基于社交媒体的中外图书馆微服务比较研究

这是一篇关于国内外图书馆,微服务,Facebook,Twitter,新浪微博,微信的论文, 主要内容为随着网络技术与通信技术的发展,读者可以通过终端机随时随地获取海量信息资源。对于图书馆来说,社交媒体是一把双刃剑。一方面,威胁到了图书馆信息资源中心的地位;另一方面,给图书馆创新服务提供了契机。图书馆可以借助社交媒体丰富的功能开展微服务,将图书馆专业的资源与服务延伸到社交媒体上。读者通过社交媒体就可以随时随地享受到图书馆的海量资源与专业服务。对图书馆来说,顺应了时代的潮流与科技的进步,提高了馆藏资源利用率,达到服务转型的目的;又能贴近读者,满足读者多样的信息需求。目前,国内外图书馆处于利用流行社交媒体开展微服务的探索发展阶段。本文选取国内外各10所图书馆,调查它们使用的社交媒体。选出国内图书馆广泛使用的新浪微博与微信公众平台,国外图书馆广泛使用的Facebook与Twitter作为研究对象。从微服务平台、微服务方式、微服务内容和微服务效果这几个方面,深入调查分析,比较国内外图书馆在社交媒体上开展微服务的异同。通过比较分析,找出国内外图书馆通过社交媒体开展微服务的优缺点,并为我国图书馆更好地使用社交媒体开展微服务提出建议。

面向Twitter的个性化信息推荐技术研究

这是一篇关于信息推荐,社交网络,协同过滤,Twitter的论文, 主要内容为推荐系统在当下互联网高速发展的今天,已经有了很重要的地位,它能够极大程度上过滤掉无用的信息。当下,涉及各个领域的研究人员,包括计算科学、物理学和很多跨学科的领域,对于推荐系统都有了很深的研究。在工业界领域也出现了很多成熟的推荐系统,比如电子商务类的亚马逊、淘宝、京东、eBay等,影音娱乐类的优酷土豆、Youtube、网易音乐、豆瓣等,社交网络中的Facebook、Twitter、微博等。在这些工业的应用场景,推荐系统都有了很成熟的架构。本文主要研究面向Twitter的信息(推文)推荐技术。近些年,Twitter已经成为信息分享的一个非常重要的平台,用户能够通过转发推文来扩散信息。然而随着Twitter中信息的爆炸式增长,用户在社交网络中面对海量的信息,而对用户来说,希望在海量的信息中挖掘出有用的信息是非常困难的。所以本文的研究目的是精准化地向Twitter用户推荐他们感兴趣的推文。而在Twitter中的推文推荐不同于电商中的商品推荐。因为推文相比商品,是具有传播效应的。一条推文的传播轨迹,理论上是可以构造成树状的传播流。所以在应用相关推荐算法和设计算法模型时,需要考虑时到推文的一些特有因素。本文在研究了与信息推荐相关技术的国内外现状后,提出了面向Twitter的推文推荐模型,主要分为以下几点:(1)基于转推网络的推文推荐模型在对当前信息推荐模型进行了研究和总结后,本文在传统推荐算法模型的基础上,利用Twitter转推网络的属性,提出了基于转推网络的推文推荐模型。通过构建用户和推文的转发关系矩阵,同时利用社交网络中推文转发网络的特点,引入了用户之间的相似度和信任度特征,从而改进了传统协同过滤的推荐模型,并通过离线实验,验证了模型的有效性。(2)基于推文Tag的推文推荐模型基于转推网络的推文推荐模型是根据用户转推网络的关系进行信息推荐,没有考虑到推文的具体内容对信息推荐模型的影响。同时,改进的协同过滤算法为避免冷启动和数据稀疏性问题,过滤了转推活跃度较低的用户,降低了用户的覆盖率。基于以上两点原因,所以引入了基于推文Tag的推文推荐模型。针对转推活跃度较低的用户,基于推文的内容本身,建立用户和推文的兴趣、情感倾向和时序的标签,从而利用标签匹配度,计算用户对推文的兴趣度。同时通过实验,证明了模型的优势。(3)面向Twitter的推文推送原型系统设计通过以上两个模型,本文提出了基于转推网络和推文Tag的推文推荐模型。同时,立足于B/S系统设计架构原理和J2EE的软件设计思想,设计并实现了面向Twitter的推文推送原型系统。综上所述,本文以社交网络中的信息推荐为背景,以数据挖掘相关的文本分析,自然语言相关理论为基础,针对Twitter社交平台,提出了基于转推网络的推文推荐模型和基于推文Tag的推文推荐模型。通过对比实验,验证了所提出模型的有效性,同时设计并实现了面向Twitter的个性化推文推送原型系统。

