文中的观点、叙述进行显示或隐式的重复外， 还会引入新的观点和新的叙述，此时话题就会发生一定程度变化。从原博 文后第一次被转发或评论起，话题的演化过程就开始了。随着转发、评论 的不断进行，话题的外延也在不断延伸，话题不断演化。研究话题/事件在 传播过程中的演化，就是要跟踪话题/事件信息在每一次传播中的细微变 化，进而综合考察话题/事件在宏观上的变化。

目前对微博上话题/事件信息传播和演化的研究分为以下两类。第一类 研究通过分析话题/事件传播的行为要素，建立话题传播和演化的数学模 型，模拟传播演化过程，以回答话题/事件为什么会传播的问题。这类研究 偏向于传播学层面的仿真建模理论，对研究某一特定话题/事件的传播演化 过程并无实际意义。第二类研究将微博中的社会网络信息与传统的话题/ 事件模型相结合，对话题/事件在微博中的传播过程进行推理，此类研究最 终会得到两种结果，其一是话题/事件在微博中的显式和隐式的传播路径， 其二是话题/事件在传播过程中模型所发生的变化。此类研究的基本步骤 是：

1、将微博中讨论同一话题/事件的文本按照时序排列，保持其显式转 发关系，按照时间由前到后的顺序，和转发顺序进行处理，必要时引入时 间片的概念，对同一时间片的文本同时进行处理。对没有引入时间片概念 的，可以视为每篇文档单独占据一个时间片；

2、建立每个时间片的话题/事件模型，此时多考虑使用向量空间模型 和概率模型，必要时将此时间片的话题模型进行拆分，分解为若干个子话 题，以表示话题的不同方面。

3、以0时刻的话题/事件模型为基准，依次对后续时间片中的每一个 文本的话题/事件模型进行考察，比较后者与前者的相似性，推理其传播关 系。鉴于微博中信息流走向的局部性，此步骤中需将产生两个文本的用户 间的关系考虑进来，若两用户之间没有明显的联系，则认为文本间有传播 关系的概率小。

4、由步骤3，每个文档可视为一个顶点，文档间的传播关系可视为顶 点间的边，因此此时可以构造造出文本信息的传播树或传播图。此图中刻 画了话题/事件信息在微博中的显式/隐式传播路径。沿每条路径考察各顶 点的话题/事件模型，该模型的变化规律即为沿此路径的话题/事件的演化 规律。

从上述描述中可以看出，由于考察话题/事件的演化过程是在建立传播 模型的同时完成的，所以话题/事件的演化过程并没有独立的模型，而是依 赖于如向量空间或概率模型等话题模型。这些话题模型是文档集合的有效 表达方式，却缺乏话题演化方面的表达，这导致上述方法得到的话题/事件 演化分析结果不外乎词频或词汇向量随时间的变化规律，并没有词汇之间 的关联信息，在话题/事件的领域知识方面没有继承性，在演化方面缺乏可 解释性。介于此，需要一种新的话题/事件特征演化挖掘方法。

发明内容

本发明的目的在于克服上述现有技术的缺陷，提供一种新的基于微博 的事件特征演化挖掘方法及系统。

本发明的目的是通过以下技术方案实现的：

一方面，本发明提供了一种基于微博的事件特征演化挖掘方法，包括：

步骤1，从与待分析事件相关的微博文本的集合中选取若干个代表事 件起点的微博，以构成事件演化起点微博集合；

步骤2，构造事件演化起点微博集合的图模型，作为初始的事件微观 演化图；所述图模型中顶点为出现在该事件演化起点微博集合的各微博文 本中的名词/动词，两个顶点间的边表示这两个顶点对应的词共同出现在同 一微博中或共现距离小于预先给定的阈值；

