伴隨互聯(lián)網(wǎng)的迅速發(fā)展和社會(huì)的日益進(jìn)步,日積月累的社會(huì)矛盾在互聯(lián)網(wǎng)背景下傳播、擴(kuò)散,使得原本瀕臨爆發(fā)的群體性事件被無限放大,造成網(wǎng)絡(luò)輿情傳播速度更快,影響范圍更廣,同時(shí)具有更高的危害性。在突發(fā)事件網(wǎng)絡(luò)輿情的傳播過程中,找到事件爆發(fā)的“激化”邊界,并確定在“激化”邊界之后起關(guān)鍵作用的信息傳播節(jié)點(diǎn),對實(shí)現(xiàn)突發(fā)事件網(wǎng)絡(luò)輿情的及時(shí)干預(yù),有效降低突發(fā)事件帶來的不良社會(huì)影響具有重要價(jià)值。微博是突發(fā)事件網(wǎng)絡(luò)輿情傳播的主要介質(zhì),用戶通過發(fā)布帶有明顯情感傾向的帖子來交流對事件發(fā)展的看法和態(tài)度。這種情感傾向?qū)κ录l(fā)展的態(tài)勢具有較強(qiáng)的指引作用,影響網(wǎng)絡(luò)輿情的發(fā)展和走向。這使得在突發(fā)事件網(wǎng)絡(luò)輿情的分析過程中,通過融入對輿情發(fā)展情感傾向的分析,更有助于捕捉事件網(wǎng)絡(luò)輿情的發(fā)展態(tài)勢,從而輔助相關(guān)部門及時(shí)實(shí)現(xiàn)對事件發(fā)展的監(jiān)控和干預(yù)。本文以微博平臺為主要的數(shù)據(jù)源,在探討如何更好地實(shí)現(xiàn)微博文本細(xì)粒度多元情感分類的基礎(chǔ)上,分析事件相關(guān)輿情多元情感的分布演化規(guī)律,結(jié)合輿情的地域分布特性實(shí)現(xiàn)對突發(fā)事件輿情發(fā)展“激化“邊界的識別;同時(shí),對突發(fā)事件輿情傳播網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行發(fā)掘,得到事件輿情的主要傳播者,結(jié)合多元情感分析,識別在事件輿情傳播中,需重點(diǎn)監(jiān)控和干預(yù)的關(guān)鍵傳播者。具體研究內(nèi)容如下:(1)基于word2vec與擴(kuò)充情感詞典的微博細(xì)粒度多元情感分類。該研究將深度學(xué)習(xí)方法引入進(jìn)來,實(shí)現(xiàn)微博文本情感詞的向量化表達(dá),通過考察情感詞的上下文語境信息,提升微博文本多元情感分類的效果,更細(xì)致地捕捉微博文本所體現(xiàn)的網(wǎng)民的真實(shí)情感。結(jié)合微博文本中用以表達(dá)特定情感的情感符號,提取微博文本中特有的表達(dá)情感的特征詞,實(shí)現(xiàn)對現(xiàn)有的多元情感詞典的擴(kuò)充;引入word2vec模型訓(xùn)練擴(kuò)充情感詞典中的情感詞,得到情感詞的分布式表達(dá),以解決情感詞典不能有效考慮上下文語境的問題,并最終實(shí)現(xiàn)微博文本句子級別的多元情感分類,為后續(xù)基于情感分析的突發(fā)事件臨界點(diǎn)和關(guān)鍵節(jié)點(diǎn)識別奠定基礎(chǔ)。(2)基于多元情感分析的突發(fā)事件“激化”時(shí)間點(diǎn)識別。對突發(fā)事件發(fā)展過程各時(shí)間窗口內(nèi)的微博帖子進(jìn)行細(xì)粒度多元情感分類,得到各時(shí)間窗口內(nèi)網(wǎng)民對于事件輿情的多元情感傾向;結(jié)合各時(shí)間窗口下事件相關(guān)網(wǎng)民發(fā)帖的地域分布特性,綜合考察事件輿情在各時(shí)間窗口下每一元情感的影響范圍和演化特性,以發(fā)掘影響事件輿情發(fā)展態(tài)勢的主要情感傾向,得到突發(fā)事件輿情發(fā)展的”激化“時(shí)間點(diǎn)。實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)在多元情感中,網(wǎng)民對事件輿情展現(xiàn)出的“憤怒”和“悲傷”情感與事件發(fā)展的演化規(guī)律趨同,有助于識別突發(fā)事件爆發(fā)的“激化”時(shí)間點(diǎn)。(3)基于用戶綜合影響力的突發(fā)事件干預(yù)節(jié)點(diǎn)挖掘。在確定突發(fā)事件“激化”時(shí)間點(diǎn)的基礎(chǔ)上,結(jié)合微博發(fā)帖用戶屬性以及帖子自身屬性,利用變異系數(shù)計(jì)算屬性權(quán)重,確定用戶在事件輿情發(fā)展過程中的綜合影響力,識別事件網(wǎng)絡(luò)輿情的主要傳播者。對主要傳播者發(fā)布的事件相關(guān)微博帖子進(jìn)行多元情感分析,考察主要傳播者對事件輿情的情感傾向,識別呈“憤怒”和“悲傷”情感的主要傳播者,作為重要的干預(yù)節(jié)點(diǎn),輔助相關(guān)管理部門實(shí)行有針對性的監(jiān)管和干預(yù)。綜上,本文主要探討了多元情感分析技術(shù)在群體性突發(fā)事件網(wǎng)絡(luò)輿情干預(yù)管理中的應(yīng)用。通過對突發(fā)事件網(wǎng)絡(luò)輿情的多元情感分析,有助于獲取網(wǎng)民呈現(xiàn)的不同情感傾向?qū)κ录l(fā)展態(tài)勢的預(yù)示和影響作用。這為相關(guān)部門提前把握事件發(fā)展態(tài)勢,識別事件爆發(fā)的“臨界點(diǎn)”,獲取影響事件輿情傳播的主要傳播者,并在此基礎(chǔ)上采取合理的方式對事件輿情進(jìn)行有效地干預(yù)提供了一定的理論支持。
【學(xué)位單位】：東北林業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：D631.43;D669
【部分圖文】：

