网络舆情热点事件的情感倾向分析与演变过程研究

摘要

随着web2.0时代的到来以及互联网技术的日趋成熟，社交网络包括移动社交网络的发展势头十分迅猛，社交网络平台也成为用户接收、发布和传播信息的重要工具。然而，互联网的不可触摸性以及虚拟性，不能完全保证微博信息的质量，包括其真实性与信息量。换句话说，在社交网络平台上进行舆情分析，面临着一定的困难和挑战，主要表现在以下几个方面:(1)文本短小精悍，特征词数量不足却语义丰富，难以实现语义识别，基于词袋模型或特征空间向量模型的文本表示方法均会造成稀疏矩阵问题;(2)网络用户在社交网络上发布的评论往往篇幅短小，一个句子包含多个主题;主题特征提取难度较大，进而影响情感分析判断;(3)网络时代的瞬息万变使得用户对某一信息的情感变得更为动态多元，在社交网络平台上传播的消息瞬息万变，但相关的舆情分析软件智能化程度并不高。
　　针对当前社交网络环境下舆情分析存在的问题，本文从主题模型出发，提出一个针对社交网络短文本的舆情分析的解决方案。考虑到主题情感混合模型已成功应用于文本挖掘领域，在话题演变、个性化推荐、舆情分析等方面具有重要的理论和实际价值。鉴于此，本文提出动态主题情感混合模型， TSTS(Time-aware Short-textTopic-Sentiment Model)。首先，针对社交网络短文问题，本文以“词对共现”的方式进行文本建模，以此解决短文本稀疏问题，但同时为了保证文本之间的相关性以及降低模型的时间复杂度，模型将“共现词对”约束在同一则文档内部;其次，本文融入情感计算方法，遵循原有的主题模型情感假设，将同一词对的情感分布约束在同一情感分布内;最后，社交网络文本自身具有明显的时效性，根据文本本身带有的时间信息，因此TSTS模型也融入时间因子，模拟主题特征词随时间变化与情感随时间变化的过程曲线。
　　为了验证本文提出模型的可行性和正确性，本文以2017年初微博平台上的热点事件“云南丽江打人案件”、“北京野生动物园老虎伤人案”、“国足vs韩国”以及“山东辱母杀人案”为关键字进行微博数据爬取，设计了三个实验分别从定性和定量的角度对TSTS模型在主题特征词抽取、情感分析以及时间变化方面进行评估。实验结果表明，TSTS模型相较于传统的主题模型具有更好的实验效果。

目录

摘要

图目录

表目录

第1章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 国内网络舆情热点事件研究现状

1．2．2 国外网络舆情热点事件研究现状

1．2．3 存在的问题及发展趋势

1．3 本文工作

1．4 论文结构

第2章 相关研究综述

2．1 话题跟踪与检测技术

2．2 相关的主题模型

2．2．1 面向短文本的主题模型

2．2．2 主题情感混合模型

2．2．3 融入时间因子的主题演变模型

2．3 Gibbs采样

2．4 本章小结

第3章 融入时间因子的短文本主题情感混合模型(TSTS)

3．1 TSTS模型的设计

3．2 TSTS模型生成文本过程描述

3．3 模型推理

3．4 本章小结

第4章 实验设计及结果分析

4．1 实验设计

4．1．1 实验数据集与预处理

4．1．2 实验环境

4．1．3 情感字典

4．1．4 参数设置

4．1．5 评估指标

4．2 实验结果与分析

4．2．1 主题词发现

4．2．2 情感极性计算

4．2．3 主题-情感演变过程曲线描述

4．3 本章小结

5．1 总结

5．2 展望

参考文献

附录

致谢

声明