融合公众情绪的上海城市形象感知分析

城市形象对于促进城市健康发展十分重要,纳入公众参与的城市形象研究十分必要。本文将公众情绪纳入城市感知研究框架,利用基于迁移学习的中文全词覆盖双向编码模型(BERT-WWM)的情感分类方法、情感倾向指数和语义分析模型,对上海签到原创微博进行分析,探索上海城市形象感知。结果表明:(1)由城市情感形象感知分析可知,上海整体城市情感形象积极,市民在城市商业、文旅、生活活跃区域更易产生不同城市情感形象感知;(2)由城市认知形象感知分析可知,使上海产生积极认知形象的源头主要是城市文旅;使上海产生消极认知形象的源头主要是城市天气、城市交通、生活压力等;非常规时事热点事件会在短期内得到大规模关注,从而影响该时间段内的城市认知形象。融合公众情绪的上海城市形象感知分析既能更好地了解某一阶段市民对所在城市获得感、幸福感、安全感的真实表达,又能更好地为今后长期的城市规划与治理提供合理的参考。

多维视角下新一代人工智能技术的公众感知研究

[研究目的]社交媒体评论是分析研判公众对新技术应用态度感知的重要对象,为突破传统文本主题挖掘技术的随机性弊端以及情感分析技术的单一性限制,提升文本数据量化分析的精准性以及实现更佳的可视化效果,亟需构建新的主题模型方法与情感分析手段。[研究方法]通过建立结构性融合的深度学习模型——BERT-LDA模型,以ChatGPT微博评论文本为研究对象,利用BERT和LDA分别提取文本的复杂语义信息和关键主题,实现了对深度隐藏主题特征的挖掘,并基于BERT情感分析,从整体、主题和态度多维度视角设计了情感演化的可视化分析。[研究结论]研究表明,BERT-LDA模型能够高效处理大规模、短文本、非结构的社交媒体评论数据,成功识别出公众对ChatGPT在就业教育、未来发展、产品开发、技术变革等不同领域带来影响的态度差异;与传统主题识别模型(LDA、TF-IDF、BERT)相比,BERT-LDA模型在主题识别效果和泛化能力上表现更优,尤其体现在对关键主题和重要词汇的精准挖掘能力上;公众对ChatGPT的认知态度并不统一,表现出赞誉与质疑并存的复杂情绪。

基于爬虫和TFIDF-NB算法的微博情感分析

针对微博网络舆情信息量大、无规则、随机变化的特点,提出TFIDF-NB(Term Frequency Inverse Document Frequency-Naive Bayes)用于微博情感分析,设计与实现了一个基于Scrapy框架的微博评论爬虫,将某热点事件的若干条微博评论进行爬取并存进数据库,然后进行文本分割、LDA(Latent Dirichlet Allocation)主题聚类,最后使用TFIDF-NB算法进行情感分类。实验结果表明,TFIDF-NB算法平均准确率高于线性支持向量机算法和K近邻算法,在精确率和召回率方面高于K近邻算法,具有较好的情感分类效果。

重大突发事件微博舆情演化分析——以“天津大爆炸事故”为例

重大突发事件发生后,以微博为主的新媒体平台已成为网民获取相关信息和交流的主要渠道。对重大突发事件微博舆情演化进行分析,能够为政府舆情应对提供参考。采用Python第三方库jieba进行分词,基于TF-IDF进行热点提取,采用SnowNLP进行情感分析,从而对舆情演化趋势、情感演化及热点等进行分析,将微博舆情演化划分为五个阶段。以“天津大爆炸事故”为例,分析不同阶段下的微博舆情热点及网民情感,提出相应的政府应对建议。

基于新浪微博的2017年四川九寨沟7.0级地震舆情情感分析

地震等重大自然灾害发生后,越来越多的民众通过网络来获取和发布灾情信息、表达个人观点和情感等,产生了海量的地震灾害网络数据。首先简要综述了针对地震灾害网络数据的相关研究;然后以2017年四川九寨沟7.0级地震为例,基于新浪微博数据,分析了社会民众对于此次地震事件表现出的情感倾向特征,结果显示:75.30%的博文表现了积极情感倾向;最后通过对不同情感倾向博文的内容分析,总结了影响网民情感波动的主要因素。

