网络热点事件微博评论中的情感冲突分析

微博已经成为网络热点事件发布、传播以及推动过程的重要媒介,在微博中评论的内容尤为关键,它们可以推动热点事件的发展。微博评论中的情感冲突是网络热点事件中网民表达情感的主要方式。本文选取"玉林狗肉节"的微博评论作为案例,运用ROSTCM软件和文本分析法,采用"词—句—内容—策略"的研究脉络,梳理出情感冲突的内容和策略,发现了基于共识解决情感冲突的可能路径。

基于主题的政务微博评论用户画像研究

[研究目的]构建政务微博评论用户的画像,直观地展现各群体的典型人物特征,有助于了解各群体用户特征和行为之间的关系,对政府改善微博的管理策略有着重要的意义。[研究方法]使用LDA模型挖掘出用户评论中的偏好主题,并得到每个用户偏好主题的概率分布向量,据此计算出用户的相似度,采用多维标度法实现用户群体的分类,最后利用Logistic回归模型提取出各群体用户的典型特征。[研究结论]政府可以根据用户群体的典型特征,向用户精准推送相关的主题内容,增强政民沟通的效率;不同特点的用户群体的评论会发挥出不同的作用,政府应该采取不同的处理方式,增强公众参与的效果。

CGRMB-LDA:面向隐式微博的主题挖掘

由于微博文本短、词量少、语法风格随意的特点,因此微博中包含大量因缺少主题词汇而无法分析话题归属的微博,即隐式微博。提出改进的基于LDA的生成模型考虑评论组和转发微博的CGRMB-LDA模型,利用微博间评论关系、转发关系和上下文关系扩展隐式微博,明确隐式微博的主题归属,采用吉布斯采样的方法来求解模型从而得到主题集和微博所属主题。在真实数据集上的实验表明,CGRMB-LDA模型能有效地对微博特别是隐式微博进行主题挖掘。

基于Co-Training的微博垃圾评论识别方法

微博上大量的垃圾评论对个人、社会,甚至是对国家都会造成不良影响。为对微博中的垃圾评论进行识别,提出基于协同训练的微博垃圾评论识别方法。定义一种基于规则的识别方法过滤出显式垃圾评论,剩余的评论归为相关评论,构建AdaBoost分类器和支持向量机分类器,通过Co-Training算法进行协同训练,判断其是否为垃圾评论,以提高分类精度,节省样本标注工作。实验结果表明,与基于相似度计算的垃圾评论识别方法、基于评论多特征的垃圾评论识别方法相比,该方法具有较好的识别效果。

基于观点场模型的微博评论观点演化趋势预测方法

[目的 /意义]探讨网络舆情事件中群体观点的演变规律,构建有效预测其演变趋势的方法。[方法 /过程]参考物理学中场的思想和信息科学中数据场的方法,引入观点场概念,提出了一种基于观点势的观点潜在影响力评估模型;然后将该模型运用到微博评论的群体观点演化分析中,建立了微博评论的观点趋势预测方法。该方法的基本思想是以当前评论的观点势分布来预测未来评论的观点分布,在观点势计算时,以既有评论的排序值代表新的信息受众所处的参考场点与观点场中既有评论之间的距离。[结果 /结论]通过实际的微博舆情事件数据实验表明,该网络舆情群体观点趋势预测模型能较好地评估已发表的显性观点对后来网民观点形成的影响力,具有较高的网络舆情观点趋势预测准确率。

情绪记忆与娱乐本性对微博表达的影响——一项关于微博评论的个案分析

文章通过对样本微博评论的分析,发现微博评论中一些观点的形成是基于长期记忆而非该条微博的具体事实,研究还发现微博中的言论跟帖并非完全是网民科学认知的理性表达,绝大多数评论内容不仅有情绪化倾向,而且具有调侃、娱乐以及率性、随意的倾向。本研究的另一个发现是评论者在微博评论中的立场表达与该微博用户是否实名、是否加"V"关联度较低。

全要素/全过程视角下的微博评论创新路径

以微博评论全过程为研究对象,通过把微博评论动态环境分割为静态要素来综合考察微博评论的表征和衍生。从主体扮演、驱动机制、认知框架、舆论功能四个方面将微博评论最核心的要素或者要素表现予以抽离,并分别对其面临的现实困境做出反思,最终找出了实现微博评论高效、持续、健康发展的创新路径。

