面向政府部門的網(wǎng)絡(luò)輿論情感判別研究
發(fā)布時(shí)間:2021-12-10 20:19
[目的/意義]利用網(wǎng)絡(luò)輿論大數(shù)據(jù)準(zhǔn)確判別公眾對(duì)不同政府部門的情感傾向,是當(dāng)前社會(huì)計(jì)算領(lǐng)域的一個(gè)重要研究問(wèn)題。這對(duì)于政府部門有效把握和響應(yīng)輿情態(tài)勢(shì),提升公眾滿意度和信任度具有重要意義。[方法/過(guò)程]提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的多任務(wù)判別模型,通過(guò)"卷積網(wǎng)絡(luò)+殘差網(wǎng)絡(luò)"挖掘新聞文本隱含特征,實(shí)現(xiàn)新聞事件關(guān)聯(lián)的政府部門識(shí)別,同時(shí)通過(guò)LSTM網(wǎng)絡(luò)以及注意力機(jī)制,融合新聞文本和用戶評(píng)論特征,實(shí)現(xiàn)公眾對(duì)政府部門的情感判別。[結(jié)果/結(jié)論]在測(cè)試數(shù)據(jù)集上的實(shí)驗(yàn)表明,與其他基準(zhǔn)模型相比,所提模型的部門識(shí)別任務(wù)和情感判別任務(wù)在性能上具有明顯優(yōu)勢(shì);公眾對(duì)科技、國(guó)防和公安三類部門的情感滿意度較高。
【文章來(lái)源】:情報(bào)雜志. 2020,39(08)北大核心CSSCI
【文章頁(yè)數(shù)】:6 頁(yè)
【部分圖文】:
基于深度神經(jīng)網(wǎng)絡(luò)的政府部門情感判別模型
政府部門的識(shí)別問(wèn)題更多地與文本中某幾個(gè)詞有關(guān),而文本上下文的關(guān)聯(lián)性對(duì)于識(shí)別的影響相對(duì)較小[10]。本文在CNN序列化建模層設(shè)計(jì)了卷積網(wǎng)絡(luò)+殘差網(wǎng)絡(luò)(ResNet)的整體結(jié)構(gòu)(如圖2所示),以挖掘新聞文本中的高階特征表達(dá);诰矸e網(wǎng)絡(luò)對(duì)文本進(jìn)行建模,就是在文本的詞向量序列上進(jìn)行固定窗口長(zhǎng)度的一維卷積運(yùn)算。通過(guò)詞嵌入層,當(dāng)前新聞文本可表示為[e 1 t ,e 2 t ,e 3 t ,…,e n t ]。一次卷積操作就是將卷積核f∈Rl×V作用于長(zhǎng)度為l的文本上,得到一個(gè)新的特征值gi。通過(guò)將卷積核f依次作用于文本窗口上,由初始的文本表示[e 1 t ,e 2 t ,e 3 t ,…,e n t ]便可得到一個(gè)全新的特征表示G:
從實(shí)驗(yàn)結(jié)果來(lái)看,我們發(fā)現(xiàn)Attention機(jī)制對(duì)于模型有較大的正向作用?梢暬疉ttention能有助于我們更好理解該機(jī)制是如何作用于文本表示,幫助判斷情感極性的。圖3給出了可視化模型計(jì)算出的Attention權(quán)重,其中顏色的深度表示各個(gè)詞在情感判斷時(shí)的重要程度。顏色越深,表示該詞的重要性越高?梢钥闯,模型的Attention機(jī)制可以很好地搜尋出評(píng)論文本中對(duì)于情感判斷關(guān)鍵的詞。對(duì)于評(píng)論文本“唯有科技強(qiáng)國(guó),中國(guó)夢(mèng),我們的夢(mèng)”,模型認(rèn)為詞語(yǔ)“強(qiáng)”“夢(mèng)”對(duì)于這句評(píng)論的情感判斷比較重要,這是符合我們的直觀認(rèn)知的。從圖中的例子c和d與可以發(fā)現(xiàn),除了能很好判斷出這些情感詞外,Attention機(jī)制也讓模型擁有了理解否定詞(不)和程度詞(非常)的能力。
【參考文獻(xiàn)】:
期刊論文
[1]基于社會(huì)化媒體的公共政策輿情預(yù)測(cè)研究[J]. 王亞民,寧?kù)o,馬續(xù)補(bǔ). 情報(bào)理論與實(shí)踐. 2019(01)
