群体性突发事件互联网舆情传播干预机制的研究

发布时间：2020-10-28 08:40

　　 伴随互联网的迅速发展和社会的日益进步,日积月累的社会矛盾在互联网背景下传播、扩散,使得原本濒临爆发的群体性事件被无限放大,造成网络舆情传播速度更快,影响范围更广,同时具有更高的危害性。在突发事件网络舆情的传播过程中,找到事件爆发的“激化”边界,并确定在“激化”边界之后起关键作用的信息传播节点,对实现突发事件网络舆情的及时干预,有效降低突发事件带来的不良社会影响具有重要价值。微博是突发事件网络舆情传播的主要介质,用户通过发布带有明显情感倾向的帖子来交流对事件发展的看法和态度。这种情感倾向对事件发展的态势具有较强的指引作用,影响网络舆情的发展和走向。这使得在突发事件网络舆情的分析过程中,通过融入对舆情发展情感倾向的分析,更有助于捕捉事件网络舆情的发展态势,从而辅助相关部门及时实现对事件发展的监控和干预。本文以微博平台为主要的数据源,在探讨如何更好地实现微博文本细粒度多元情感分类的基础上,分析事件相关舆情多元情感的分布演化规律,结合舆情的地域分布特性实现对突发事件舆情发展“激化“边界的识别;同时,对突发事件舆情传播网络结构进行发掘,得到事件舆情的主要传播者,结合多元情感分析,识别在事件舆情传播中,需重点监控和干预的关键传播者。具体研究内容如下:(1)基于word2vec与扩充情感词典的微博细粒度多元情感分类。该研究将深度学习方法引入进来,实现微博文本情感词的向量化表达,通过考察情感词的上下文语境信息,提升微博文本多元情感分类的效果,更细致地捕捉微博文本所体现的网民的真实情感。结合微博文本中用以表达特定情感的情感符号,提取微博文本中特有的表达情感的特征词,实现对现有的多元情感词典的扩充;引入word2vec模型训练扩充情感词典中的情感词,得到情感词的分布式表达,以解决情感词典不能有效考虑上下文语境的问题,并最终实现微博文本句子级别的多元情感分类,为后续基于情感分析的突发事件临界点和关键节点识别奠定基础。(2)基于多元情感分析的突发事件“激化”时间点识别。对突发事件发展过程各时间窗口内的微博帖子进行细粒度多元情感分类,得到各时间窗口内网民对于事件舆情的多元情感倾向;结合各时间窗口下事件相关网民发帖的地域分布特性,综合考察事件舆情在各时间窗口下每一元情感的影响范围和演化特性,以发掘影响事件舆情发展态势的主要情感倾向,得到突发事件舆情发展的”激化“时间点。实验结果发现在多元情感中,网民对事件舆情展现出的“愤怒”和“悲伤”情感与事件发展的演化规律趋同,有助于识别突发事件爆发的“激化”时间点。(3)基于用户综合影响力的突发事件干预节点挖掘。在确定突发事件“激化”时间点的基础上,结合微博发帖用户属性以及帖子自身属性,利用变异系数计算属性权重,确定用户在事件舆情发展过程中的综合影响力,识别事件网络舆情的主要传播者。对主要传播者发布的事件相关微博帖子进行多元情感分析,考察主要传播者对事件舆情的情感倾向,识别呈“愤怒”和“悲伤”情感的主要传播者,作为重要的干预节点,辅助相关管理部门实行有针对性的监管和干预。综上,本文主要探讨了多元情感分析技术在群体性突发事件网络舆情干预管理中的应用。通过对突发事件网络舆情的多元情感分析,有助于获取网民呈现的不同情感倾向对事件发展态势的预示和影响作用。这为相关部门提前把握事件发展态势,识别事件爆发的“临界点”,获取影响事件舆情传播的主要传播者,并在此基础上采取合理的方式对事件舆情进行有效地干预提供了一定的理论支持。
【学位单位】：东北林业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：D631.43;D669
【部分图文】：

ＣＢ０Ｗ模型使用当前词的上下文词汇作为输入，输出当前词的词向量；Ｓｋｉｐ－??Ｇｒａｍ?模型则与之相反，输入的是当前词，输出的是其上下文词汇的词向量。其中，??ＣＢ０Ｗ与Ｓｋｉｐ－Ｇｒａｍ模型原理示意图如图２－６所示。在生成词向量的过程中，模型使用??ＣＢ０Ｗ?或?Ｓｋｉｐ－Ｇｒａｍ?定义输入输出，再基于?Ｈｉｅｒａｒｃｈｉｃａｌ?Ｓｏｆｔｍａｘ?或?Ｎｅｇａｔｉｖｅ?Ｓａｍｐｌｉｎｇ??－１６－??