步骤3，对与待分析事件相关的微博文本的集合中其余各条微博，构 建该条微博的图模型并将其加入到当前的事件演化微观图中；

步骤4，基于经步骤3得到的事件微观演化图获取事件宏观演化图并 基于事件宏观演化图观察事件特征的演化。

上述方法中，所述步骤1中代表事件起点的微博可具有以下特征：a） 发表时间早；b）为原创微博，而非转发或评论的微博。

上述方法中，所述步骤2中所述图模型的顶点可以由该顶点对应的名 词/动词，包含名词/动词的微博文档的集合，该名词/动词的倾向性评分构 成的三元组来表示，其中该名词/动词的倾向性评分为修饰该名词/动词的 形容词和副词所对应的倾向性评分的平均值。

上述方法中，所述步骤2可包括：

步骤2-1）对事件演化起点微博集合中每条微博文本进行分词和词性 标注；

步骤2-2）对分词后的形容词和副词，设置其倾向性评分；

步骤2-3）对于分词后的名词和动词，将修饰同一名词/动词的形容词 和副词所对应的倾向性评分取平均值，作为此名词或动词的倾向性评分；

步骤2-4）以名词和动词作为顶点，如果任两个顶点对应的词共同出 现在同一微博中或共现距离小于预先给定的阈值，则在这两个顶点之间创 建边。

上述方法中，所述步骤3中将所构建的微博的图模型加入到当前的事 件演化微观图可包括：对待处理微博的图模型中的每一条边：

a）若该边的两个顶点都已存在于当前的事件演化微观图中，且该事 件演化微观图中已有此边，则对该边的出现次数计数进行累加；若该事件 演化微观图中尚无此边，则将此边复制到该事件演化微观图中；

b）若该边中有且只有一个顶点出现在当前的事件演化微观图中，则 将不在该事件演化微观图中的顶点和边复制到该事件演化微观图中；

c）若该边的两个顶点均不在当前的事件演化微观图中，则将此边和 两个顶点完整复制到该事件演化微观图中。

上述方法中，所述步骤3还可包括判断微博的图模型中某个顶点是否 在事件演化微观图中的步骤，其包括：对于微博的图模型中给定的某个顶 点，如果事件演化微观图中包含有与该顶点对应的词相同的顶点，该微博 与对该事件演化微观图中对应顶点涉及的微博文本存在转发或评论的关 系，并且这两个顶点的倾向性评分相容，则判定事件演化微观图中已包含 该给定的顶点，其中，倾向性评分相容指事件演化微观图中对应顶点的倾 向性评分与该给定的顶点倾向性评分的差小于一定阈值。

上述方法中，所述的步骤4）可包括对事件微观演化图进行切分和转 化以获取事件宏观演化图。

上述方法中，所述对事件微观演化图进行切分和转化可包括：

步骤4-1）将与待分析事件相关的微博文本按时间进行排序，对该微 博文本序列按时间进行切片，形成所需粒度的时间片；

步骤4-2）在事件宏观演化图中创建一个顶点，对应初始的事件微观 演化图；

步骤4-3）对于每一个时间片执行下列步骤：

4-3-a）在事件微观演化图中依次选取每一个时间片对应的顶点和边， 构造以此子图为基的最小连通子图；

4-3-b）在事件宏观演化图中创建一个顶点，对应于该最小连通子图， 若该最小连通子图与事件宏观演化图中其它顶点对应的子图相交，则创建 一条连接两个子图的边；

上述方法中，所述步骤4-3）还可包括所创建的连接两个子图的这条 边赋予权值，边的权值为两个顶点对应子图的Jaccard系数；其中对于事 件宏观演化图中任两个顶点v和v’,其对应子图的Jaccard系数计算方式为： 其中，G_v∩G_v′和G_v∪G_v′分别表示两个顶点对应子 图的顶点集合的交集和并集，函数#()表示集合中的元素个数。

上述方法中，所述步骤4还可包括对事件微观演化图进行剪枝的步骤， 其包括删除事件微观演化图中出现次数低于给定阈值的边，然后删除与初 始的事件微观演化图不连通的分支，其中边的出现次数指在与待分析事件 相关的微博文本的集合中该边的两个顶点对应的词共同出现在同一微博 中的次数。

