該小節(jié)與上一節(jié)差不多，繼續(xù)以介紹為主.數(shù)據(jù)模型訓練材料是指通過爬蟲爬取的具有關聯(lián)性的特定數(shù)據(jù)來作為各種數(shù)據(jù)模型的訓練材料，從而得出各種結(jié)論.這類用途因為涉及到很多計算模型的專業(yè)知識，所以我們通過社會輿論分析，機器翻譯，地域性特征圖這幾個例子為重點，來講講我們會在什么時候用上這些技術。

• 網(wǎng)絡輿論分析
  首先，我們了解下什么叫網(wǎng)絡輿論.就是在一件事發(fā)生后，在社交網(wǎng)絡上面形成主流的一類輿論，通?？梢源泶蟛糠志W(wǎng)民在這件事上的態(tài)度。我們通過從各類SNS中抓取的大批量數(shù)據(jù)通過自然語言分析（NLP）來來得到其中所代表的社會情感.比如我在第一章里提到的那篇著名論文，就是通過抓取了推特上億條信息后推算出的.這種結(jié)論能一般代表SNS上的民意，可以成為各種論文所引用的對象以及公司決策的輔助.舉個例子，下圖為新浪微輿情在某件事中根據(jù)自身微博中網(wǎng)友的留言得出的分析結(jié)論.此下圖是通過新浪自身的情感研判模型得出的網(wǎng)絡輿論對該起事件的情感判定.

• 

• 機器翻譯
  機器翻譯就是不依靠人工，通過輸入人工翻譯的大量語料,然后做出統(tǒng)計模型,讓計算機盡可能地熟悉別人是怎么翻譯的，從而耳濡目染，領悟到該如何翻譯。而這大量語料就是我們通過爬蟲在網(wǎng)上抓取的各種雙語翻譯。例如如今的Google翻譯，百度翻譯和必應翻譯都是如此而來的.只所以說，如果你對此有興趣也可以嘗試自己搭建一個翻譯引擎.只不過像谷歌百度都是用十億級別的數(shù)據(jù)訓練出來的，如果你只輸入幾千語料的話，可能結(jié)果會不有點半生不熟。

• 地域性特征
  地域性特征就是在一定的范圍內(nèi),由于相同的歷史文化、氣候地理條件,造成某種事物分布集中于某一片.或者有一定的規(guī)律，產(chǎn)生的一些只屬于該地區(qū)的特定現(xiàn)象.而我們同樣是通過SNS社交網(wǎng)絡上的數(shù)據(jù)，可以根據(jù)不同的地域范圍，通過數(shù)據(jù)分析，得出具有地域性的一般結(jié)論，可用作各種社科類論文的補充依據(jù).如果這也要舉例子的話，那么還是剛才那件事.微輿情上也列出了各地域轉(zhuǎn)發(fā)的分布圖.就是如下：如圖可以直觀的看到天津地區(qū)與江西地區(qū)兩個不同地域之間的差異.

和第一種方法一樣，這種方法也只是介紹，不涉及具體學習模型.有關機器學習以及模型的訓練，請參照其他論文。感謝.

而第三種方法因為平日里大家見得最多，我就在這里的結(jié)尾給帶過去好了.所謂數(shù)據(jù)可視化，其實是通過類似于echarts,highcharts，G6，D3這些js庫或者是各自商業(yè)數(shù)據(jù)分析軟件，得出一些我們需要的結(jié)論。而這些結(jié)論可以來闡明我們想要敘述的觀點和作為我們論文中觀點的佐證。比如說，我們可以通過echarts或者highcharts內(nèi)的地圖模塊來畫一張全國城市霧霾分布圖，通過G6來畫出一張微博關系圖，通過D3畫出一些直方圖之類的，還有詞云，出行圖等等一系列的作用.如下就是一張通過使用可視化庫搭建而成的全國城市霧霾分布圖.