基于大数据技术的网络舆情情感强度研究

针对传统技术处理海量数据的不足,以及大数据和网络舆情的相似特征性,通过对核心技术MapReduce模型的改进对网络舆情文本进行挖掘;然后基于MapReduce的矩阵—向量乘法模型得到热点舆情事件;在此基础上从客观和主观两个方面构建舆情指标模型。通过文本挖掘热点舆情事件来分析网络舆情情感强度,实验结果表明,该模型具有一定的借鉴作用。

社交媒体舆情信息热度和情感强度对传播意愿的影响——情绪与感知可信度的双重中介机制

舆情信息内容特征是影响社交媒体舆情传播的重要因素。本文基于情绪–认知双重加工系统的视角,探讨了社交媒体舆情信息的热度和情感强度两个核心内容特征对传播意愿的影响,以及影响的内在过程机制。研究结果发现:1) 社交媒体舆情信息热度对舆情传播意愿的直接影响和通过情绪中介作用的间接影响均不显著,但通过感知可信度的中介作用对舆情传播意愿的间接影响显著;2) 社交媒体舆情信息情感强度直接正向影响舆情传播意愿,还会通过情绪、感知可信度的双重中介作用间接影响舆情传播意愿。最后,本文对研究结论如何应用于舆情治理实践进行了探讨。

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BERT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性的精准判别。在舆情演化分析模块中,将舆情的情感特征在时间维度上进行动态可视化建模,并基于其结果实现舆情数据的演化规律解析。在实验部分,利用2020年1月1日到2020年2月19日的100万条新冠肺炎背景下的舆论数据进行了数值实验,实验结果表明,该方法能够有效地对疫情背景下的舆情数据进行演化分析。

全媒体时代基于情感和耦合网络的舆情传播模型研究

[目的/意义]解析全媒体时代媒体对舆情及情感的影响作用,挖掘媒体属性对舆情传播的影响机制,继而对耦合网络的舆情扩散进行疏导和有效控制。[方法/过程]根据情绪感染理论将情感引入SIR模型,根据媒体作用设计了耦合网络的舆情动态传播过程,并对媒体属性、情感及耦合网络对舆情传播的影响进行对比分析。[结果/结论]改进的模型突出了全媒体时代媒体的重要作用,通过对比得出媒体报道力度、可信度和数量对舆情传播有正向推动作用,媒体报道加快了传播速度,对舆情具有情感导向作用,且负情感信息在传播中有更强生命力,耦合网络对传播具有推动作用等结论,并据此提出了具有针对性的舆情疏导策略,发挥全媒体时代媒体管控舆情的优势。