基于BERT-CNN的舆情分析及可视化系统的设计与实现

这是一篇关于Twitter,舆情分析,数据可视化,网络爬虫的论文, 主要内容为随着互联网在全球范围的快速普及,诸如Twitter、Instagram、Facebook等社交媒体软件逐渐成为突发性社会事件舆情产生和传播的主要阵地。当突发性社会事件发生时,公众可通过社交媒体自由参与相关话题的互动与分享形成社交网络舆情,社交网络舆情体现了一段时间内社会公众对特定社交活动的看法、感受、观点的汇总,社交媒体软件具有用户广泛性、言论自由性、传播迅速性等特点。舆情在社交媒体中的快速传播导致国际舆论环境变得错综复杂,以至于更难在海量的舆情数据中捕获有价值的信息。在此环境下,通过社交媒体这一介质准确、直观的了解国际公众对我国的看法以及相关新闻事件的情绪态度具有重要意义。针对此情况,本文通过采用分布式网络爬虫、基于深度学习情感分析以及数据可视化等方法,设计并实现了一套面向Twitter的舆情分析及可视化系统帮助我国相关部门更直观地把握国际公众情绪变化,掌握国际舆情走势,进而及时制定相关策略引导舆论导向。本系统一共包括四个模块:(1)舆情数据获取模块。针对数据获取过程中海量Twitter数据采集效率低、相关平台反爬虫机制以及数据结构复杂等难点,本系统采用Scrapy分布式网络爬虫框架和IP代理池机制的方法获取Twitter平台关于推文的数据,同时对数据进行了去重、归一化等清洗操作并存储数据,保证了数据获取的高效性与准确性,为舆情的分析及可视化提供了数据保证。(2)舆情态势分析模块。针对上述数据获取的社交媒体舆情数据属性较多、传统的情感分析方法准确率低等难点,本系统通过基于机器学习的LDA主题挖掘、TF-IDF关键词提取以及基于深度学习的情感分类等方法,结合时间序列和空间信息对数据多维度分析。此外,在情感分类过程中,采用斯坦福大学公开的sentiment140 Twitter数据集训练出一套基于BERT-CNN的深度学习模型运用至本系统中,有效的提高了舆情分析的多样性和准确性。(3)舆情数据可视化模块。针对上述舆情数据分析模块得到的结果形式多样,单纯的数字、表格枯燥导致用户难以直观高效的掌握舆情走势的问题,本系统采用B/S架构依托百度提供的Echarts可视化组件为基础,通过词云、地图等多种动态图表的形式将舆情分析结果直观动态的展现出来,提高了用户的体验性。(4)系统后台管理模块。为有效提高系统的泛化性,本系统采用基于Layui+Django+Echarts的技术栈,设计并实现了后台管理模块,用户可通过账号/密码的方式登录至后台管理模块对系统数据进行管理,也可以通过后台管理界面选择不同的数据集、不同的时间维度对Twitter数据进行分析及可视化,有效的将系统的用户端和管理端进行了分离。

