基于观点树的网络舆情危机预警方法*

对初始情感种子集预处理,增加网络情感词汇、过滤部分特征词,采用改进逐点互信息—信息检索方法对特征词进行情感倾向性计算,实现对网络论坛网帖中网民观点极性和观点强度的挖掘,进一步实施网民观点属性挖掘;构建基于三粒度挖掘结果的观点树,建立基于观点树的网络舆情危机预警架构。通过实验验证,该方法能够对网络舆情危机作出预警判断。     

基于细粒度信息感知BERT-EEP的情绪分类方法

网络舆情情绪分析专注于挖掘特定领域文本中深层次的情绪信息，对及时评估和化解舆情风险有重要意义。以往研究大多依赖情感符号、词性等基本情绪知识构建情绪语义特征，忽略了文本中情绪的持有者、线索等细粒度语言表达。为此，针对COVID-19疫情期间网络舆情数据的特点，引入同步双通道循环递归网络抽取细粒度情绪信息。在此基础上，提出辅助句构造法和基于BERT的情绪表达感知网络BERT-EEP,利用细粒度情绪信息辅助标签分类，并通过多头注意力机制和双向门控循环单元学习辅助信息和上下文之间的依赖关系，最终实现情绪分析。为评估所提方法的有效性，构建了一个具有细粒度表达的COVID-19中文情绪数据集。实验结果表明，所提方法能有效地融合细粒度情绪信息，在情绪分类任务上获得了优异的性能。     

基于情感从属和最大熵模型的细粒度观点挖掘

目前许多观点挖掘方法挖掘粒度过大,导致反馈信息不足。为解决该问题,对标准LDA模型进行改进,提出主题情感联合最大熵LDA模型进行细粒度观点挖掘。首先,考虑到词的位置和语义信息,在传统LDA模型中加入最大熵组件来区分背景词、特征词和观点词,并对特征词和观点词进行局部和全局的划分;其次,在主题层和单词层之间加入情感层,实现词语级别的细粒度情感分析,并引入情感转移变量来处理情感从属关系,同时获取整篇评论和每个主题的情感极性,实验验证了所提模型和理论的有效性。     

情感词汇Ontology驱动的话题倾向性计算

针对“未然态”的舆情信息,挖掘网络热点、焦点及敏感话题,把握舆情动态,提高处置与监管网络突发事件能力等,是舆情分析的重要研究内容。对基于情感词汇Ontology的话题倾向性进行了研究。通过计算与情感词汇Ontology中情感词汇的语义相似度、统计话题语料中情感特征词汇的词频,计算语料中情感特征词汇的倾向性权重;根据情感特征词汇的倾向性权重计算话题倾向性强度和整体倾向性。最后在情感词汇Ontology指导下对话题中每篇语料的情感分类和倾向性强度进行规范化细粒度标注。     

认知视角下的舆论观点句情感计算

针对目前观点分析方法局限于传统的文本分析技术,只能将舆论观点句分为肯定和否定两极或确定每一极的程度（粗粒度）,不能进一步给出舆论观点句是积极的还是消极的程度的问题。本文从认知学角度研究细粒度语义情感计算框架。提出了一种舆情观点句的定量分析方法,该方法将对于某话题的文本集合作为输入,输出一个实数表示文本中所表达观点的能量。本文在NLPIR共享平台上进行了相关实验,给出了粗粒度情感和细粒度情感对观点句识别的对比实验,实验表明,两种方法对观点句的识别性能相差不大;对非观点句细粒度方法好于粗粒度方法。     

基于复杂网络方法的舆情热点挖掘

研究使用复杂网络理论和算法的网络舆情热点提取.网络舆情分析技术可以分为基于内容的分析方法和基于数据挖掘的分析方法,二者均是采用传统技术处理网络舆情,并未结合网络特性.针对上述问题,开拓了舆情分析的思路,提出采用网络化方法处理网络问题的思想,将舆情网络的页面视为节点,链接关系作为边,构建符合复杂网络特征的舆情传播网络.使用PageRank算法和Hits算法,可以挖掘出舆情网络中的重要节点,进而发现舆情热点.以维基百科数据为仿真数据集,采用新提出的方法,可以挖掘相关领域的热点条目.仿真结果表明,两种方法均可以完成网络舆情热点的发掘工作,从复杂网络的角度处理网络舆情热点挖掘问题是可行的.但PageRank方法侧重于链接节点的影响,Hits算法侧重考虑节点自身的核心程度,挖掘结果存在一定差异.将两种方法的挖掘结果相结合,结合领域特征,可以获取网络舆情热点.     

