政务微博评论中情感极性分析方法研究——以上海公安机构微博为例

发布时间：2021-09-19 00:24

　　[目的/意义]研究政务微博评论中的情感极性分析方法,为政务微博情感倾向判断提供依据并为未来情感分析研究指出方向。[方法/过程]基于字典的情感分析方法构建情感极性分析模型,以上海公安机构微博为实例,验证模型的可用性,并分析微博已有属性信息在情感分析中的作用。最后对微博的这些信息以及情感极性进行相关性分析。[结果/结论]本文的情感极性分析模型具有可用性,微博评论量和转发量之间存在着显著正相关性,并且在转发量较低时,评论量与情感极性存在着显著负相关关系。且当微博点赞量大于评论量时,微博内容自身带有正向情感倾向。 

【文章来源】：现代情报. 2020,40(03)CSSCI

【文章页数】：12 页

【部分图文】：

政务微博评论情感分析模型总体框架

微博评论文本主体都是由一些短文本组成,还有很大部分是由个别词组成,所以传统的句法结构分析在评论文本中并不适用,这里直接根据精确模式分词后的词性标注,需要分是否有谓语动词来分析。如果没有谓语动词,即无情感词可匹配,不采取任何操作,或情感极性值记为0;如果有谓语动词,提取评论中的谓语动词来遍历情感词典中的词以判断谓语动词的情感极性得到初步的情感极性判断,然后根据是否含有否定词来重新判断评论的情感极性,最后根据情感词典中的程度词典来赋予极性权重,得出单条评论的情感极性值。在实际处理中,为了追求准确与便捷,也可以用评论句子中的所有词去遍历情感词典,避免词性标注不准确带来的遗漏。之后依次去遍历否定词典和程度词典,得到更有说服力的结论。单条政务微博评论的情感分析简要流程如图2所示。2.4 显式信息分析

从得出的相关系数表中,还可以得出在n<224时,情感极性与评论和转发之间也有较为显著的相关性,但随着样本n的增加,相关性减小。即说明假设二中微博评论情感与点赞、评论和转发都没有直接的相关性。假设二并目前还不能成立,已有的三大属性信息还不能直接代替文本情感分析方法去判断微博评论情感倾向,还需要平台未来提供更多的显式信息。因此对微博和评论做进一步深度分析,用来排除一些个别因素,如单个指标数量极多的情况,本研究进行了分段式回归分析,多次试验后发现以评论量进行分段效果较好,研究在评论量各分段区间内评论、转发和点赞与情感的关系,分析结果如表5所示。当评论量在0～90区间时,仅转发与情感分别在5%和1%水平上显著正相关,而评论和点赞与情感的相关性不显著;当评论量在0～60区间时,评论和转发与情感的相关系数分别为-0.008和0.011,分别在5%和1%水平上显著。当评论量在0～30区间时,评论和转发与情感的相关系数分别为-0.022和0.007,且都在1%水平上显著;当评论量在0～10区间时,评论和转发与情感的相关系数分别为-0.013和0.004,且都在5%水平上显著;即假设三中在转发量较低时评论量与微博评论情感呈负相关关系。

【参考文献】：
期刊论文
[1]基于情感分析的灾害网络舆情研究——以雅安地震为例[J]. 刘雯,高峰,洪凌子.  图书情报工作. 2013(20)
[2]基于情感分析的评论挖掘模型研究[J]. 唐晓波,肖璐.  情报理论与实践. 2013(07)



本文编号：3400627