基于CNN-BiLSTM-CRF的企业舆情监控模型构建

在互联网+环境下,将舆情监控应用到企业决策中是一个趋势。本文提出一种与企业需求契合度高且能更充分地提取情感特征的模型。将社交平台和互联网营销平台评论信息进行预处理,并使用Word2vec技术获取文本的词向量表示,通过CNN提取特征、BiLSTM提取上下文语义特征,再加入条件随机场模型对标签序列进行优化。最后使用K-means聚类得到企业网络舆论焦点。经在真实数据集上对比实验,验证了模型的有效性。

基于文本挖掘及情感分析的社区负面舆论传播预测模型

企业品牌舆论监控、网络敏感社区及重点社区识别是当前企业舆情监控的重点工作。作为网络社会的子集,不同的网络社区(社交媒体中联系密切的群体)由于社区网络结构的不同、社区成员情感倾向的不同,导致企业负面新闻在其中的传播会表现出来不同的特质。从网络社区的角度出发,研究不同社区情感倾向及社区网络结构下,企业负面新闻在其中产生的影响;进而提出了基于文本挖掘及情感分析的社区负面舆论传播预测模型。根据心理学测量视角Profile of Mood States(POMS)测度社区成员情感倾向(Tendency),以事件划分时间窗口;通过对连续六个月抓取的网络数据使用文本挖掘相关算法分析每个事件窗口内社区成员六种情感的分布(愤怒、紧张、失望等);在情感分布及网络结构上进行聚类,识别不同类别的情感倾向的网络社区;在些基础上建立社区情感倾向及舆论传播预测模型。测试结果表明:该模型在对网络社区情感倾向的识别及舆论传播倾向预测方面有较高的准确度,在舆论传播监控、敏感社区及重点社区识别等方面有一定的指导意义。