基于语义模式与词汇情感倾向的舆情态势研究

针对互联网上的舆论信息传播速度快,对社会造成巨大影响这一问题,社会管理者应该进行及时的舆情分析,从而进行有效控制和引导,避免形成更大的社会影响和危害.为了从网络信息中分析网络舆情的发展态势,将文本情感分析技术应用于网络舆情研究.针对网络舆情的话题评论,采用语义模式和词汇情感倾向相结合的方法,并形成了一种判定算法,该算法比较全面地判定话题评论的情感倾向性,把握网络舆情的正面或负面导向性.实验结果表明了该方法的有效性和准确性.     

企业危机舆情主题与情感演化研究——以“双汇生产车间乱象”为例

针对网民讨论主题与情感对企业危机舆情传播的影响,基于生命周期理论,提出融合知识图谱和情感图谱的企业危机舆情主题与情感演化模型。将“双汇生产车间乱象”事件作为研究案例,首先收集与舆情相关的微博文本并进行舆情阶段划分;其次采用知识图谱、LDA主题模型、朴素贝叶斯情感分类器和情感图谱对舆情各阶段的网民关注热点、讨论主题和情感演化规律进行实证分析。研究表明：网民讨论内容随舆情演化略有不同,但部分话题会被持续讨论;网民情感变化与主题演化规律相吻合,负向情感在爆发期达到峰值;媒体用户影响力高于微博红人,但普通用户易与微博红人产生情感共鸣。     

突发公共卫生事件热点网络舆情情感特点分析

对网络舆情进行有效监测、预警和管控，引导网民情感走向是网络安全的重要工作内容。爬取新浪微博“新冠疫情”相关博文的评论数据，通过python利用BOW模型，TF-IDF算法和逻辑回归模型构建文本分类算法，对网民的评论情感特点进行研究。对爬取清洗后26688条评论数据代入模型进行情感分类得出网民情感的舆情特点和走向，从时间线上看2021年负面评论数据高于2020年。对不同时间线的舆情特点进行了深度分析，同时结合2021年四季度西安疫情的特殊舆情事件展开了回溯分析。     

基于情感分类和主题挖掘的网络舆情文本分析

在社交网络时代，自媒体已成为群众发布、获取信息的重要渠道，网络舆情研判已经成为各级政府部门的主要任务之一。自媒体在反映个人情感和意见思潮的同时，也会汇聚群众的情感共鸣，因此对舆情文本的情感进行分析并获取其主题成为关键。通过爬虫工具对相关舆情文本进行抓取，将获取的数据使用Python的SnowNLP模块进行情感倾向划分，结合无监督的机器学习算法LDA主题模型进行文本关键词聚类，从而确定舆情规模、情感演变规律和舆情的热点主题词，为完善舆情应对机制提供科学支持。     

无标度特性下的网络舆情演化迁移元胞模型

通过实证分析网络舆情演化的无标度特性,将网络舆情演化分成两个阶段:观点形成阶段和观点交互阶段.构建BA'模型,提出无标度特性下的观点形成算法;结合作者前期研究成果迁移元胞自动机网络舆情演化模型,提出了无标度特性下的观点交互算法;观点形成算法和观点交互算法组成了无标度特性下的网络舆情演化二阶段模型.对网络舆情演化的二阶段模型进行仿真,模拟现实网络舆情演化的观点形成和观点交互过程,绘制出倾向度状态转换图和粗细粒度倾向度曲线;经过仿真分析,揭示了网民观点倾向度和网民素养对网络舆情演化的影响规律.     

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.     

加权维吾尔语句子倾向性分析

准确可靠的文本倾向性分析是网络舆情分析与网络内容安全的前提.本文提出了利用中文极性情感词典HowNet、NTUSD以及大连理工大学发布的褒贬情感词词典进行并交运算,选择并翻译为维吾尔语词汇,借助于维吾尔语同义近义词词典,扩展构建了维吾尔语极性情感词典;然后分析总结了否定词、程度副词以及句中的转折连词等情感修饰成分对维吾尔语句子情感极性的影响,并量化为情感词权值;最后设计了基于维吾尔语极性情感词和权值相结合的加权句子情感极性判定算法.利用自建语料库进行测试,并与汉语倾向性判定实验结果比较,证明了本算法进行维吾尔语句子褒贬情感性分析基本是有效地.     