面向Twitter的个性化信息推荐技术研究

这是一篇关于信息推荐,社交网络,协同过滤,Twitter的论文, 主要内容为推荐系统在当下互联网高速发展的今天,已经有了很重要的地位,它能够极大程度上过滤掉无用的信息。当下,涉及各个领域的研究人员,包括计算科学、物理学和很多跨学科的领域,对于推荐系统都有了很深的研究。在工业界领域也出现了很多成熟的推荐系统,比如电子商务类的亚马逊、淘宝、京东、eBay等,影音娱乐类的优酷土豆、Youtube、网易音乐、豆瓣等,社交网络中的Facebook、Twitter、微博等。在这些工业的应用场景,推荐系统都有了很成熟的架构。本文主要研究面向Twitter的信息(推文)推荐技术。近些年,Twitter已经成为信息分享的一个非常重要的平台,用户能够通过转发推文来扩散信息。然而随着Twitter中信息的爆炸式增长,用户在社交网络中面对海量的信息,而对用户来说,希望在海量的信息中挖掘出有用的信息是非常困难的。所以本文的研究目的是精准化地向Twitter用户推荐他们感兴趣的推文。而在Twitter中的推文推荐不同于电商中的商品推荐。因为推文相比商品,是具有传播效应的。一条推文的传播轨迹,理论上是可以构造成树状的传播流。所以在应用相关推荐算法和设计算法模型时,需要考虑时到推文的一些特有因素。本文在研究了与信息推荐相关技术的国内外现状后,提出了面向Twitter的推文推荐模型,主要分为以下几点:(1)基于转推网络的推文推荐模型在对当前信息推荐模型进行了研究和总结后,本文在传统推荐算法模型的基础上,利用Twitter转推网络的属性,提出了基于转推网络的推文推荐模型。通过构建用户和推文的转发关系矩阵,同时利用社交网络中推文转发网络的特点,引入了用户之间的相似度和信任度特征,从而改进了传统协同过滤的推荐模型,并通过离线实验,验证了模型的有效性。(2)基于推文Tag的推文推荐模型基于转推网络的推文推荐模型是根据用户转推网络的关系进行信息推荐,没有考虑到推文的具体内容对信息推荐模型的影响。同时,改进的协同过滤算法为避免冷启动和数据稀疏性问题,过滤了转推活跃度较低的用户,降低了用户的覆盖率。基于以上两点原因,所以引入了基于推文Tag的推文推荐模型。针对转推活跃度较低的用户,基于推文的内容本身,建立用户和推文的兴趣、情感倾向和时序的标签,从而利用标签匹配度,计算用户对推文的兴趣度。同时通过实验,证明了模型的优势。(3)面向Twitter的推文推送原型系统设计通过以上两个模型,本文提出了基于转推网络和推文Tag的推文推荐模型。同时,立足于B/S系统设计架构原理和J2EE的软件设计思想,设计并实现了面向Twitter的推文推送原型系统。综上所述,本文以社交网络中的信息推荐为背景,以数据挖掘相关的文本分析,自然语言相关理论为基础,针对Twitter社交平台,提出了基于转推网络的推文推荐模型和基于推文Tag的推文推荐模型。通过对比实验,验证了所提出模型的有效性,同时设计并实现了面向Twitter的个性化推文推送原型系统。

基于BERT-CNN的舆情分析及可视化系统的设计与实现

这是一篇关于Twitter,舆情分析,数据可视化,网络爬虫的论文, 主要内容为随着互联网在全球范围的快速普及,诸如Twitter、Instagram、Facebook等社交媒体软件逐渐成为突发性社会事件舆情产生和传播的主要阵地。当突发性社会事件发生时,公众可通过社交媒体自由参与相关话题的互动与分享形成社交网络舆情,社交网络舆情体现了一段时间内社会公众对特定社交活动的看法、感受、观点的汇总,社交媒体软件具有用户广泛性、言论自由性、传播迅速性等特点。舆情在社交媒体中的快速传播导致国际舆论环境变得错综复杂,以至于更难在海量的舆情数据中捕获有价值的信息。在此环境下,通过社交媒体这一介质准确、直观的了解国际公众对我国的看法以及相关新闻事件的情绪态度具有重要意义。针对此情况,本文通过采用分布式网络爬虫、基于深度学习情感分析以及数据可视化等方法,设计并实现了一套面向Twitter的舆情分析及可视化系统帮助我国相关部门更直观地把握国际公众情绪变化,掌握国际舆情走势,进而及时制定相关策略引导舆论导向。本系统一共包括四个模块:(1)舆情数据获取模块。针对数据获取过程中海量Twitter数据采集效率低、相关平台反爬虫机制以及数据结构复杂等难点,本系统采用Scrapy分布式网络爬虫框架和IP代理池机制的方法获取Twitter平台关于推文的数据,同时对数据进行了去重、归一化等清洗操作并存储数据,保证了数据获取的高效性与准确性,为舆情的分析及可视化提供了数据保证。(2)舆情态势分析模块。针对上述数据获取的社交媒体舆情数据属性较多、传统的情感分析方法准确率低等难点,本系统通过基于机器学习的LDA主题挖掘、TF-IDF关键词提取以及基于深度学习的情感分类等方法,结合时间序列和空间信息对数据多维度分析。此外,在情感分类过程中,采用斯坦福大学公开的sentiment140 Twitter数据集训练出一套基于BERT-CNN的深度学习模型运用至本系统中,有效的提高了舆情分析的多样性和准确性。(3)舆情数据可视化模块。针对上述舆情数据分析模块得到的结果形式多样,单纯的数字、表格枯燥导致用户难以直观高效的掌握舆情走势的问题,本系统采用B/S架构依托百度提供的Echarts可视化组件为基础,通过词云、地图等多种动态图表的形式将舆情分析结果直观动态的展现出来,提高了用户的体验性。(4)系统后台管理模块。为有效提高系统的泛化性,本系统采用基于Layui+Django+Echarts的技术栈,设计并实现了后台管理模块,用户可通过账号/密码的方式登录至后台管理模块对系统数据进行管理,也可以通过后台管理界面选择不同的数据集、不同的时间维度对Twitter数据进行分析及可视化,有效的将系统的用户端和管理端进行了分离。