基于微博交互关系算法的敏感舆情研究

传统的敏感舆情模型中,不论是基于文本或是数据挖掘的分析方法都是直接处理网络舆情,未结合网络传播特性分析。针对上述问题,研究并采用基于微博交互关系算法:通过量化微博的敏感程度,分析用户的交互关系来构建微博敏感舆论传播模型。实验基于新浪微博,搜索到一定数量的敏感用户,对用户的交互行为进行分析,得到未来有发表敏感舆论倾向的用户并进行监控。实验结果证明,与传统的舆情模型相比,该方法可行且有效,开拓了舆情分析思路,适用于当前网络舆情研究。

网络舆情对新冠疫情下青少年情感态度的分析

研究青少年的网络评论对新冠疫情的情绪语义表达,了解其对待新冠疫情期间突发事件的态度,可以为我国相关心理机构制定青少年心理预防、干预政策提供参考依据。选取青少年获取疫情信息和展示心理状态的主要平台新浪微博及“人民日报”、“央视新闻”等官方微博中新冠疫情热搜评论为数据,通过挖掘青少年对医护人员、职能部门、新冠病毒三个方面的评论特征,生成可视化图形,分析疫情期间青少年关注点和情感态度,构建新冠疫情聚类主题,了解不同主题下情感差异。研究表明:(1)在新浪微博平台上,青少年群体对待新冠疫情期间随机事件表现出不同的应激心理和情绪。(2)面对新冠病毒,与2020年相比,2021年持积极情感的青少年上升了10%,持消极情感下降了11.7%。(3)医护人员、志愿者的英雄事迹是青少年产生积极情感的主要因素,政府服务部门初期探索没有达到预期结果、新冠病毒没特效药是青少年产生消极情绪的主要原因。

基于新浪微博数据的东航MU5735坠毁事件舆情热度演化及情感分析

采用一种结合关键词提取和机器学习的情感分析方法对东航MU5735坠毁事件相关的部分微博数据进行情感分析,统计、分析坠机事件发生后的微博热搜话题数据。研究发现,东航MU5735坠毁事件的舆情热度演化整体上遵守生命周期理论,不过该类突发性网络舆情通常表现为热度迅速升高,舆情迅速进入成长期和爆发期,潜伏期往往很短。公众对该事件以中性情感为主,消极情感次之。本文还结合传播学、心理学、社会学、统计学多角度对舆情进行解读。

基于社交网络大数据的民众情感监测研究

近年来,新浪微博、推特等社交网络平台逐渐成为反映社会舆情的主要载体之一,为网民发表观点和表达情绪提供了便利。基于社交网络大数据的舆情监控已经成为新的研究热点,利用各国的社交网络大数据进行民众情感监测,有助于直接掌握国际关系中的民众情感倾向,对我国外交、对外贸易等方面都有很重要的作用。基于此,提出了一种面向中日语料的民众情感监测系统,该系统能够同时分析新浪微博和推特等社交平台的中日文语料数据中包含的情感倾向,并以可视化的形式展现给用户。情感分析算法方面,在BERT模型基础上结合自扩展的中日文情感词典,提出了一个新的情感分析模型——EmoBERT。实验结果表明,相比于原始BERT模型,EmoBERT模型在中文情感分类任务和日文情感分类任务上都取得了很好的表现。其中中文模型EmoBERT-C将中文BERT模型准确率从89.68%提升至92.15%,日文模型EmoBERT-J将日文BERT模型准确率从74.73%提升至78.26%。

“线上学习”舆情分析与在线教学提升策略

"线上学习"作为教育热点话题,是引发全民参与讨论的公共事件,极易形成网络舆情。为了分析微博用户对"线上学习"的舆论情况,用网络爬虫软件在微博上爬取有关博文数据,对得到的舆情信息运用文本分析的方法,探究"线上学习"网络舆情的传播情感倾向。研究结果表示:微博用户对"线上学习"的舆论热议话题是围绕着教学和疫情防控;面对"线上学习"主流舆论表现出积极正向的情感,希望疫情期间也能顺利实现"停课不停学"的举措。

基于词典的微博评论情感分析研究

笔者融合多个词典建立情感词典,根据建立的规则计算文本情感极性,并对不含情感词的语句情感值计算进行了讨论,最终得到一套基于情感词典的情感倾向性分析方法,实现了文本的情感归类。在分析文本词频、情感比例及其时序变化的基础上,探究评论舆情导向和时序发展特征。使用微博评论数据进行实验,发现整体上正面情感占主导地位,网民情绪呈现随着事件发布短时间波动后逐渐趋于稳定的特点。