ＣＢ０Ｗ模型使用當(dāng)前詞的上下文詞匯作為輸入，輸出當(dāng)前詞的詞向量；Ｓｋｉｐ－??Ｇｒａｍ?模型則與之相反，輸入的是當(dāng)前詞，輸出的是其上下文詞匯的詞向量。其中，??ＣＢ０Ｗ與Ｓｋｉｐ－Ｇｒａｍ模型原理示意圖如圖２－６所示。在生成詞向量的過程中，模型使用??ＣＢ０Ｗ?或?Ｓｋｉｐ－Ｇｒａｍ?定義輸入輸出，再基于?Ｈｉｅｒａｒｃｈｉｃａｌ?Ｓｏｆｔｍａｘ?或?Ｎｅｇａｔｉｖｅ?Ｓａｍｐｌｉｎｇ??－１６－??

微博多元情感??分類??圖３－１微博多元情感分類流程??３．２數(shù)據(jù)準(zhǔn)備??從新浪微博ＡＰＩ隨機(jī)獲取近３６０萬條微博文本，數(shù)據(jù)采集時(shí)間為２０１７年５月１７日??至８月２２日，并按照下述的預(yù)處理過程利用停用詞典完成對文本的預(yù)處理，將處理后??的語料標(biāo)記為尸，作為情感詞典擴(kuò)充和訓(xùn)練ｗ〇ｒｄ２ｖｅＣ模型的語料數(shù)據(jù)。在語料Ｐ中，??選取其中的１４，０００條文本進(jìn)行人工多元情感標(biāo)注，作為細(xì)粒度多元情感分類的訓(xùn)練用語??料，將其標(biāo)記為ｉ？語料集。其中表３－１為停用詞典的部分?jǐn)?shù)據(jù)：??－２１－??