面向Twitter的个性化信息推荐技术研究

这是一篇关于信息推荐,社交网络,协同过滤,Twitter的论文, 主要内容为推荐系统在当下互联网高速发展的今天,已经有了很重要的地位,它能够极大程度上过滤掉无用的信息。当下,涉及各个领域的研究人员,包括计算科学、物理学和很多跨学科的领域,对于推荐系统都有了很深的研究。在工业界领域也出现了很多成熟的推荐系统,比如电子商务类的亚马逊、淘宝、京东、eBay等,影音娱乐类的优酷土豆、Youtube、网易音乐、豆瓣等,社交网络中的Facebook、Twitter、微博等。在这些工业的应用场景,推荐系统都有了很成熟的架构。本文主要研究面向Twitter的信息(推文)推荐技术。近些年,Twitter已经成为信息分享的一个非常重要的平台,用户能够通过转发推文来扩散信息。然而随着Twitter中信息的爆炸式增长,用户在社交网络中面对海量的信息,而对用户来说,希望在海量的信息中挖掘出有用的信息是非常困难的。所以本文的研究目的是精准化地向Twitter用户推荐他们感兴趣的推文。而在Twitter中的推文推荐不同于电商中的商品推荐。因为推文相比商品,是具有传播效应的。一条推文的传播轨迹,理论上是可以构造成树状的传播流。所以在应用相关推荐算法和设计算法模型时,需要考虑时到推文的一些特有因素。本文在研究了与信息推荐相关技术的国内外现状后,提出了面向Twitter的推文推荐模型,主要分为以下几点:(1)基于转推网络的推文推荐模型在对当前信息推荐模型进行了研究和总结后,本文在传统推荐算法模型的基础上,利用Twitter转推网络的属性,提出了基于转推网络的推文推荐模型。通过构建用户和推文的转发关系矩阵,同时利用社交网络中推文转发网络的特点,引入了用户之间的相似度和信任度特征,从而改进了传统协同过滤的推荐模型,并通过离线实验,验证了模型的有效性。(2)基于推文Tag的推文推荐模型基于转推网络的推文推荐模型是根据用户转推网络的关系进行信息推荐,没有考虑到推文的具体内容对信息推荐模型的影响。同时,改进的协同过滤算法为避免冷启动和数据稀疏性问题,过滤了转推活跃度较低的用户,降低了用户的覆盖率。基于以上两点原因,所以引入了基于推文Tag的推文推荐模型。针对转推活跃度较低的用户,基于推文的内容本身,建立用户和推文的兴趣、情感倾向和时序的标签,从而利用标签匹配度,计算用户对推文的兴趣度。同时通过实验,证明了模型的优势。(3)面向Twitter的推文推送原型系统设计通过以上两个模型,本文提出了基于转推网络和推文Tag的推文推荐模型。同时,立足于B/S系统设计架构原理和J2EE的软件设计思想,设计并实现了面向Twitter的推文推送原型系统。综上所述,本文以社交网络中的信息推荐为背景,以数据挖掘相关的文本分析,自然语言相关理论为基础,针对Twitter社交平台,提出了基于转推网络的推文推荐模型和基于推文Tag的推文推荐模型。通过对比实验,验证了所提出模型的有效性,同时设计并实现了面向Twitter的个性化推文推送原型系统。

