IP属地化政策对舆情评论的影响研究——基于微博用户属地公开的准自然实验

[目的/意义]实证评估公开属地政策能否以及如何对舆情评论产生影响,为网络舆情研究、平台优化和治理提供启示。[研究设计/方法]基于自我监控理论和隐私计算理论构建研究模型和假设,以微博“IP属地”功能的推出为准自然实验,运用双重差分法和断点回归模型探究IP属地化政策对舆情评论的影响。[结论/发现]政策引发用户自我监控效应和风险感知效应,不仅整体改善了评论情感倾向、评论可读性和共情性,也能够显著抑制评论情感极性,该结论在一系列稳健性检验后仍然成立。政策影响在不同用户群体之间存在显著差异,相较处于事件热点中心的用户,属地公开更能促使处于非热点中心的用户做出改变。政策同时加剧评论中的地域歧视现象。[创新/价值]揭示了IP属地化政策对在线评论行为的作用,为清朗网络环境提供新视角,丰富了IP属地化与舆情评论行为影响因素的相关研究。

舆情评论与新闻报道的话题识别及其主题关联分析

[目的/意义]针对同一事件新闻报道与舆情评论既相互依存又偏离的现象,通过话题识别与主题关联分析,探索新闻报道引发的舆情评论在主题内容与时间阶段上的异同,拟为研究以舆情评论表达的舆情事件和以新闻报道表达的社会现实之间的共振与偏离,进而为探究社会舆情传播规律提供参考,为服务政府科学决策提供依据。[方法/过程]以拉斯韦尔(5W)模型、LDA主题模型和Python工具为基础,设计研究思路和流程,从腾讯新闻和知乎平台上抓取新闻报道和评论的数据,经过处理加工过后加以分析挖掘。[结果/结论]研究发现:舆情事件主题会一定程度偏离社会现实主题,衍生出更多隐性主题;舆情事件与社会现实的发展走向较一致;此外,社交媒体相较于新闻媒体所衍生的舆情事件主题更多,而两者反映的社会现实主题类似。

基于LDA的舆情评论文本主题提取改进研究

基于LDA算法原理,提出了两种对语料库提供先验知识的改进策略。一种为对语料库中特定词性的词汇进行增删以进行相对定向的主题词的提取改进;另一种是针对舆情评论文本与新闻的相关性,引入新闻主题以期提高主题提取词汇的语义表达能力。实验证明,改进对提升舆情评论文本的主题提取准确率有明显效果。

基于生成式对抗网络的互联网评论区舆情检测方法

互联网评论区的数据量庞大,且用户评论的更新速度极快,需要处理的数据量巨大,导致检测互联网评论区舆情的速度较慢,为此研究基于生成式对抗网络(Generative Adversarial Networks,GAN)的互联网评论区舆情检测方法。首先预处理信息,包括去除噪声和标准化文本数据。其次,利用GAN生成模拟的舆情信息,增强模型的泛化能力。再次,提取舆情信息的特征,反映文本的情感倾向和主题内容。最后,通过主题分类算法实现舆情检测,准确判断评论的主题类别和情感态度,为舆情监控和应对提供有力支持。实验结果表明,即使评论数量高达492.6万条,该方法依然能够保持每秒处理475000条评论的速度,具有显著的处理速度优势。