基于情感词典扩展技术的网络舆情倾向性分析

随着Web2.0时代的到来,网络已逐渐成为反映社会舆情的重要载体之一,网络舆情发现及网民的观点和倾向性挖掘也成为新的研究热点,但是目前尚无有效反应网民对热点事件或话题总体态度的舆情分析系统.本文针对网民关于话题评论简单、数目众多的特点,应用HowNet和NTUSD两种资源对现有情感词典进行扩展,建立了一个新的、具有倾向程度的情感词典.基于扩展的情感词典,开发了一个半自动化网络舆情分析系统.该系统能够为用户提供更加细致、准确的评论倾向性分析结果.     

高职院校网络舆情应对与处理

网络对于高职院校学生具有极强的粘度和网络传播连锁效应,因此高职网络舆情的应对和处理就尤为重要.基于情感维度的大数据网络舆情情感倾向性分析的研究,可对高职院校网络舆情应对与处理进行实证分析.利用网络爬虫技术和机器学习技术方法对高职院校学生关注的网络舆情进行情感趋势和维度要素的实例分析,根据模型决策结果为高职舆情预警程度的判定、情感维度及状况提供参考.     

面向特定观点的网络舆情信息有用性排序

网络舆情信息挖掘是舆情研究的重要课题.在大量的信息面前,为了快速发掘有用性高的舆情信息为舆情的分析、决策提供助力,提出一种面向特定观点的舆情信息有用性排序方法,实现快速发掘特定观点下有用舆情信息的目的.该方法针对舆情信息的具体观点进行分析计算,同时根据舆情信息可信度和关注度、传播者的影响力,并且结合信息时效性等因素,利用排序方法进行打分,根据舆情信息的得分进行有用性排序.实验结果表明,该方法能很好的完成对舆情信息的推荐排序.本研究理论上对舆情信息挖掘的研究理论进行补充,现实意义对舆情管理者有很好的辅助作用,能够为网络舆情引导工作提供助力.     

面向方面记忆网络的IT产品细粒度情感分析

以用户情感需求为导向进行产品的设计和营销定位已成为研究热点，细粒度的情感挖掘可进一步提高评论分析的效率。提出一种面向方面深度记忆网络模型进行细粒度情感分析。对京东等IT产品评论数据进行爬取，应用依存句法分析方法抽取评论中的方面词，采用基于self-attention机制的深度记忆网络模型实现基于方面的细粒度情感分类。实验结果表明，面向方面深度记忆网络模型在英文数据集上的准确率相比一些经典模型有所提升，同时在京东等40?000条IT的用户评价数据进行情感倾向分析也具有良好的效果。     

高校网络舆情监测关键技术研究

该文对高校BBS网络舆情的形成、传播特点和热点分析的方法进行探讨,以高校网络舆情监控机制的需求为出发点,从网络爬虫、文本挖掘、情感分析等技术入手,深入研究聚集爬虫、信息处理、文本聚类等方面的技术实现方案,用统计的方法来计算舆情主题被关注的程度。     

基于特征聚类的网络评论信息挖掘研究

网络评论中的信息特征及情感倾向是一种重要信息,文章针对有的中文产品评论信息挖掘存在的不足,提出了一种基于词汇共现性的产品特征聚类技术与细粒度情感分析技术。在产品评论中,同类的产品属性会有多种多样的表述方式,文章将产品评论中的产品特征进行归类,且与以往基于句子的整体情感分析不同,提出了针对产品特征的更细粒度情感分析技术,并且对没有相应情感倾向的属性词做出合理处理。     

网络舆情生命周期的挖掘策略研究

传统的网络舆情挖掘的研究比较粗浅,缺乏面向网络舆情生命周期的挖掘,无法对网络舆情进行完整的分析和监控。针对这个问题,提出了网络舆情生命周期的挖掘策略。通过网络舆情生命周期的挖掘,能对网络舆情进行整体的分析和全程的监控。     

中文情感分析研究综述

近年来,随着互联网在中国的普及,网络上大量出现带有主观性的文本,如用户在博客、微博、等社交网络发表的评论,这些评论信息包含大量情感信息和主观观点.有效挖掘此类文本的信息对于电子商务、信息预测,舆情监控有着重要实用价值.当前,情感分析已经成为自然语言处理学术界的研究热点.     