[2]基于主題和情緒相互作用的微博輿情演化研究——以“紅黃藍(lán)虐童事件”為例[J]. 姜金貴,閆思琦. 情報(bào)雜志. 2018(12)
[3]基于公眾感知的政府公信力影響因素分析[J]. 呂維霞,王永貴. 華中師范大學(xué)學(xué)報(bào)(人文社會(huì)科學(xué)版). 2010(04)
[4]政府公信力:價(jià)值、指標(biāo)體系及其實(shí)現(xiàn)途徑——兼論我國(guó)誠(chéng)信政府建設(shè)[J]. 舒小慶. 南昌大學(xué)學(xué)報(bào)(人文社會(huì)科學(xué)版). 2008(06)
本文編號(hào):3533324
【文章來(lái)源】:情報(bào)雜志. 2020,39(08)北大核心CSSCI
【文章頁(yè)數(shù)】:6 頁(yè)
【部分圖文】:
基于深度神經(jīng)網(wǎng)絡(luò)的政府部門情感判別模型
政府部門的識(shí)別問(wèn)題更多地與文本中某幾個(gè)詞有關(guān),而文本上下文的關(guān)聯(lián)性對(duì)于識(shí)別的影響相對(duì)較小[10]。本文在CNN序列化建模層設(shè)計(jì)了卷積網(wǎng)絡(luò)+殘差網(wǎng)絡(luò)(ResNet)的整體結(jié)構(gòu)(如圖2所示),以挖掘新聞文本中的高階特征表達(dá);诰矸e網(wǎng)絡(luò)對(duì)文本進(jìn)行建模,就是在文本的詞向量序列上進(jìn)行固定窗口長(zhǎng)度的一維卷積運(yùn)算。通過(guò)詞嵌入層,當(dāng)前新聞文本可表示為[e 1 t ,e 2 t ,e 3 t ,…,e n t ]。一次卷積操作就是將卷積核f∈Rl×V作用于長(zhǎng)度為l的文本上,得到一個(gè)新的特征值gi。通過(guò)將卷積核f依次作用于文本窗口上,由初始的文本表示[e 1 t ,e 2 t ,e 3 t ,…,e n t ]便可得到一個(gè)全新的特征表示G:
從實(shí)驗(yàn)結(jié)果來(lái)看,我們發(fā)現(xiàn)Attention機(jī)制對(duì)于模型有較大的正向作用?梢暬疉ttention能有助于我們更好理解該機(jī)制是如何作用于文本表示,幫助判斷情感極性的。圖3給出了可視化模型計(jì)算出的Attention權(quán)重,其中顏色的深度表示各個(gè)詞在情感判斷時(shí)的重要程度。顏色越深,表示該詞的重要性越高?梢钥闯,模型的Attention機(jī)制可以很好地搜尋出評(píng)論文本中對(duì)于情感判斷關(guān)鍵的詞。對(duì)于評(píng)論文本“唯有科技強(qiáng)國(guó),中國(guó)夢(mèng),我們的夢(mèng)”,模型認(rèn)為詞語(yǔ)“強(qiáng)”“夢(mèng)”對(duì)于這句評(píng)論的情感判斷比較重要,這是符合我們的直觀認(rèn)知的。從圖中的例子c和d與可以發(fā)現(xiàn),除了能很好判斷出這些情感詞外,Attention機(jī)制也讓模型擁有了理解否定詞(不)和程度詞(非常)的能力。
【參考文獻(xiàn)】:
期刊論文
[1]基于社會(huì)化媒體的公共政策輿情預(yù)測(cè)研究[J]. 王亞民,寧?kù)o,馬續(xù)補(bǔ). 情報(bào)理論與實(shí)踐. 2019(01)
[2]基于主題和情緒相互作用的微博輿情演化研究——以“紅黃藍(lán)虐童事件”為例[J]. 姜金貴,閆思琦. 情報(bào)雜志. 2018(12)
[3]基于公眾感知的政府公信力影響因素分析[J]. 呂維霞,王永貴. 華中師范大學(xué)學(xué)報(bào)(人文社會(huì)科學(xué)版). 2010(04)
[4]政府公信力:價(jià)值、指標(biāo)體系及其實(shí)現(xiàn)途徑——兼論我國(guó)誠(chéng)信政府建設(shè)[J]. 舒小慶. 南昌大學(xué)學(xué)報(bào)(人文社會(huì)科學(xué)版). 2008(06)
本文編號(hào):3533324
本文鏈接:http://sikaile.net/guanlilunwen/zhengwuguanli/3533324.html
最近更新
教材專著