舆情事件中媒体微博报道对公众情绪表达的影响

微博凭借其强大影响力成为公众在网络舆论场中抒发己见的重要平台,微博中媒体报道对公众情绪产生着影响。以微博中某主流媒体关于“成都49中事件”报道为例,运用内容分析法分析微博报道内容,利用Python获取微博评论,综合运用心理学和计算机研究领域对情绪分类的方法进行情绪分析,通过相关分析和回归分析验证报道主题对公众情绪的影响。研究发现事件评析和坠亡过程主题对公众情绪具有正面影响,案情发布和善后工作主题对公众情绪具有负面影响。根据结论探析事件背后的社会危境,并从议程构建理论出发提出公众应勿让情绪代替理智,相关部门在通报时应做到详细、公开、透明,媒体在报道事件时应不失实、不失语和不失真。

广电网络舆情分析架构与微博文本情感分析研究

网络舆情分析对于广播电视和网络视听传播影响力分析有着重要的作用和意义,情感分析是网络舆情研究中的重要组成部分。本文首先网络舆情和情感分析与广电突发事件间的关系,随后给出广电的网络舆情分析架构,在此架构下,提出一套基于BERT进行微博文本的情感分析方法,对涉及网络舆情情感的统计指标进行分析,并结合近期两个网络舆情实例,参考百度搜索指数与网页搜索结果进行深入分析,情感分析结果与上述参考数据基本一致。

基于词典和表情符号的微博舆情情感分析研究

微博中携带着的情感对社会发展的影响越来越重要,通过对微博文本的情感分析,可以对网络舆情做出正确判断和及时决策。基于SO-PMI算法对现有情感词典进行扩充,并构建了程度副词、否定词、双重否定词、表情符号词典。首先爬取特定话题的微博文本,进行预处理和分词,然后基于构建的词典计算文本的情感值,并使用可视化方法展示网民的情感状况和关键词。

基于新浪微博爬虫的高校网络舆情监控的研究与实现

伴随着社交化媒体平台的广泛传播,以微博、微信为首的新型社交化平台正日益普及。与此同时,用户参与到网络中的交互信息也逐渐增多。针对高校校园的社交化媒体平台的内容有限性、情感集中性、主体单一性等特点,本文提出了双层组合策略的情感倾向性研究方案。通过爬虫定时抓取高校微博的评论文本,从挖掘到的文本中进行情感信息抽取、分类、归纳,得到针对热点词的评价意见,以方便高校管理者及时了解校园热点信息和学生群体针对热点信息的情感倾向性结果。实验中采用了双层特征值情感倾向性研究方案,与传统的采用单一的文本特征作为判别情感倾向性的依据相比,充分利用了高校微博情感集中性来进行聚类分析,使基于高校舆情的分析更加准确。

历史性城市景观特征对公众情绪感知的影响机制及时空异质性研究——以中国浙江省绍兴古城为例

本文提出了“历史性城市景观-认知-情绪”分析框架,从历史性城市景观(HUL)遗产本体价值、城市功能价值和城市景观价值三个维度,结合语义分析、时空立方体等方法,通过中国绍兴古城案例,揭示了历史性城市景观环境特征对公众情绪感知的影响机制及其时空异质性。研究发现,不同的HUL特征对公众情绪感知的影响具有异质性;同一HUL特征在不同的时间(工作日与节假日)和空间中,对公众情绪的影响也表现出不同的模式。在节假日,公众情绪感知更受到与遗产本体价值相关的特征的影响,而在工作日,由于公众活动的性质发生变化,城市功能价值类特征对公众情绪的影响更加显著,城市景观价值对公众情绪感知的正面影响也更为突出。本研究旨在为提升公众在城市空间中的感知和情绪体验、识别历史城市的潜在空间改善机会提供科学参考。