又一方面，本发明提供了一种基于微博的事件特征演化挖掘系统，包 括：

用于从与待分析事件相关的微博文本的集合中选取若干个代表事件 起点的微博，以构成事件演化起点微博集合的装置；

用于构造事件演化起点微博集合的图模型，作为初始的事件微观演化 图的装置；所述图模型中顶点为出现在该事件演化起点微博集合的各微博 文本中的名词/动词，两个顶点间的边表示这两个顶点对应的词共同出现在 同一微博中或共现距离小于预先给定的阈值；

用于对与待分析事件相关的微博文本的集合中其余各条微博，构建该 条微博的图模型并将其加入到当前的事件演化微观图中的装置；

用于基于最后的事件微观演化图获取事件宏观演化图并基于事件宏 观演化图观察事件特征的演化的装置。

与现有技术相比，本发明的优点在于：

采用事件的图模型为基础，通过构造词汇之间的知识结构，从而得到 在知识层面更具可解释性的事件演化模型。在事件图模型上以知识网络为 单位构造事件演化图，提升了事件知识的继承性。权衡了微博文本的特点， 利用统计法，以文本数量多参与用户多的优点克服单条微博文本少，特征 稀缺的不足。

附图说明

以下，结合附图来详细说明本发明的实施例，其中：

图1为根据本发明实施例的基于微博的事件特征演化挖掘方法流程示 意图。

具体实施方式

为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图 通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体 实施例仅仅用以解释本发明，并不用于限定本发明。

在本发明的一个实施例中，提供了一种具有较高识别度和解释性的基 于微博的事件特征演化挖掘方法，超越文档自身边界，从事件知识的层面 出发，细粒度地对事件演化过程进行挖掘和跟踪。下面结合图1对该方法 的具体步骤进行举例说明。

步骤1，获取讨论同一事件的微博文本的集合，并从中选取演化起点 微博若干。其中演化起点微博也就是代表事件起点的微博，作为事件起点 的微博必须具有如下特征：a）发表时间早；b）为原创微博，而非转发或 评论。根据本发明的一个实施例，步骤1）可包括下列步骤：

步骤1-1，获取讨论同一事件的微博文本的集合。例如，可采用关键 词搜索的方式获取。

步骤1-2，对讨论同一事件的微博按时间顺序进行排序，即将该集合 中的微博文本按微博发表时间由先到后进行排列，并保持微博间的显式转 发、评论关系（本申请中将转发和评论等同视之），可将此序列记为： D={d₁,d₂,...,d_n}。其中，下标1～n又可作为该文档的时刻标记，由于时刻的 无限可分，可以认为一个时刻最多只会产生一篇文档。在此序列上建立转 发指示函数Rt:D×D→{0,1}，表示文档间的转发关系，对于文档d_i，d_j， 0<i<j<n，若文档d_j转发了文档d_i，则Rt(d_i,d_j)=1，否则此表达式值为0。 在此关系基础上，又可建立函数isRt:D→{0,1}，表示每个文档是原创文档 （0）或转发文档（1）。此外，另有定义在文档集合上的转发指示函数Rt 的版本Rt:2^D×2^D→{0,1},对于文档集合D₁和D₂：

步骤1-3，从该集合中选取若干个演化起点微博，作为起始文档集D₀。 考虑到作为事件起点的微博可能不唯一的情况，因此可以以转发文档的个 数作为起始文档集的限定条件。起始文档集D₀的候选范围D_candidate是与上文 提到的微博序列D前部对齐的连续的若干个文档子序列，且：

$D_{\mathrm{candidate}}=\{d_1,d_2,...,d_k\}|\underset{i=1}{\overset{k}{\Sigma }}\mathrm{isRt}\left(d_i\right)\le {ϵ}_{\mathrm{start}},$D₀是D_candidate集合中原创微博构成的 子集。其中ε_start为转发限定阈值，可限定此值为5。并可以取到满足此不等 式的最大的k。D₀也称为事件演化起点微博集合。