基于情感特征的新冠肺炎疫情舆情演化分析

针对突发事件的舆情演变态势进行分析,发现社会舆情的演变规律,提出了一种基于情感特征的舆情演化分析方法,该方法包含舆论情感分析模块与舆情演化分析模块.舆论情感分析模块基于B E RT预训练模型和BiGRU模型,其中BERT作为词嵌入模型提取舆情文本特征向量,BiGRU则用于提取文本特征向量的上下文联系实现对舆情数据情感极...     

基于大数据的事故舆情分析系统研究

为达到重大事故发生后正确引导舆情的目的,本文通过研发舆情分析系统来分析重大事故发生前后舆情传播以及演变的规律.本文研究并构建出一个重大事故舆情分析方法框架.随后爬取互联网数据,采集微博某某事件相关数据,并对数据进行预处理,提取数据特征、进行情感分类,然后构建基于微博的特定情感词典,通过Word2vec提取文本特征,最后...     

自然语言处理在文本情感分析领域应用综述

文本情感分析已经逐渐成为自然语言处理（NLP）的重要内容,并在系统推荐、用户情感信息获取,为政府、企业提供舆情参考等领域越来越占据重要地位。通过文献调研的方式,对情感分析领域的方法进行对比和综述。首先,从时间、方法等维度对情感分析的方法进行文献调研;然后,对情感分析的主要方法、应用场景进行归纳总结和对比;最后,在此基础上分析每种方法的优缺点。根据分析结果可以知道,在面对不同的任务场景,主要有三种情感分析的方法：基于情感字典的情感分析法、基于机器学习的情感分析法和基于深度学习的情感分析法,基于多策略混合的方法成为改进的趋势。文献调研表明,文本情感分析的技术方法还有改进的空间,在电子商务、心理治疗、舆情监控方面有较大市场和发展前景。     

基于神经网络的文本倾向性分析系统的研究

随着信息时代的到来,网络评论数量急剧增加,对于这些网络评论的倾向性分析是网络舆情研究中的重要课题。为了对网络评论的倾向性进行分析,提出了基于神经网络的网络舆情文本倾向性分析算法,使用神经网络训练的方法构建了较好的情感词倾向值词典,对网络评论的倾向性预测达到了较高的准确率。对算法进行了细致的描述,同时提出了基于神经网络的网络舆情文本倾向性分析系统框架。最后通过实验进行测试,证明了该系统能够达到较好的准确率。     

基于微博平台的舆情参与主体情感强度研究

舆情参与主体是舆情事件的参与者,分析其情感强度可以准确把握舆情发展走势,为舆情相关部门的决策提供支持。利用微博社交媒体平台获取实验所需的热点话题的舆情数据,基于Word2vec计算目标文本中关键词相似度并提取关键性特征。将目标文本转化成向量形式嵌入到深度学习模型的输入层,同时将注意力机制引入深度学习算法构建Bilstm+Attention情感倾向分类模型,对舆情参与主体发布在微博平台上文本的情感倾向进行正负面的划分。为了进一步分析参与主体的情感强度以及与实际舆情走势之间的关系,基于目标语料构建情感副词词典,将情感强度进行划分,并与实际舆情走势进行对比分析。实验结果表明,对比TextCNN、CNN+Bilstm以及Bilstm等深度学习分类模型,Bilstm+Attention情感分类模型准确率更高,Bilstm+Attention+情感副词词典计算出的情感强度与实际舆情走势基本趋于一致,证明了该模型可以有效预测舆情参与主体的情感强度。     