?０．８６９６??￣＂圖３－６進(jìn)一步給出了?Ｋ＝３下四組實(shí)驗(yàn)的微博文本多元情感分類的分類性能。其中：??Ｐ?＝?Ｐｒｅｃｉｓｉｏｎ，?Ｒ?＝?Ｒｅｃａｌｌ，Ｆ?＝?Ｆ?－?ｍｅａｓｕｒｅ。??從圖３－６可以看出，本文對于情感詞典的擴(kuò)充以及利用ｗｏｒｄ２ｖｅｃ訓(xùn)練情感詞詞向??量都在一定程度上提升了多元情感分類的效果。其中，實(shí)驗(yàn)（４）相比于其他三種方法??取得了更佳的分類效果，其準(zhǔn)確率、召回率和Ｆ值相對于實(shí)驗(yàn)（１）分別提高了??６．０６％、６．５３％、６．３％。分別對比實(shí)驗(yàn)（１）和（２）、實(shí)驗(yàn)（３）和（４）可以發(fā)現(xiàn)，擴(kuò)充??后的情感詞典相對于原詞典的分類性能都大約提升了?３％左右。說明本文提出的情感詞??典的擴(kuò)充方法可以在一定程度上覆蓋到足夠多的微博文本中的情感詞，繼而在一定程度??上提升情感分類的效果。通過對比實(shí)驗(yàn)（１）和（３）、實(shí)驗(yàn)（２）和（４），可以發(fā)現(xiàn)??Ｗ〇ｒｄ２ｖｅＣ訓(xùn)練情感詞詞向量使得多元情感分類性能提升了?４％左右。這說明
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李素科;蔣嚴(yán)冰;;基于情感特征聚類的半監(jiān)督情感分類[J];計(jì)算機(jī)研究與發(fā)展;2013年12期

2 仝鵬;王珂;;新媒體時(shí)代突發(fā)事件網(wǎng)絡(luò)輿情的干預(yù)機(jī)制探究[J];電子制作;2013年12期

3 高偉;王中卿;李壽山;;基于集成學(xué)習(xí)的半監(jiān)督情感分類方法研究[J];中文信息學(xué)報(bào);2013年03期

4 孫艷;周學(xué)廣;付偉;;基于主題情感混合模型的無監(jiān)督文本情感分析[J];北京大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年01期

5 唐超;;網(wǎng)絡(luò)情緒演進(jìn)的實(shí)證研究[J];情報(bào)雜志;2012年10期

6 林江豪;陽愛民;周詠梅;陳錦;蔡澤鍵;;一種基于樸素貝葉斯的微博情感分類[J];計(jì)算機(jī)工程與科學(xué);2012年09期

7 康偉;;基于SNA的突發(fā)事件網(wǎng)絡(luò)輿情關(guān)鍵節(jié)點(diǎn)識別——以“7·23動(dòng)車事故”為例[J];公共管理學(xué)報(bào);2012年03期

8 蘭月新;董希琳;陳成鑫;;地方政府應(yīng)對網(wǎng)絡(luò)輿情能力評估和危機(jī)預(yù)警研究[J];現(xiàn)代情報(bào);2012年05期

9 張一文;齊佳音;方濱興;李欲曉;;基于貝葉斯網(wǎng)絡(luò)建模的非常規(guī)危機(jī)事件網(wǎng)絡(luò)輿情預(yù)警研究[J];圖書情報(bào)工作;2012年02期

10 王子文;馬靜;;網(wǎng)絡(luò)輿情中的“網(wǎng)絡(luò)推手”問題研究[J];政治學(xué)研究;2011年02期

相關(guān)碩士學(xué)位論文 前3條

1 李繼紅;基于情感計(jì)算的網(wǎng)絡(luò)輿情預(yù)警研究[D];南昌大學(xué);2016年

2 周強(qiáng);基于深度學(xué)習(xí)與主題模型的問句相似度計(jì)算[D];北京理工大學(xué);2016年

3 劉凌之;政務(wù)微博對突發(fā)事件信息傳播的干預(yù)研究[D];貴州財(cái)經(jīng)大學(xué);2015年

本文編號：2859853