步骤2，构造事件演化起点微博集合的图模型，即事件起点的知识网 络。

对于一篇微博文本而言，根据本发明的一个实施例，可以按照以下步 骤建立该微博的图模型：（1）对文本进行分词和词性标注。（2）对于分词 后得到的词汇中的形容词和副词通过查询倾向性数据库，例如倾向性词 典，得到其所对应的倾向性评分。可以将形容词/副词的倾向性评分附加到 其所修饰的名词或动词顶点上作为特征值。其中，倾向性评分例如可以是 一个介于[-1,1]之间的实数。越接近-1则代表负面倾向性程度越高，反之越 接近1则代表正面倾向性程度越高。更简化地，也可以限定倾向性评分在 {-1,0,1}三个值中取值，分别表示负面、中立和正面三类倾向性。（3）对于 分词后得到的词汇中的名词和动词，找到修饰它们的形容词和副词，将修 饰同一对象的修饰词所对应的倾向性评分取平均值，作为此名词或动词的 倾向性评分。然后，以名词和动词为顶点参与图模型的构造，同时也可以 附以此时的时刻记号；在满足指定条件的名词、动词顶点之间建立边连接， 所谓“指定条件”指词与词出现在相同的句子中或者词与词的共现距离小 于指定阈值。此外，还可以给边上附加出现此关联的次数和当时的时刻记 号。其中，两个词的共现距离指此两个词汇出现在同一微博中时，处于它 们之间的字符数或词汇数。

对于事件演化起点微博集合而言，根据本发明的一个实施例，可以采 用下面的步骤来构造该集合的图模型：

步骤2-1，对起始文档集D₀的每篇文档进行分词和词性标注。

步骤2-2，对于分词后的形容词和副词，查询倾向性词典，得到其倾 向性评分，如上文提及的，此评分可以是一个[-1,1]之间的实数。简化时， 可以限定此评分在{-1,0,1}三个值中取值，分别表示负面、中立和正面三类 倾向性。形容词和副词的倾向性评分最终将落实到名词和动词上。词汇w 的倾向性评分s(w)可以为修饰名词或动词w的形容词或副词的倾向性评 分的平均值。

步骤2-3，构造起始文档集D₀的图模型G⁽⁰⁾=<V,E∪R,L_v,L_e>，并将之作 为事件微观演化图构造的起点。其中V是顶点集合，E和R代表不同类型 的边集合，E是直接连接，R是关联连接，L_v是顶点集合V的标记函数， L_e是边集合E的标记函数。

顶点V代表一个名词或形容词，该顶点又可以由词汇字面值、词汇所 在文档集合和词汇倾向性构成的三元组来表示，因此将顶点的标记函数记 为：

L_v(v)=<w_v,D_v,s(w_v)>，其中，w_v表示与顶点v对应的词汇w，D_v表示包 含该词汇w的微博文档的集合，s(w_v)表示词汇w的倾向性评分，也可以 称为该顶点v的倾向性特征值。

图中的边E代表顶点间具有特定的关系，例如两个顶点的对应的词汇 出现在同一微博中，或共现距离小于预先指定的阈值。边的标记函数可表 示为两个顶点的对应的词汇共同出现的计数，和相应文档时标的集合，即 同时包含这两个顶点对应词汇的微博的发布时间的集合。也就是对于 e={v₁,v₂}∈E，有：

其中，c(v₁,v₂)表示顶点v₁，v₂对应的词汇共同出 现在同一微博中的次数；t^v1v2表示同时包含这两个顶点对应词汇的微博的 发布时间的集合，其包含c(v₁,v₂)个文档时标。

这样，所得到的事件演化起点微博集合的图模型G⁽⁰⁾也称为初始时刻 事件的微观演化模型。

步骤3，按时间顺序，逐一对其余各条微博进行处理，建立该条微博 的图模型，并将之加入前一时刻的事件模型中，直至全部微博处理完毕。 此时得到事件演化的微观图模型。其中，根据本发明的一个实施例，将待 处理的微博的图模型加入到既有的图模型中的过程可以遵从以下步骤：

