面向政府部门的网络舆论情感判别研究

发布时间：2021-12-10 20:19

　　[目的/意义]利用网络舆论大数据准确判别公众对不同政府部门的情感倾向,是当前社会计算领域的一个重要研究问题。这对于政府部门有效把握和响应舆情态势,提升公众满意度和信任度具有重要意义。[方法/过程]提出了一种基于深度神经网络的多任务判别模型,通过"卷积网络+残差网络"挖掘新闻文本隐含特征,实现新闻事件关联的政府部门识别,同时通过LSTM网络以及注意力机制,融合新闻文本和用户评论特征,实现公众对政府部门的情感判别。[结果/结论]在测试数据集上的实验表明,与其他基准模型相比,所提模型的部门识别任务和情感判别任务在性能上具有明显优势;公众对科技、国防和公安三类部门的情感满意度较高。 

【文章来源】：情报杂志. 2020,39(08)北大核心CSSCI

【文章页数】：6 页

【部分图文】：

基于深度神经网络的政府部门情感判别模型

政府部门的识别问题更多地与文本中某几个词有关,而文本上下文的关联性对于识别的影响相对较小[10]。本文在CNN序列化建模层设计了卷积网络+残差网络(ResNet)的整体结构(如图2所示),以挖掘新闻文本中的高阶特征表达。基于卷积网络对文本进行建模,就是在文本的词向量序列上进行固定窗口长度的一维卷积运算。通过词嵌入层,当前新闻文本可表示为[e 1 t ,e 2 t ,e 3 t ,…,e n t ]。一次卷积操作就是将卷积核f∈Rl×V作用于长度为l的文本上,得到一个新的特征值gi。通过将卷积核f依次作用于文本窗口上,由初始的文本表示[e 1 t ,e 2 t ,e 3 t ,…,e n t ]便可得到一个全新的特征表示G:

从实验结果来看,我们发现Attention机制对于模型有较大的正向作用。可视化Attention能有助于我们更好理解该机制是如何作用于文本表示,帮助判断情感极性的。图3给出了可视化模型计算出的Attention权重,其中颜色的深度表示各个词在情感判断时的重要程度。颜色越深,表示该词的重要性越高。可以看出,模型的Attention机制可以很好地搜寻出评论文本中对于情感判断关键的词。对于评论文本“唯有科技强国,中国梦,我们的梦”,模型认为词语“强”“梦”对于这句评论的情感判断比较重要,这是符合我们的直观认知的。从图中的例子c和d与可以发现,除了能很好判断出这些情感词外,Attention机制也让模型拥有了理解否定词(不)和程度词(非常)的能力。

【参考文献】：
期刊论文
[1]基于社会化媒体的公共政策舆情预测研究[J]. 王亚民,宁静,马续补.  情报理论与实践. 2019(01)
[2]基于主题和情绪相互作用的微博舆情演化研究——以“红黄蓝虐童事件”为例[J]. 姜金贵,闫思琦.  情报杂志. 2018(12)
[3]基于公众感知的政府公信力影响因素分析[J]. 吕维霞,王永贵.  华中师范大学学报(人文社会科学版). 2010(04)
[4]政府公信力:价值、指标体系及其实现途径——兼论我国诚信政府建设[J]. 舒小庆.  南昌大学学报(人文社会科学版). 2008(06)



本文编号：3533324