新冠肺炎疫情微博用户情感与主题挖掘的协同模型研究

doi:10.3772/j.issn.1000-0135.2021.03.001

情报学报

2021, Vol. 40

Issue (3): 223-233 DOI: 10.3772/j.issn.1000-0135.2021.03.001

专题约稿

本期目录 | 过刊浏览 | 高级检索

新冠肺炎疫情微博用户情感与主题挖掘的协同模型研究

王晰巍^1,2,3,4, 李玥琪¹, 刘婷艳¹, 张柳¹

1.吉林大学管理学院，长春 130022
2.吉林大学大数据管理研究中心，长春 130022
3.吉林大学网络空间治理研究中心，长春 130022
4.吉林大学东北振兴研究院，长春 130022

Research on the Collaborative Model of Sentiment Analysis and Topic Mining of Micro-blogging Users in the Context of COVID-19

Wang Xiwei^1,2,3,4, Li Yueqi¹, Liu Tingyan¹, Zhang Liu¹

1.School of Management, Jilin University, Changchun 130022
2.Research Center for Big Data Management, Jilin University, Changchun 130022
3.Research Center of Cyberspace Governance, Jilin University, Changchun 130022
4.Academy of Northeast Revitalization, Jilin University, Changchun 130022

摘要
图/表
参考文献
相关文章 (1)

全文: PDF (3691 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要本文主要研究针对新冠肺炎疫情期间的舆情事件，了解用户的情感及其关注主题，帮助相关舆情监管部门更好地提升舆情引导能力。本文基于认知情感评价模型，构建情感与主题挖掘协同分析模型，采用朴素贝叶斯模型（Naive Bayesian Model，NBM）对用户情感文本进行分类，并基于Relevance公式改进的LDA（Latent Dirichlet Allocation）主题模型进行主题提取。本文以新冠肺炎疫情期间“日本钻石公主号邮轮”典型舆情话题为例，进行网民情感及评论主题内容协同分析，并结合舆情事件周期和4种主题类型，对其情感特征及用户关注主题进行实证分析。研究结果表明，本文提出的情感与主题挖掘协同分析模型，能够在舆情事件发展生命周期内呈现网民情感及关注的主题特征；并且情感与主题协同分析的方法，可为舆情监管部门提高舆情引导效率，为实现网络生态治理起到一定的指导作用。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	王晰巍
	李玥琪
	刘婷艳
	张柳

关键词 ：新冠肺炎疫情, 用户情感, 主题挖掘, 协同模型

收稿日期: 2020-04-30

基金资助:国家社会科学基金重大项目“大数据驱动的社交网络舆情主题图谱构建及调控策略研究”（18ZDA310）。

作者简介: 王晰巍，女，1975年生，教授，研究员，博士生导师，主要研究方向为社交媒体网络舆情和信息行为，E-mail:wxw_mail@163.com；李玥琪，女，1995年生，博士研究生，主要研究方向为网络舆情及用户信息行为；刘婷艳，女，1989年生，博士研究生，主要研究方向为网络舆情；张柳，女，1992年生，博士研究生，主要研究方向为网络舆；

引用本文:

王晰巍, 李玥琪, 刘婷艳, 张柳. 新冠肺炎疫情微博用户情感与主题挖掘的协同模型研究[J]. 情报学报, 2021, 40(3): 223-233.
Wang Xiwei, Li Yueqi, Liu Tingyan, Zhang Liu. Research on the Collaborative Model of Sentiment Analysis and Topic Mining of Micro-blogging Users in the Context of COVID-19. 情报学报, 2021, 40(3): 223-233.

链接本文:

http://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2021.03.001 或 http://qbxb.istic.ac.cn/CN/Y2021/V40/I3/223