对于待处理微博的图模型中的每一条边：

若该边的两个顶点都已存在与既有图模型中，且既有图模型中已有此 边，则该边的出现次数计数器累加；若既有图模型中尚无此边，则将此边 复制到既有图模型中。

若该边中有且只有一个顶点出现在既有图模型中，则将不在既有图模 型中的顶点和边复制到既有图模型中。

若该边的两个顶点均不在既有图模型中，则将此边和两个顶点完整复 制到既有图模型中。

仍以上文微博集合D和起始文档集D0为例，对剩余的文档序列 D-D₀，依次取其中文档d_i，按上文所讨论的方法构造其图模型，记为G_i。 此时事件的微观演化模型记为G⁽ⁱ⁾，通过以下步骤，将G_i合并至G⁽ⁱ⁾，得到 G⁽ⁱ⁺¹⁾。

在将待处理的微博的图模型加入到既有的图模型中的过程中，需要判 断某个顶点是否已经包含在既有图模型中。对于给定的某个顶点，如果图 中包含有与该顶点对应的词汇相同的顶点，涉及两顶点的文档集的转发指 示函数判定取值为1（真），并且两顶点的倾向性特征值相容，则判定图中 已包含该给定的顶点。其中，倾向性特征值相容指图中顶点的倾向性特征 值与该给定的顶点倾向性特征值的差小于一定阈值。假设定义函数 Eq_v:V×V→{0,1}，来判断两个顶点是否相等：

再定义函数Mt_v:V×V→{0,1}，当此函数取值为1时表示这是一对词汇 相同，但文档集合不具有演化关系（例如，转发或评论）的顶点，此时称 两顶点有关联关系。函数定义如下：

其中，ε_s为事先指定的倾向性差距阈值，经验取值为0.3。

对文档d_i的图模型G_i，取其中每一条边e={v₁,v₂}∈E，以记号v指代其 中任意一个顶点：

(a)若则将v与v’合并，并视二者为同一点：

D_v′←D_v′∪D_v

s(v′)←(s(v′)+s(v))/2

(b)若则将v以新顶点的形式引入图中，并加入 边r={v′,v}到边集合R中。

(c)若条件a,b均不满足，则直接将顶点v加入图G⁽ⁱ⁾中。

此时若G⁽ⁱ⁾中不存在边e′={v₁,v₂}∈E，则加入此边；若存在此边，则将 e与e’进行合并：

c(v₁,v₂)_e′←c(v₁,v₂)_e′+c(v₁,v₂)_e

$t_{e^{\prime }}^{v_1{v}_2}\leftarrow t_{e^{\prime }}^{v_1{v}_2}\cup t_e^{v_1{v}_2}$

不断重复上述过程，直至将文档集合中的待处理的所有文档处理完 毕，此时得到的事件微观演化图记为G。

步骤4，对事件微观演化图进行剪枝、切分和转化，最终得到宏观事 件演化图。

其中，对事件微观演化图进行剪枝，可以删除事件微观演化图中共现 次数低于指定阈值的边，并随之删除与起始图G⁽⁰⁾不连通的分支。对事件 微观演化图进行切分可包括对步骤1）中提到的初始微博序列按时间进行 划分，根据需求不同可以划分成不同粒度的时间片。根据本发明的一个实 施例，对事件微观演化图的转化指将事件微观演化图转化为宏观演化图， 其包括：建立事件宏观演化图的起始顶点，该起始顶点对应于微观演化图 中表达起始部分的子图；接着，依次考察每一个时间片，选中微观演化图 中与此时间片对应的顶点和边，构造微观演化图中以此子图为基的最小连 通子图，以此子图作为一个顶点加入到宏观演化图中，若此子图与其它顶 点对应的子图相交，则在宏观演化图中构造一条边将两个顶点相连，并将 两个子图的Jaccard系数作为特征值赋予此边。

