高校群体性事件的舆情预警与应急处置体系构建——以自组织理论为视角

我国高校群体性事件系统具有自组织特征,即开放性、远离平衡、诸要素的"相干"和"协同"、系统的随机涨落等。通过对舆情形成的"公众—媒介—政府"模式和"熵流"的分析显示,大学生舆情信息的传播、反馈与满足是高校群体性事件系统演进的重要序参量和动力所在,从而形成了高校群体性事件系统自组织演进的六阶段模型。因此,我国高校群体性事件的预警与应急处置应充分重视舆情的动力作用,需要建立包括信息采集和分析系统、舆情预警系统、应急处置系统在内的高校群体性事件的舆情预警与应急处置体系,为建设和谐校园提供保障。

苏雪林《棘心》之伤感主义研究

作为"五四"新文学的开拓者之一,徽州女作家苏雪林应该在现代新文学史上有一席之地。文章在前人研究的基础上探讨《棘心》中的伤感情绪及其产生的原因,最后通过对《棘心》中"不安全感"进行分析,发现苏雪林的写作已触及到了人类的共性,但也遗憾地发现她缺乏揭示人类生存本质的能力。

基于三支决策的多粒度文本情感分类模型

文本情感分类是一项重要的自然语言处理任务,具有广泛的应用场景。以往的情感分类方法过于注重分类准确率,忽略了训练和分类过程的时间代价,而且使用的特征大多为词袋特征,存在维度高、可解释性差的缺点。针对这些问题,将粒计算的思想运用于文本数据的三层粒度结构(词-句-篇章),提出一种具有强可解释性的文本情感分类特征——SSS(Sentence-level Sentiment Strength)特征,SSS特征每一维度代表文章中每个句子的情感强度值;同时,在分类过程中,利用三支决策方法将待分类对象划分为3个区域,位于正域和负域的对象直接划分至正类和负类中,使用SVM(Support Vector Machine)+SSS特征对位于边界域的对象做进一步分类。实验结果显示,SSS特征由于自身的低维特性,能够大大降低特征提取和模型训练过程所耗费的时间成本,结合了三支决策方法的SVM能够进一步提高分类准确率,而且三支决策方法可以减少分类过程所耗费的时间。

基于EBAP模型的中文情感分类

针对中文情感分类的一词多义,以及完整语义信息表示问题,采用EBAP模型表示词向量,使用RCNN和Attention结合的方式提取文本特征,改善了模型捕获文本全局及局部语义特征和关键情感信息能力。