基于改进K-means聚类的在线新闻评论主题抽取

新闻评论反映民众对新闻事件的观点,抽取评论主题,对用户、企业、政府都具有很高的情报分析价值。基于K-means聚类的主题挖掘算法应用到新闻评论中时,在欧氏距离下,如果使用最大距离法选初始点则会聚成一大类。为解决这个问题,论文首先在预处理阶段增加同义词替换和自动构建领域词典的部分,改善了数据稀疏性和高维性。其次,提出了K-means改进算法,用隐藏长评论-最大距离法选初始点,解决了初始点多为离群点的问题,用方差拐点确定K值,解决了预先设定聚类个数的问题,实验发现了先用BW权重选初始点,再用新提出的BW-DF权重聚类的效果最好。最后,将改进算法与原算法的聚类效果比较,实验结果表明,改进算法准确率高,抽取新闻评论主题的效果明显。

在线新闻评论生长规律研究

【目的】通过揭示在线新闻评论生长规律来发现在线新闻的老化规律,从而挖掘新闻信息的潜在价值。【方法】提出在线新闻评论生长特征的测度指标,包括生长周期、生长峰值、集中度绝对值、峰值集中指数和生长半衰期,并利用新浪新闻及其评论数据进行实证研究。【结果】研究发现,绝大多数在线新闻评论生长周期较短、生长峰值较小,评论峰值集中出现在靠前位置;其生长曲线主要有负指数型、平缓型、单峰型和多波段型4种类型;生长规律受新闻本身的老化特性、新闻发布时间、相关新闻事件或新闻后续事件的发生等因素影响。【局限】缺少其他新闻平台数据的对比研究。【结论】本文多指标测度了在线新闻评论的生长情况,并发现了4种显著的生长曲线。

基于双向分层语义模型的多源新闻评论情绪预测

随着在线新闻服务的迅猛发展,用户在阅读新闻后可以非常方便地表达自己的主观情绪,有效分析和预测用户的情绪有助于新闻服务提供商为新闻用户提供更好的服务.情绪标注研究已经取得了很多优秀的成果,但仍然存在着一些问题:1)传统的方法将整个文档看作单词流或词袋,不能对句子间的逻辑关系进行建模,在文档中的句子间包含逻辑关系时,这些方法无法适当地表达文档的语义;2)这些方法只用了文档本身的语义,忽略了与该文档相关的其他信息源中信息,而这些信息源对该文档的语义表达也有一定的影响.为了解决这些问题,提出了一种基于多信息源的在线新闻评论双向分层语义表示模型,称为双向分层语义神经网络(bi-directional hierarchical semantic neural network,Bi-HSNN),该模型既捕获句子中词语所表达的情感,又自底向上地学习文档中句子间的逻辑关系,并利用评论、新闻和用户投票等多种信息源对在线新闻评论的情绪进行标注.在真实数据集上的一系列实验,验证了该模型的有效性.

人云亦云：在线评论对负面新闻感知的影响

本研究在启动效应的理论框架下,探讨了负面新闻中不同语气、不同诉求手段的新闻评论对相关程度各异的读者在产品态度、公司态度和品牌推荐意愿三个方面的影响。结果表明,尽管新闻报道的篇幅更长,内容更丰富,读者的感知判断还是受到了其他用户评论的显著影响。这种影响体现为评论语气、诉求手段和相关程度三个要素之间的交互关系:积极评论和消极评论分别使得人们的感知更为积极或更为消极;感性诉求更强烈的影响了低相关度者的反应;感性诉求的优先效果仅仅体现在负面评价中。此外,新闻评论的启动效果不仅仅体现在人们的感知判断中,还直接影响了用户自主评论的语气、诉求、乃至措辞。