仍以上文微博集合D、起始文档集D₀以及剩余的文档序列D-D₀为例， 根据本发明的一个实施例，来说明步骤4的执行过程。

步骤4-1，给定阈值ε_co限定词汇间的最小共现次数(即共同出现在同一 篇微博中的次数)，或给定所需的最小共现次数除以总文档数给定最小共现 频率。扫描事件微观演化图G中每一条边，对其中的e={v₁,v₂}∈E，若 c(v₁,v₂)_e′≤ε_co，则从E中移除此边。从起始图G⁽⁰⁾出发，搜索图中连通分支， 从顶点集合中删除掉与起始图不连通的顶点。

步骤4-2，对文档序列D-D₀划分时间片。此时可根据需要划分不同的 时间片，包括以下方法：

（a）指定固定时间间隔，如以小时、天为单位划分

（b）计算起始文档集D₀的时间跨度，并以此为固定值划分时间片

（c）根据文档序列中时间的疏密程度进行聚类划分，形成间隔不同 的时间片。

对此步骤中划分得到的时间片序列记为T={T₁,T₂,...,T_m}，每个时间片包 含一个或若干个文档。

步骤4-3，创建事件宏观演化图其中V_Ψ是宏观演化 图中顶点集合，E_Ψ是边集合，是顶点集合V_Ψ的标记函数，是边集合E_Ψ的标记函数。创建顶点v₀∈V_Ψ，记

步骤4-4，依次考察时间片集合T中的各时间片，对T_i∈T，

选中图G中在时间片T_i中的点集和边集，分别记为V和E。这里，为 了加快查询速度，可以利用上文提及的顶点和边附加的两个时刻记号来选 择一个时间片中的点集和边集。

标记顶点集合V中的极大连通分支，以这些极大连通分支为基，构造 出包含V在内的图G中最小的连通子图G_V。根据本发明的一个实施例， 该方法包括：

（a）以Dijkstra算法求解分别处在两个极大连通分支中的任意两个间 的最短路径；

（b）从若干最短路径中选择最小的一条，将路径中所有顶点和边加 入子图；

（c）重复ab步骤直至子图完全连通。

创建顶点v→V_Ψ，记穷举V_Ψ-v中的各顶点v′，若 则创建边e={v,v′}→E_Ψ，并标记其 中等式右边表示顶点v和v’的Jaccard系数，计算公式为：

其中，G_v∩G_v′和G_v∪G_v′分别表示两个微观演 化图顶点集合的交集和并集，函数#()表示集合中的元素个数。

重复步骤4-4直至所有时间片均处理完毕。此时事件宏观演化图构造 完毕。然后，可以基于事件宏观演化图观察事件特征的演化。

事件的微观演化图以词汇为粒度，主要体现了随着事件的发展变化，事 件知识的不断扩展，藉由边的构造规则，体现知识的继承与演化，因而在可 解释性方面由于单纯基于词汇相似性的传统演化分析方法。但微观演化图节 点数量多，连接关系复杂，适用于计算机中的演算却不利于人的观察。而基 于微观演化图提炼而成的宏观演化图以时间片为粒度，节点和边的数量都相 应大幅减少，适合人的观察。同时，又可以通过调节时间片大小的方法改变 观测粒度，实现对宏观演化图的缩放。基于事件宏观演化图可以很容易地 观察到事件特征的演化。

在本发明的又一个实施例中，还提供了一种基于微博的事件特征演化挖 掘系统，其包括：用于从与待分析事件相关的微博文本的集合中选取若干个 代表事件起点的微博，以构成事件演化起点微博集合的装置；用于采用上文 所述的方法构造事件演化起点微博集合的图模型，作为初始的事件微观演化 图的装置；用于采用上讨论的方法对与待分析事件相关的微博文本的集合中 其余各条微博，构建该条微博的图模型并将其加入到当前的事件演化微观图 中的装置；用于采用上文所述的方法基于最后的事件微观演化图获取事件宏 观演化图并基于事件宏观演化图观察事件特征的演化的装置。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。 尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理 解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案 的精神和范围，其均应涵盖在本发明的权利要求范围当中。