舆情监测技术及应用综述

针对网络舆情检测的关键技术及应用做了介绍.按照舆情监控的处理流程对网络爬虫、网页消重、网页去噪、文本分类、文本聚类等技术做了细致的介绍.对各种技术分类介绍了一些常用的算法.接着对舆情挖掘的应用方向话题跟踪与检测和情感倾向分析做了介绍.最后分析了舆情监测在理论研究和应用上的发展趋势.     

一种基于OCC模型的文本情感挖掘方法

观点挖掘（或情感分析）作为面向网络社会媒体分析挖掘领域的一个核心研究课题,具有重要的研究意义和应用价值。针对传统观点挖掘方法存在的不足和局限性,本文设计并实现了一种基于OCC情感模型的观点挖掘方法。该方法首先采用统计方法,利用WordNet词典、句法依存关系及少量标注数据,自动构建情感维度词典;其次,对所构建的情感维度词典进行求精,通过语义、情感倾向的不一致性处理和非情感词的过滤,得到高质量的情感维度词典;最后,基于所得到的情感维度词典,结合OCC模型中情感维度值与情感类型的对应关系,生成6种主要的情感类型。实验方法表明,此方法在使用灵活性、可解释性和有效性上具有明显的优势。     

深度置信网络的Spark并行化在微博情感分类中的应用研究

中文微博情感分析可以发现公众对热点事件的态度掌握网络舆情,因此成为文本挖掘的一个热点研究。采用一种基于Spark并行化的深度置信网络的情感分类方法,该方法利用Word2Vec工具表示微博文本和建立情感词典;使用深度置信网络构建微博情感分类模型;通过Spark集群对深度置信神经网络进行并行化处理。实验结果表明,基于深度置信网络的微博情感分类模型在Spark平台下并行化,训练时间大幅缩短,情感分类的准确率比传统的浅层学习方法高5%。     

基于领域情感词典特征表示的细粒度意见挖掘

细粒度意见挖掘的主要目标是从观点文本中获取情感要素并判断情感倾向。现有方法大多基于序列标注模型,但很少利用情感词典资源。该文提出一种基于领域情感词典特征表示的细粒度意见挖掘方法,使用领域情感词典在观点文本上构建特征表示并将其加入序列标注模型的输入部分。首先构建一份新的电商领域情感词典,然后在电商评论文本真实数据上,分别为条件随机场(CRF)和双向长短期记忆-条件随机场(BiLSTM-CRF)这两种常用序列标注模型设计基于领域情感词典的特征表示。实验结果表明,基于电商领域情感词典的特征表示方法在两种模型上都取得了良好的效果,并且超过其他情感词典。     

细粒度意见挖掘中维吾尔语文本情感分析研究

传统的情感分析研究通过分析, 确定词语、句子或篇章的情感, 但忽略了情感表达的主题。针对这一不足, 该文提出了一种基于双层CRFs模型的细粒度意见挖掘中维吾尔语意见型文本陈述级情感分析方法。第一层模型识别意见型文本中的主题词和意见词, 确定意见陈述的范围, 并将识别结果传递给第二层模型, 将其作为重要特征之一, 用于陈述级情感分析。细粒度意见挖掘中情感分析的目标是构建<意见陈述, 主题词, 意见词, 情感>四元组。该方法用于维吾尔语陈述级情感分析的准确率为77.41%, 召回率为78.51%, 证明了该方法在细粒度意见挖掘中情感分析任务上的有效性。     

基于BERT和层次化Attention的微博情感分析研究

微博情感分析旨在挖掘网民对特定事件的观点和看法,是网络舆情监测的重要内容.目前的微博情感分析模型一般使用Word2Vector或GloVe等静态词向量方法,不能很好地解决一词多义问题;另外,使用的单一词语层Attention机制未能充分考虑文本层次结构的重要性,对句间关系捕获不足.针对这些问题,提出一种基于BERT和层...