基于词向量的微博情感倾向分类研究

[目的/意义]微博已成为大众情感表达的重要平台,微博的情感分析在舆情分析、用户体验、商机挖掘等方面有着重要的作用。[方法/过程]提出的情感倾向分类算法WE_SDAE使用单词嵌入的方式将微博表示成一个低维稠密向量,然后通过添加正则项和加噪处理的方式将基本的自动编码器算法优化成深层噪音自动编码器,并在顶层添加分类器,实现情感倾向分类。考虑到微博用词灵活,还从单字和词语两个粒度训练模型。[结果/结论]实验结果表明,基于单字粒度的模型表现优于基于词语粒度的模型。此外,对比实验显示WE_SDAE算法优于传统的SVM、Naive-Bayes、XgBoost等相关算法;单词嵌入的方式优于传统的向量空间模型表示方法,能在微博情感分析中取得较好的效果。     

基于字词向量的多尺度卷积神经网络微博评论的情感分类模型及实验研究

[目的/意义]微博评论情感分类模型可以为相关舆情监管部门正确管控话题事件的发展状况和舆情提供一定的指导作用。[方法/过程]基于字词向量的多尺度卷积神经网络，运用多尺度卷积核改善微博评论中上下文信息有限的条件制约，构建基于字词向量的多尺度卷积神经网络微博评论情感分类模型；通过爬取"微博热搜整改"数据，对模型的可行性和优越性进行验证。[结果/结论]验证结果表明基于字词向量的多尺度卷积神经网络在微博舆情等上下文信息有限的短文本分类任务中表现良好。本文在理论层面为微博舆情情感分类提供了更为准确的情感分类理论模型及分类方法，在实践层面可以更好地指导舆情监管部门对舆情的情感倾向进行更好的引导和监管。     

记忆的“情感”:南京大屠杀微博叙事的情感分析

记忆叙事中总是存在或显或隐的情感表达。对侵华日军南京大屠杀遇难同胞纪念馆过去十余载的微博叙事所进行的属性级情感分析发现：这些大屠杀记忆叙事的演进具有鲜明的“时期性”与“热点时刻”效应;情感的结构与共现网络均以积极情感为主;某些情感类别存在显著的“层级”与“时期”差异;情感的持有者与对象存在一种“具化受害者、概化加害者”的倾向。对纪念馆微博的考察既可拓宽大屠杀媒介叙事研究的视野,也可由此揭示媒介类型与其叙事样态之间的关联。     

Web文本情感分类研究综述

对用户发表在Web上的评论进行分析,能够识别出隐含在其中的情感信息,并发现用户情感的演变规律.为此,本文对Web文本情感分类的研究进行综述.将情感分类划分为三类任务:主客观分类、极性判别和强度判别,对各自的研究进展进行总结.其中将情感极性判别的方法分为基于情感词汇语义特性的识别和基于统计自然语言处理的识别方法.分析了情感分类中的语料库选择和研究难点.最后总结了情感分类的应用现状,并指出今后的研究方向.     

基于文本情感分类的网络推手识别

网络推手识别研究在净化网络环境、监测网络舆论导向等领域有广阔的发展前景。采用文本情感倾向分析方法进行网络推手识别,通过分析信息发布者的情感倾向,统计正面情感信息与负面情感信息的比重,确定该信息发布者是否是网络推手。重点讨论信息抽取及情感分类相关技术的实现,并验证方法的可行性。     

基于微博平台的公众情感分析

微博是一种在线交流形式,以其简短、方便和及时性在中国成为2011年的一个热点.本文以新浪微博为平台,通过抽取2011年7月23日"动车事故"发生后公众发表的微博并进行情感分析.提取了六维情感类(期待,高兴,喜爱,惊讶,焦虑,悲伤,生气和憎恨),构建了用于情感分析的模糊情感本体,建立了微博文本的影响力和情感计算方法,对"动车事故"后的公众情感随事态发展的变化进行了探讨.     

自动情感文本分类研究综述

情感分类及其应用是目前研究的一个热点,是自然语言处理,机器学习和心理学等多学科交叉的研究课题,在很多领域都有实际的应用,如产品的声誉分析,舆情跟踪,博客兴趣分析等.论文对情感分类目前国内外的研究概貌进行了分析,将现有文献中的研究方向分为四个类别,并对这四个类别分别进行了描述,对情感分类中的关键问题进行了研究,提出了情感分类的一般框架,最后对目前研究中存在的不足进行了讨论,对情感分类研究的发展方向进行了展望.     

