近年来可视化飞速发展,受到越来越多研究者的青睐,同时社交平台作为新时代的宠儿也受到越来越多的关注。如何将可视化技术融入到社交数据的分析中成为了当下的热点问题。传播和情感是以新浪微博为代表的社交平台的两个属性,然而当前研究的局限性体现在:传播路径中关键用户的主题相似度和互动性较低;未标注的文本不适用于有监督机器学习的情感分析方法;微博可视化模型较为单一且可交互性差。针对上述问题,本文的主要工作可以归纳总结为以下三个方面:1.提出一种主题相关的传播概率模型。本文在对现有微博传播过程中的关键人物模型pagerank、twitterrank及其改进方法的深入研究基础上,改进了一种主题相关的传播概率模型。该方法以图论为基础,将用户视为节点,用户与用户的历史互动程度以及历史主题最大相似度作为边,确定信息从一个节点传播到下一个节点的概率。通过求解图中节点能传播到所有其他节点的概率之和来确定传播路径中的关键用户。通过实验表明,该模型在top5的关键用户中与pagerank、twitterrank和weiborank相似度高,且在时间和空间复杂度上优于这三种算法。2.提出一种标签自动化的微博情感分析方法。本文首先将基于词典的情感分析方法计算出的文本情感倾向值作为文本标签,然后将k-means文本聚类结果与标注结果的差异加入误差考量,最后采用五种文本分类模型对文本进行训练。通过实验发现词典情感分析方法结合层级注意力模型在训练迭代100次后的预测准确率能达到0.92,因此将这个模型作为微博情感分析的模型。3.设计并实现微博可视化及可视分析系统。本文首先通过对微博传播特点和情感特点的分析,采用文本可视化、层次网络数据可视化和基于地理信息的可视化设计了多种可视化模型,然后采用可视分析的方法加入事件交互来提高可视界面的交互性,最后设计并实现了微博可视化及可视分析系统。该系统通过爬取微博数据并将其计算传播数据和情感数据后进行可视化呈现。该系统还提供数据可配置的可视分析功能,供用户自主配置数据,生成可视化结果。