重大突发公共卫生事件下的公众情感演进分析:基于新冠肺炎疫情的考察

【目的】对重大突发公共卫生事件背景下公众在社交媒体中的情感表达进行分析,揭示疫情期间公众情感的时空差异、不同主题下的情感演化以及情感的跨地域扩散。【方法】利用主题模型提炼潜在话题与关键词群,从全局视角和主题视角探究公众情感演进趋势,并使用社交传播模型描述公众情感的跨地域扩散。【结果】疫情期间公众以积极情感为主,消极情感呈现“恶”的情感主导、“惧”的情感先发、“哀”的情感反复等特征;疫区距离与经济水平导致公众情感存在空间差异。同时,情感表达及演化趋势因受时空变化、主题/事件区别等影响而具有一定规律的差异。此外,公众情感的地域扩散强度受空间关系和疫情严重性的双重影响。【局限】面向纯文本信息,无法对多模态信息如视频、图片等进行综合性分析。【结论】重大突发公共卫生事件下,公众在社交媒体上的情感表达及演化趋势受时空差异、主题差异等影响,并存在一定的地域扩散规律。这提示疫情防控要结合特定时期、特定地域采取差异化策略,关注不同主题类型对情感的关联性影响,同时注重疫情防控与舆情监控的区域统筹与合作,以实现对舆情的积极引导和公众情感的有效疏解。

疫情心理时空距离对公众情绪的影响研究——基于新冠肺炎疫期微博文本面板数据的计算分析

流行性传染病危机发生时疫情信息如何影响公众情绪是一个兼具理论与现实意义的重要问题。解释水平理论认为,心理距离是影响解释水平也即社会认知的关键。以该理论为视角,挖掘新冠肺炎疫情初期甘肃、青海与西藏三个省级行政区微博文本形成面板数据进行情感分析、词频分析及GLS、GMM估计模型分析发现:第一,在一定的地理概念范围内,疫情心理空间距离并不存在对公众情绪的固定影响;第二,由于启动效应与图式加工两种认知机制的共同作用,疫情心理时间距离的缩短会导致公众情绪变得更加负面,存在"情绪下沉效应";此外,特定时间出现的疫情相关新闻事件也会导致公众情绪产生相应的波动,存在"情绪脉冲效应"。

面向不同用户群体的社交媒体台风舆情演化分析及对比研究

社交媒体数据可以为台风灾害追踪、灾时救援和灾情评估提供及时有效的信息。现有研究常采用主题建模和情感分析等技术对台风期间社交媒体平台(如新浪微博等)舆论话题和情感变化进行研究。在省域范围内以小时为时间粒度的多维度有效性论证尚有欠缺,且在舆情分析时未能区分用户群体差异。本文以台风"利奇马"为例,在浙江省域范围内,以新浪微博数据为研究对象,首先从词频分析、台风关注度时空变化以及特定灾害事件响应3个角度探讨了微博数据对台风灾情响应的有效性;其次采用隐含狄利克雷分布(Latent Dirichlet Allocation,LDA)主题模型技术挖掘微博文本主题信息,并根据Louvain算法对主题社团进行划分;然后开发了一种基于自定义情感词典的情感分析方法用于情感指数计算,与SnowNLP相比情感倾向性预测精度得到了提高;最后分析了台风期间官方和民众在新浪微博平台上的话题关注以及情感演变差异。结果表明:(1)在省级范围内,微博数据能有效反映台风动态和灾害时空分布;(2)台风事件微博文本的主题变化反映了灾情不同阶段舆论关注点的动态变化;(3)官方微博文本比民众微博文本具有更明确的主题社团结构;(4)台风事件相关微博文本中的消极情绪在台风登陆后显著增加,其中民众微博文本对台风灾害的情绪响应更及时,官方微博文本中的情感表达始终相对积极。

基于微博核心实体的情感分析方法及引导机制研究

【目的/意义】微博作为国内主要的社交网络平台之一,其信息传播实时快速,去中心化,成为网络舆情传播的重要媒介。面向微博进行舆情中心人物的识别以及公众情绪的挖掘对网络舆情的控制具有重要的实践意义。【方法/过程】本文以新疆棉花事件为例,使用生命周期法对微博舆情演化过程进行划分,使用word2vec和k-means模型提取事件生命周期中各阶段的舆情中心人物,采用一种结合词典与LSTM深度学习模型的情感分析方法,对各舆情中心人物相关的评论情感进行极性分析。【结果/结论】所提出的方法能够挖掘面向特定事件的微博舆情中心人物、公众的情感类型及情感强度,得到能够使舆情转好的引导方法。【创新/局限】本文创新性的将主题挖掘方法运用于微博舆情中心人物的提取。在情感分析方法上,结合词典和深度学习方法,解决了深度学习方法进行情感分析时需人工标注的局限性。此外,本文进行情感值计算时没有考虑到表情符号的作用,后续研究会进一步考虑更加细粒度的情感分类。