基于支持向量机的微博评论舆情分析

建立微博评论舆论监督机制,对突发事件进行及时的舆情研判,提供科学的舆论引导,是构建和谐社会的必要条件。人工舆情监督效率低、时间滞后,此外,情感分析的粗粒度和忽视情感演化趋势都会影响舆情分析研判的准确性。针对上述问题,文章提出一种基于爬虫和支持向量机的微博评论舆情分析模型。利用Word2Vec模型对样本用例进行训练,再对微博热门新闻评论使用request库进行爬取,接着使用jieba分词并带入模型进行判断,然后使用层次向量机进行情感判断,最后根据统计数据判断舆情趋势走向。通过案例分析,验证微博评论舆情分析模型的有效性。

基于情感主题特征词加权的微博评论聚类算法研究

为了提高微博评论的情感分析聚类效果,提出一种基于情感主题特征词加权的微博评论聚类算法。该算法首先通过定义情感主题词袋提取情感主题词;然后利用语义相似度计算获得情感主题特征词,进一步通过定义情感主题特征词重要度和分布度对其进行加权,充分考虑情感主题特征词对主题的贡献度;最后通过LDA聚类获得加权的情感主题特征词。实验结果表明,该算法表现出较好的情感分析聚类效果,对网络舆情分析有一定的指导作用。

社会管理创新下的微博问政

社会管理创新要求运用现有的知识技术对传统社会管理进行再思考与再设计,而微博问政就是当下中国社会管理创新的一种形式。微博问政在社会管理中能够推动政府信息的公开化,促进公共服务的专业化,增强政府决策制定的科学性,促使公民参与的常态化。但微博问政在发展与运行过程中,存在着现实约束力较低、流于形式,追随大流、网络舆情监测控制难度大、受众面狭窄等现实困境。因此,为了规范和完善创新社会管理下的微博问政要多管齐下进行。

回到原点与重塑终点:微博评论对新闻收受环节的改写

新媒体极大地变革了新闻生产与新闻消费。在阅读新闻的同时,观众也会阅读评论,从接收理论的角度来看,新闻本身是第一文本,而评论是第二文本。短评论文本是受众在接收新闻后再度思考和解读的体现,表现为对新闻文本的补充、扩展、抵抗和解说。受众基于自身期待视野而进行的第二文本创作,与新闻本体共同构成了完整的新闻收受过程,延续了新闻生产的生命力,扩张了受众的认知边界与视野范围,让新闻的意义得到充分的阐释、延展和表达。

基于转发评论的微博语义扩充和分类方法

为了对微博用户、微博文本和微博评论进行分析和研究,提出了一种基于转发评论的微博语义扩充和分类方法.首先在对微博用户类型分析的基础上将微博分为6种类型;然后以信息发布型微博为研究对象,提出了微博评论选择算法,筛选出微博有效评论;再利用基于转发评论的微博语义扩充和分类(comment-based microblog's semantic expansion and classification,CBMSEC)方法,将微博有效评论信息补充进微博语义,改善微博数据稀疏的问题,提高微博的分类性能.

危机语境下微博网评中情感取向的语用研究--以“天津港爆炸事故”为例

文章结合Spencer-Oatey关系管理模式中社交权和义务的相关理论,选取《人民日报》有关"天津港爆炸事故"中消防官兵牺牲的微博报道以及网民对此的评论为语料,分析评论中网民对官方微博报道体现的趋同及趋异情感的语言表现,并探讨评论者和《人民日报》之间情感协商的过程。研究表明,评论者就社交权和义务的管理与官方微博进行协商,从而构建自己趋同或趋异的情感取向。

微博垃圾评论检测与预处理技术

针对发表在微博上评论信息的特点,尤其是那些广大网民用户不愿看到的垃圾评论信息进行了深入研究.归纳了网络上垃圾评论的存在形式和类型,将垃圾评论分为社会网络垃圾评论和普通垃圾评论.为了有效地检测与过滤微博中评论垃圾,提出了一种微博垃圾评论数据预处理的过程和方法,将预处理后的评论信息作为分类和检测的基础.