基于BERT-CNN的舆情分析及可视化系统的设计与实现

这是一篇关于Twitter,舆情分析,数据可视化,网络爬虫的论文, 主要内容为随着互联网在全球范围的快速普及,诸如Twitter、Instagram、Facebook等社交媒体软件逐渐成为突发性社会事件舆情产生和传播的主要阵地。当突发性社会事件发生时,公众可通过社交媒体自由参与相关话题的互动与分享形成社交网络舆情,社交网络舆情体现了一段时间内社会公众对特定社交活动的看法、感受、观点的汇总,社交媒体软件具有用户广泛性、言论自由性、传播迅速性等特点。舆情在社交媒体中的快速传播导致国际舆论环境变得错综复杂,以至于更难在海量的舆情数据中捕获有价值的信息。在此环境下,通过社交媒体这一介质准确、直观的了解国际公众对我国的看法以及相关新闻事件的情绪态度具有重要意义。针对此情况,本文通过采用分布式网络爬虫、基于深度学习情感分析以及数据可视化等方法,设计并实现了一套面向Twitter的舆情分析及可视化系统帮助我国相关部门更直观地把握国际公众情绪变化,掌握国际舆情走势,进而及时制定相关策略引导舆论导向。本系统一共包括四个模块:(1)舆情数据获取模块。针对数据获取过程中海量Twitter数据采集效率低、相关平台反爬虫机制以及数据结构复杂等难点,本系统采用Scrapy分布式网络爬虫框架和IP代理池机制的方法获取Twitter平台关于推文的数据,同时对数据进行了去重、归一化等清洗操作并存储数据,保证了数据获取的高效性与准确性,为舆情的分析及可视化提供了数据保证。(2)舆情态势分析模块。针对上述数据获取的社交媒体舆情数据属性较多、传统的情感分析方法准确率低等难点,本系统通过基于机器学习的LDA主题挖掘、TF-IDF关键词提取以及基于深度学习的情感分类等方法,结合时间序列和空间信息对数据多维度分析。此外,在情感分类过程中,采用斯坦福大学公开的sentiment140 Twitter数据集训练出一套基于BERT-CNN的深度学习模型运用至本系统中,有效的提高了舆情分析的多样性和准确性。(3)舆情数据可视化模块。针对上述舆情数据分析模块得到的结果形式多样,单纯的数字、表格枯燥导致用户难以直观高效的掌握舆情走势的问题,本系统采用B/S架构依托百度提供的Echarts可视化组件为基础,通过词云、地图等多种动态图表的形式将舆情分析结果直观动态的展现出来,提高了用户的体验性。(4)系统后台管理模块。为有效提高系统的泛化性,本系统采用基于Layui+Django+Echarts的技术栈,设计并实现了后台管理模块,用户可通过账号/密码的方式登录至后台管理模块对系统数据进行管理,也可以通过后台管理界面选择不同的数据集、不同的时间维度对Twitter数据进行分析及可视化,有效的将系统的用户端和管理端进行了分离。

基于BERT-CNN的舆情分析及可视化系统的设计与实现

这是一篇关于Twitter,舆情分析,数据可视化,网络爬虫的论文, 主要内容为随着互联网在全球范围的快速普及,诸如Twitter、Instagram、Facebook等社交媒体软件逐渐成为突发性社会事件舆情产生和传播的主要阵地。当突发性社会事件发生时,公众可通过社交媒体自由参与相关话题的互动与分享形成社交网络舆情,社交网络舆情体现了一段时间内社会公众对特定社交活动的看法、感受、观点的汇总,社交媒体软件具有用户广泛性、言论自由性、传播迅速性等特点。舆情在社交媒体中的快速传播导致国际舆论环境变得错综复杂,以至于更难在海量的舆情数据中捕获有价值的信息。在此环境下,通过社交媒体这一介质准确、直观的了解国际公众对我国的看法以及相关新闻事件的情绪态度具有重要意义。针对此情况,本文通过采用分布式网络爬虫、基于深度学习情感分析以及数据可视化等方法,设计并实现了一套面向Twitter的舆情分析及可视化系统帮助我国相关部门更直观地把握国际公众情绪变化,掌握国际舆情走势,进而及时制定相关策略引导舆论导向。本系统一共包括四个模块:(1)舆情数据获取模块。针对数据获取过程中海量Twitter数据采集效率低、相关平台反爬虫机制以及数据结构复杂等难点,本系统采用Scrapy分布式网络爬虫框架和IP代理池机制的方法获取Twitter平台关于推文的数据,同时对数据进行了去重、归一化等清洗操作并存储数据,保证了数据获取的高效性与准确性,为舆情的分析及可视化提供了数据保证。(2)舆情态势分析模块。针对上述数据获取的社交媒体舆情数据属性较多、传统的情感分析方法准确率低等难点,本系统通过基于机器学习的LDA主题挖掘、TF-IDF关键词提取以及基于深度学习的情感分类等方法,结合时间序列和空间信息对数据多维度分析。此外,在情感分类过程中,采用斯坦福大学公开的sentiment140 Twitter数据集训练出一套基于BERT-CNN的深度学习模型运用至本系统中,有效的提高了舆情分析的多样性和准确性。(3)舆情数据可视化模块。针对上述舆情数据分析模块得到的结果形式多样,单纯的数字、表格枯燥导致用户难以直观高效的掌握舆情走势的问题,本系统采用B/S架构依托百度提供的Echarts可视化组件为基础,通过词云、地图等多种动态图表的形式将舆情分析结果直观动态的展现出来,提高了用户的体验性。(4)系统后台管理模块。为有效提高系统的泛化性,本系统采用基于Layui+Django+Echarts的技术栈,设计并实现了后台管理模块,用户可通过账号/密码的方式登录至后台管理模块对系统数据进行管理,也可以通过后台管理界面选择不同的数据集、不同的时间维度对Twitter数据进行分析及可视化,有效的将系统的用户端和管理端进行了分离。