基于 RAE+Dropout 相结合的微博情感分析

文本情感分析是近年自然语言处理领域的研究热点之一,其中微博情感分析受到了学术界和企业界的广泛关注。微博情感分析是指对用户针对某一事件发表的言论进行正向、负向和中性情感的判定。本文在分析了标准RAE 模型缺点的基础上,提出了一种基于RAE+Dropout 的联合模型。该模型利用Dropout 技术有效地预防过拟合问题的发生,同时也提高了模型训练速度。RAE+Dropout 模型与RAE+ 词性选择模型、标准RAE 模型以及SVM 模型的对比实验结果表明：RAE+Dropout 模型的准确率和F1 值属于最优,比标准RAE 模型的准确值和F1 值高出0.82% 和0.64%,尤其是在高维词语向量中RAE+Dropout 模型的效果更加明显。     

新浪微博中的“上海垃圾分类”议题文本挖掘研究——基于Python Snow NLP的舆情分析

本文依托新浪微博2019年6月12日至7月1日期间共计1.7万条微博博文,以python语言在情感分析中的应用为基础,对"上海垃圾分类"的相关讨论展开舆情分析。研究发现:网民对垃圾分类的讨论整体上是正面态度,并且呈现出波动向好的局面;对垃圾分类的讨论议题具有多元化、理性化的特点,对上海市实行垃圾分类规定的负面情绪化表达并不显著。     

基于神经网络的数据安全话题文本分类研究——以新浪微博为例北大核心CSSCI

文章首先对已有关于开放数据安全问题的研究进行综述,将其划分为数据安全的法律政策、技术和策略意识三个研究方面,基于此分类将微博作为数据来源进行检索,对相关主题的微博文本数据进行编码分类,并引入神经网络方法建立数据安全相关话题的分类系统,验证该分类及系统的可靠性,从而提高在微博平台进行数据安全相关话题舆情研究的检索质量和效率,及时有效地掌握公众对于数据安全话题的动态。     

基于多特征融合的中文情感分类方法研究

提出一种具有特征级别的领域特征集合的情感资源挖掘方法,将基于HowNet词典的分类法构建的情感特征与基于机器学习的特征分类方法中的无内容特征以及领域特征相融合,并将该集合放入支持向量机中进行情感分类实验,实验结果表明,使用抽取模式以及多特征融合的分类方法,可增强中文情感分类效果,验证两种分类方法综合研究的正确性与有效性,弥补目前特征级别的中文情感分类研究的不足.     

停用词表对基于SVM的中文文本情感分类的影响

运用非结构化信息挖掘,对网络评论情感进行分析是一个非常重要的方法。本文基于Web客户评论情感文本,在情感文本预处理过程中使用四种不同的停用词表,采用两种不同的特征选择方法,选用著名的TF-IDF权重计算方法,使用基于RBF核函数的支持向量机方法的分类器实现了对携程网上采集的4000个酒店客户评论情感文本的分类研究。通过实验,分析了不同特征选择方和停用词表的使用对客户评论文本情感分类的影响,提出了基于情感文本分类的有效的停用词表。     

基于情感分析的网络财经媒体通货膨胀预期研究

使用自然语言处理技术对网上财经文章进行与通货膨胀有关的情感分析,实验结果发现,使用无监督词典方法获得的系统分析结果,具有与通货膨胀显著相关关系,但提前期不明显;使用基于专家意见的监督训练方法获得的系统结果,相较通货膨胀具有1-3个月的提前期,能够为通货膨胀预期的度量提供实质性的支持,从而可以用于辅助宏观经济管理以及微观经济决策。     

基于LDA模型和微博热度的热点挖掘

分析传统LDA模型在进行微博热点挖掘时所得概率结果抽象且难以结合实际解释的缺点;考虑到微博本身的数据特点和信息论中信息量的观点,提出微博热度的概念,并将其引入到LDA模型的热点挖掘研究中,构建基于微博热度的LDA模型;通过API采集微博数据上的实验,证明新方法与旧方法具有相同的性能,而且能得到更直观的微博热度表,并得出更具有说服力的挖掘结论。     

基于特征本体的微博产品评论情感分析

[目的/意义] 微博平台产品评论的特征级情感分析问题具有其特殊性,为了对特征分类,解决隐式特征的识别问题,并分析特征情感,提出一种基于特征本体的产品评论情感分析方法。[方法/过程] 该方法利用构建的特征本体对特征词分类,通过计算情感词与特征的搭配权重来识别隐式特征,并构建领域情感词典和微博表情符号词典,计算微博产品评论的特征情感极性和强度。[结果/结论] 构建方法模型,通过采集微博评论数据设计实验,验证了提出方法的有效性。     

停用词表对中文文本情感分类的影响

本文利用三种特征选择方法、两种权重计算方法、五种停用词表以及支持向量机分类器对汽车语料的文本情感类别进行了研究.实验结果表明,不同特征选择方法、权重计算以及停用词表,对文本情感分类的影响也不尽相同;除形容词、动词和副词外的其余词语作为停用词表以及不使用停用词表对情感分类作用较大,得到的分类结果比较好;总体上,采用信息增益和布尔型权重进行中文文本情感分类的效果较好.     

采用实时线性模型的微博话题预警分析

[目的/意义]微博在当前信息传播中起着重要作用,为有效预测微博热点及舆情导控,建立实时线性预警模型。[方法/过程]将采集的指标进行缺失值和异常值的处理后,对微博话题热度与大V影响力因子进行因子分析与逐步回归的比较,筛选出公共影响因子;再对其加权,探索不同权重调节因子下的最佳定量公式;用此公式每次输入当前时刻起前3小时的数据,预测当前时刻起后30分钟的加权值对应的话题词,每隔10分钟重新更新一遍参数。[结果/结论]实验证明该预测模型能大大降低数据采集解析和预测时间,保持较好的准确率,并可通过选择合适的阈值,进一步提升精确度。