基于演化K-medoids方法的微博情感动态分析——以《穹顶之下》为例

[目的/意义]为了动态分析网民对微博热点问题的情感变化,提出了一种融合情感向量模型的演化K-medoids情感动态分析方法。[方法/过程]对评论文本进行分词、去噪,得到多个代表文本含义的实词;使用卡方统计法计算实词与文本类别的相关性,从而获取文本特征词;使用TF-IDF方法计算特征词权重,基于词语关联度建立了文本情感向量模型;将历史代价函数引入到K-medoids算法中,同时保证了相邻时段聚类结果的平滑性和同一时段聚类结果的优化性,从而得到演化的K-medoids动态算法;[结果/结论]以《穹顶之下》微博情感变化为例开展实例研究,结果表明演化K-medoids算法能够有效分析网民对热点事件的情感动态,克服了传统算法只能分析静态数据的缺陷,该结果可为政府有效进行舆情监控和疏导提供一定的参考和依据。

基于动态主题情感分析的虚假新闻网络舆情研究

目前,关于虚假新闻的研究主要从辨别、影响和治理等角度出发,对虚假新闻中的公众情感分析多为定性研究,缺少客观定量地表示公众情感变化,为舆情治理提供有效的决策支持方面较薄弱。鉴于此,本文提出一种基于动态主题情感模型的分析方法,运用改进的TF-IDF和SO-PMI相结合的方法构建专属情感词典,对比真实新闻与虚假新闻的主题与情感变化,运用主成分分析法构建多主体虚假新闻网络舆情治理指标体系和模型,最后进行实证分析。通过实证研究表明,该方法可以有效地分析公共安全事件中公众情感、行为等动态变化特点,可为进一步制定治理虚假新闻网络舆情的措施提供有效理论依据。

基于深度学习方法对特定群体推特的动态政治情感极性分析

【目的】根据美国政客在特定时间段内的推特文本数据分析其动态的政治情感极性变化,辅助情报分析人员判断美国政治走向和中美关系未来走势。【方法】提出一种架构,结合多种深度学习模型,构建特定群体的专属推文数据集,得到情感极性多分类器,然后引入推文的时间特征,最终得到政客动态政治情感极性。【结果】构建的美国政客推文数据集验证所提出的综合架构在此任务中的有效性,分类器验证集准确率达到80.66%,准确率相比传统人工神经网络方法提高8.07%。针对20名美国州长、参议员的情感极性判断,成功率为75%。针对个体的动态政治情感极性分析,可以为分析人员提供有效的帮助和情报支撑。【局限】动态政治情感极性的分析依赖于数据集的定时更新和迭代,否则模型的准确率和有效性会随时间的变化而降低;政治情感极性所受的影响因素非常多,政客所发推文情感内容与其所代表的真实政治倾向可能有差异,会造成模型一定程度的误判。【结论】本文方法有效地利用多种深度学习技术辅助情报分析人员从海量推特文本数据中获取较为准确的动态政治情感极性。

基于动态主题—情感演化模型的网络舆情信息分析

【目的/意义】目前,静态情感倾向判断成为分析舆情信息的一种重要手段,但这种方法局限于最终的情感分类结果,不能追溯到整个情感演变过程以及各阶段的影响因素,因此无法提出更为细致和有针对性的措施。【方法/过程】鉴于此,本文提出一种基于动态主题-情感演化模型的舆情信息分析方法,通过对评论文本进行语义角色标注,建立情感单元词表;然后将改进的TF-IDF和K-Means聚类方法相结合提取主题词,形成主题-情感匹配词表,比起传统的TF-IDF方法,其准确率和F值都有明显提升;最后引入时间节点,利用点互信息(Pointwise Mutual Information,PMI)和情感词典的方法,进行动态情感演化分析。【结果/结论】实验研究证明,该方法得出的情感演化趋势与实际情况相吻合,为进一步制定治理网络舆情危机的措施,提供了有效依据。