基于多特征微博话题情感倾向性判定算法研究

社交网络舆情分析是一种新的研究趋势,而其中微博话题的情感倾向性判定是社交网络舆情分析中的热点。针对微博内容特征以及微博间转发、评论关系特征,构建情感分析用词典、网络用语词典以及表情符号库,设计基于短语路径的微博话题情感倾向性判定算法,以及基于多特征的微博话题情感倾向性判定算法,并进一步利用微博间的转发和评论关系对基于多特征的微博话题情感倾向性判定算法进行优化,其微平均正确率与F值分别达到85.3%和79.4%。     

基于注意力与Bi-LSTM混合算法的车企舆情情感分析

随着大数据时代的来临,网络舆情对消费者情感分析和商家营销策略产生重大影响。如何利用大数据技术提高车企舆情情感分析效能,受到文本挖掘研究者广泛关注。针对传统RNN在长文本分类中的长期依赖问题,提出了一种注意力机制与Bi-LSTM结合的混合分类算法(At-Bi-LSTM)。算法利用BiLSTM分析车企网络评论的情感,引入注意力机制计算不同单词对评论情感的贡献权重,降低长文本中无关词对分类结果的影响。实验证明,At-Bi-LSTM算法在车企舆情情感分类上取得了比朴素贝叶斯、SVM、LSTM更好的分类效果。     

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.     

网络视频弹幕舆情的平台处置方式及风险防范

网络视频弹幕舆情研究对提高平台型企业的舆情处置能力、防范网络舆情爆发具有重要意义。本文采用弹幕文本情感分析方法挖掘网络舆情特征,分析发现来自经济利益驱动、算法技术支持、竞争发展压力等方面的因素导致网络视频平台采用不同的弹幕舆情处置方式,导致平台企业方面可能存在价值误判的风险、技术滥用的风险、合法性与公信力的风险,甚至引发次生舆情危机。建议完善平台型企业的舆情管理准则、提高平台型企业的数据资源治理能力、加强政府和平台型企业的协同治理,从整体上提高平台型企业在弹幕舆情处置中的风险防范能力。     

跨模LDA融合的多模态数据主题分析方法

随着互联网的高速发展,社会大众可以通过网络对医疗事件以及医患关系自由地发表个人意见和观点言论,这对于引导公众正确的价值导向有着重大研究意义.然而,仅考虑单模态数据的主题分析算法不能精准地把握整个舆情事件的真相,存在主题提取不准确、个人情感先入为主等问题.提出一种基于LDA的多模态数据主题分析算法MD＿LDA(multimodal data topic analysis based on LDA).通过对各模态主题分析结果进行决策级融合来计算多模态的主题分析结果,进而解决传统方法对多模态数据考虑不全面的缺陷.实验结果表明,针对多模态舆情事件,在主题词的提取效果上,所提出的MD＿LDA算法优于单一模态数据进行主题分析的算法.而相对于传统的关键词提取算法TF＿IDF与TextRank和MD＿LDA算法的准确率以及主题词提取效率均有所提高,验证了结合多模态数据进行主题分析的MD＿LDA算法的有效性.     

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。     

基于词典和表情符号的微博舆情情感分析研究

微博中携带着的情感对社会发展的影响越来越重要，通过对微博文本的情感分析，可以对网络舆情做出正确判断和及时决策。基于SO-PMI算法对现有情感词典进行扩充，并构建了程度副词、否定词、双重否定词、表情符号词典。首先爬取特定话题的微博文本，进行预处理和分词，然后基于构建的词典计算文本的情感值，并使用可视化方法展示网民的情感状况和关键词。     

基于词共现和情感元素的突发话题检测算法

随着自媒体的迅速发展,微博中的舆情监控和舆情疏导成为一项重大的研究课题. 为了解决传统话题检测方法对于微博中大数据的分析往往具有复杂度高、实时性低、影响力小等问题,提出一种基于词共现和情感分析的突发话题检测方法. 通过研究微博中情感的突发和共现关系,从而建立情感子空间模型;通过该模型对微博中的信息流进行分类,最后对每个类别中的微博进行主题词提取,实现话题检测的目的. 在NLPIR微博内容语料库上的实验结果表明,该方法能够有效地从大规模微博信息中检测突发新闻,提高突发新闻的识别率.