融合情绪知识的案件微博评论情绪分类

案件微博评论的情绪分类是一个特定领域的情感多分类任务,旨在快速有效地识别海量评论中的情绪,有助于相关部门及时评估舆情风险和制定相关政策.由于传统方法难以有效利用评论中常用的情绪词和表情符号等情绪知识,本文提出一种融合情绪知识的案件微博评论情绪分类方法.首先,整合现有的情感计算资源构建了一个包含案件微博情绪词典、表情符号、网络用语、否定词及程度副词等的情绪知识库.其次,考虑情绪知识库和词性的作用定义了15种情绪知识,通过提出的连续向量表示方法构建评论的情绪知识表示.然后将评论的语义表示和情绪知识表示分别输入一个语义初始化滤波器的卷积神经网络(INIT-CNN)和一个结合注意力机制的全连接网络中,得到深层的语义特征向量和情绪知识表示的注意力特征向量.最后,将两个特征向量进行拼接以融合语义特征和情绪知识特征,训练一个情绪分类模型,称为EK-INIT-CNN(Emotional knowledge enhanced INIT-CNN).在案件微博评论数据集上的实验表明,相比INIT-CNN,EK-INIT-CNN的Macro_Precision、Macro_Recall和Macro_F1指标分别提升了1.87%、1.95%和1.88%.EK-INIT-CNN在NLPCC中文微博情绪分析评测数据集上的性能则超过了目前已知文献中的最好结果.实验证明,该方法能有效地融入外部情绪知识,且相对传统方法在情绪分类任务上具有明显的优势.

微博问政中的公民参与路径研究

随着信息技术的发展,微博成为网络时代的一种高效的媒介,成为沟通公民与政府的载体之一。公民参与微博问政具有主体的多样性、表达的便捷性和互动的开放性等特点。微博问政在现实生活中遭遇约束力低、受众面小、信息碎片化、舆情监控难度大等困境,阻碍了公民有效参与公共事务管理。为了完善公民参与微博问政,建立多中心治理模式,政府必须采取各种措施来有效应对。

基于无指导学习的微博评论分析方法

该文以一种有效的方法寻找出有价值的微博评论,这对于读者更高效地阅读评论,为舆情分析、文本挖掘等任务提供支持,均具有重要的应用价值。针对微博及其评论文本短小、内容发散等特点,该文提出一种基于无指导学习的微博评论分析方法,该方法通过互联网搜索引擎扩展微博文本,基于相关性计算自动构造正负训练用例,生成特定的某条微博评论分类模型,通过该模型对评论的价值性进行评估。实验结果表明,该方法能够比较好地识别出评论的价值。

基于微博平台的用户评论数据采集

微博的热点事件会产生大量评论数据,这些数据是进行舆情分析和网络水军识别等数据挖掘的基础。论文分析对比常用的网络爬虫技术和框架,分别使用Selenium框架和Json数据接口两种方法,采集新浪微博热点事件下的用户评论数据。一般网络爬虫技术多使用广度搜索,这里采用深度搜索,能够更精确地获得某个热点事件下的用户评论数据。

基于AdaBoost的微博垃圾评论识别方法

针对微博上存在的大量垃圾评论,提出一种基于AdaBoost的微博垃圾评论识别方法。该方法首先提取表示微博评论的特征值向量,由8个特征值组成,然后通过AdaBoost算法在这些特征上训练出若干个比随机预测好的弱分类器,最后将得到的弱分类器加权集合成高精度的强分类器。从实际的热门新浪微博中提取评论数据集进行实验,结果表明所选取的8个特征是有效的,该方法对于微博垃圾评论的识别拥有较高的识别率。

基于特征扩展卷积神经网络的案件微博观点句识别

通常的微博观点句识别主要根据微博评论本身是否带有观点来进行判断,而案件微博的观点句识别需要进一步考虑该评论是否讨论与特定案件相关的主题。针对这一任务,该文提出一种结合微博原文进行特征扩展的观点句识别模型。以卷积神经网络分类模型为基本框架,在嵌入层加入案件微博原文中的关键词向量,与对应评论词向量进行拼接;利用扩展的特征进行观点句识别。实验表明,该模型在根据案件微博爬取的两个数据集下准确率分别达到84.74%和82.09%,与现有的基准模型相比有较明显提升。