基于BERT-CNN的舆情分析及可视化系统的设计与实现

这是一篇关于Twitter,舆情分析,数据可视化,网络爬虫的论文, 主要内容为随着互联网在全球范围的快速普及,诸如Twitter、Instagram、Facebook等社交媒体软件逐渐成为突发性社会事件舆情产生和传播的主要阵地。当突发性社会事件发生时,公众可通过社交媒体自由参与相关话题的互动与分享形成社交网络舆情,社交网络舆情体现了一段时间内社会公众对特定社交活动的看法、感受、观点的汇总,社交媒体软件具有用户广泛性、言论自由性、传播迅速性等特点。舆情在社交媒体中的快速传播导致国际舆论环境变得错综复杂,以至于更难在海量的舆情数据中捕获有价值的信息。在此环境下,通过社交媒体这一介质准确、直观的了解国际公众对我国的看法以及相关新闻事件的情绪态度具有重要意义。针对此情况,本文通过采用分布式网络爬虫、基于深度学习情感分析以及数据可视化等方法,设计并实现了一套面向Twitter的舆情分析及可视化系统帮助我国相关部门更直观地把握国际公众情绪变化,掌握国际舆情走势,进而及时制定相关策略引导舆论导向。本系统一共包括四个模块:(1)舆情数据获取模块。针对数据获取过程中海量Twitter数据采集效率低、相关平台反爬虫机制以及数据结构复杂等难点,本系统采用Scrapy分布式网络爬虫框架和IP代理池机制的方法获取Twitter平台关于推文的数据,同时对数据进行了去重、归一化等清洗操作并存储数据,保证了数据获取的高效性与准确性,为舆情的分析及可视化提供了数据保证。(2)舆情态势分析模块。针对上述数据获取的社交媒体舆情数据属性较多、传统的情感分析方法准确率低等难点,本系统通过基于机器学习的LDA主题挖掘、TF-IDF关键词提取以及基于深度学习的情感分类等方法,结合时间序列和空间信息对数据多维度分析。此外,在情感分类过程中,采用斯坦福大学公开的sentiment140 Twitter数据集训练出一套基于BERT-CNN的深度学习模型运用至本系统中,有效的提高了舆情分析的多样性和准确性。(3)舆情数据可视化模块。针对上述舆情数据分析模块得到的结果形式多样,单纯的数字、表格枯燥导致用户难以直观高效的掌握舆情走势的问题,本系统采用B/S架构依托百度提供的Echarts可视化组件为基础,通过词云、地图等多种动态图表的形式将舆情分析结果直观动态的展现出来,提高了用户的体验性。(4)系统后台管理模块。为有效提高系统的泛化性,本系统采用基于Layui+Django+Echarts的技术栈,设计并实现了后台管理模块,用户可通过账号/密码的方式登录至后台管理模块对系统数据进行管理,也可以通过后台管理界面选择不同的数据集、不同的时间维度对Twitter数据进行分析及可视化,有效的将系统的用户端和管理端进行了分离。