微博多元情感??分类??图３－１微博多元情感分类流程??３．２数据准备??从新浪微博ＡＰＩ随机获取近３６０万条微博文本，数据采集时间为２０１７年５月１７日??至８月２２日，并按照下述的预处理过程利用停用词典完成对文本的预处理，将处理后??的语料标记为尸，作为情感词典扩充和训练ｗ〇ｒｄ２ｖｅＣ模型的语料数据。在语料Ｐ中，??选取其中的１４，０００条文本进行人工多元情感标注，作为细粒度多元情感分类的训练用语??料，将其标记为ｉ？语料集。其中表３－１为停用词典的部分数据：??－２１－??

?０．８６９６??￣＂图３－６进一步给出了?Ｋ＝３下四组实验的微博文本多元情感分类的分类性能。其中：??Ｐ?＝?Ｐｒｅｃｉｓｉｏｎ，?Ｒ?＝?Ｒｅｃａｌｌ，Ｆ?＝?Ｆ?－?ｍｅａｓｕｒｅ。??从图３－６可以看出，本文对于情感词典的扩充以及利用ｗｏｒｄ２ｖｅｃ训练情感词词向??量都在一定程度上提升了多元情感分类的效果。其中，实验（４）相比于其他三种方法??取得了更佳的分类效果，其准确率、召回率和Ｆ值相对于实验（１）分别提高了??６．０６％、６．５３％、６．３％。分别对比实验（１）和（２）、实验（３）和（４）可以发现，扩充??后的情感词典相对于原词典的分类性能都大约提升了?３％左右。说明本文提出的情感词??典的扩充方法可以在一定程度上覆盖到足够多的微博文本中的情感词，继而在一定程度??上提升情感分类的效果。通过对比实验（１）和（３）、实验（２）和（４），可以发现??Ｗ〇ｒｄ２ｖｅＣ训练情感词词向量使得多元情感分类性能提升了?４％左右。这说明
【参考文献】

相关期刊论文 前10条

1 李素科;蒋严冰;;基于情感特征聚类的半监督情感分类[J];计算机研究与发展;2013年12期

2 仝鹏;王珂;;新媒体时代突发事件网络舆情的干预机制探究[J];电子制作;2013年12期

3 高伟;王中卿;李寿山;;基于集成学习的半监督情感分类方法研究[J];中文信息学报;2013年03期

4 孙艳;周学广;付伟;;基于主题情感混合模型的无监督文本情感分析[J];北京大学学报(自然科学版);2013年01期

5 唐超;;网络情绪演进的实证研究[J];情报杂志;2012年10期

6 林江豪;阳爱民;周咏梅;陈锦;蔡泽键;;一种基于朴素贝叶斯的微博情感分类[J];计算机工程与科学;2012年09期

7 康伟;;基于SNA的突发事件网络舆情关键节点识别——以“7·23动车事故”为例[J];公共管理学报;2012年03期

8 兰月新;董希琳;陈成鑫;;地方政府应对网络舆情能力评估和危机预警研究[J];现代情报;2012年05期

9 张一文;齐佳音;方滨兴;李欲晓;;基于贝叶斯网络建模的非常规危机事件网络舆情预警研究[J];图书情报工作;2012年02期

10 王子文;马静;;网络舆情中的“网络推手”问题研究[J];政治学研究;2011年02期

相关硕士学位论文 前3条

1 李继红;基于情感计算的网络舆情预警研究[D];南昌大学;2016年

2 周强;基于深度学习与主题模型的问句相似度计算[D];北京理工大学;2016年

3 刘凌之;政务微博对突发事件信息传播的干预研究[D];贵州财经大学;2015年

本文编号：2859853