1 Rexiline Ragini J, Rubesh Anand P M, Bhaskar V. Mining crisis information: a strategic approach for detection of people at risk through social media analysis[J]. International Journal of Disaster Risk Reduction, 2018, 27: 556-566.
2 Vo B K H, Collier N. Twitter emotion analysis in earthquake situations[J]. International Journal of Computational Linguistics and Applications, 2013, 4(1): 159-173.
3 Kaur W, Balakrishnan V, Rana O, et al. Liking, sharing, commenting and reacting on Facebook: user behaviors’ impact on sentiment intensity[J]. Telematics and Informatics, 2019, 39: 25-36.
4 Xiong X, Li Y Y, Qiao S J, et al. An emotional contagion model for heterogeneous social media with multiple behaviors[J]. Physica A: Statistical Mechanics and Its Applications, 2018, 490: 185-202.
5 张柳, 王晰巍, 王铎, 等. 微博环境下高校舆情情感演化图谱研究——以新浪微博“高校学术不端”话题为例[J]. 现代情报, 2019, 39(10): 119-126, 135.
6 任中杰, 张鹏, 李思成, 等. 基于微博数据挖掘的突发事件情感态势演化分析——以天津8·12事故为例[J]. 情报杂志, 2019, 38(2): 140-148.
7 安璐, 欧孟花. 突发公共卫生事件利益相关者的社会网络情感图谱研究[J]. 图书情报工作, 2017, 61(20): 120-130.
8 廖海涵, 王曰芬, 关鹏. 微博舆情传播周期中不同传播者的主题挖掘与观点识别[J]. 图书情报工作, 2018, 62(19): 77-85.
9 王凯, 潘玮, 杨宝华. 基于OTSRM模型的话题情感演化分析[J]. 情报学报, 2019, 38(5): 534-542.
10 朱晓霞, 宋嘉欣, 孟建芳. 基于动态主题—情感演化模型的网络舆情信息分析[J]. 情报科学, 2019, 37(7): 72-78.
11 夏一雪. 基于舆情大数据的网民情感“衰减—转移”模型与实证研究[J]. 情报杂志, 2019, 38(3): 148-154.
12 Blei D M, Ng A Y, Jordan M I. Latent dirichlet allocation[J]. Journal of Machine Learning Research, 2003, 3(1): 993-1022.
13 Liu X, Burns A C, Hou Y J. An investigation of brand-related user-generated content on Twitter[J]. Journal of Advertising, 2017, 46(2): 236-247.
14 Karami A, Dahl A A, Turner-McGrievy G, et al. Characterizing diabetes, diet, exercise, and obesity comments on Twitter[J]. International Journal of Information Management, 2018, 38(1): 1-6.
15 Rosen-Zvi M, Griffiths T, Steyvers M, et al. The author-topic model for authors and documents[C]// Proceedings of the 20th Conference on Uncertainty in Artificial Intelligence. Arlington: AUAI Press, 2004: 487-494.
16 张培晶, 宋蕾. 基于LDA的微博文本主题建模方法研究述评[J]. 图书情报工作, 2012, 56(24): 120-126.
17 Blei D M, Lafferty J D. Dynamic topic models[C]// Proceedings of the 23rd International Conference on Machine Learning. New York: ACM Press, 2006: 113-120.
18 Lau J H, Collier N, Baldwin T. On-line trend analysis with topic models: #twitter trends detection topic model online[C]// Proceedings of COLING 2012. The COLING 2012 Organizing Committee, 2012: 1519-1534.
19 Loia V, Senatore S. A fuzzy-oriented sentic analysis to capture the human emotion in Web-based content[J]. Knowledge-Based Systems, 2014, 58: 75-85.
20 徐琳宏, 林鸿飞, 潘宇, 等. 情感词汇本体的构造[J]. 情报学报, 2008, 27(2): 180-185.
21 《知网》情感分析用词语集[EB/OL]. [2020-03-27]. http://www.keenage.com/download/sentiment.rar.
22 Taiwan University Semantic Dictionary[EB/OL]. [2020-03-27]. http://nlg18.Csie.ntu.edu.tw:8080/opinion/publ.html.
23 Pang B, Lee L, Vaithyanathan S. Thumbs up?: sentiment classification using machine learning techniques[C]// Proceedings of the ACL-02 Conference on Empirical Methods in Natural Language Processing. Stroudsburg: Association for Computational Linguistics, 2002, 10: 79-86.
24 王晰巍, 张柳, 文晴, 等. 基于贝叶斯模型的移动环境下网络舆情用户情感演化研究——以新浪微博“里约奥运会中国女排夺冠”话题为例[J]. 情报学报, 2018, 37(12): 1241-1248.
25 范涛, 吴鹏, 曹琪. 基于深度学习的多模态融合网民情感识别研究[J]. 信息资源管理学报, 2020, 10(1): 39-48.
26 王晰巍, 邢云菲, 韦雅楠, 等. 大数据驱动的社交网络舆情用户情感主题分类模型构建研究——以“移民”主题为例[J]. 信息资源管理学报, 2020, 10(1): 29-38, 48.
27 张柳, 王晰巍, 黄博, 等. 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[J]. 图书情报工作, 2019, 63(18): 99-108.
28 Nguyen N K, Le A C, Pham H T. Deep bi-directional long short-term memory neural networks for sentiment analysis of social data[C]// Proceedings of the International Symposium on Integrated Uncertainty in Knowledge Modelling and Decision Making. Cham: Springer, 2016: 255-268.
29 Ortony A, Clore G L, Collins A. The cognitive structure of emotions[M]. Cambridge: Cambridge University Press, 1988.
30 金占勇, 田亚鹏, 白莽. 基于长短时记忆网络的突发灾害事件网络舆情情感识别研究[J]. 情报科学, 2019, 37(5): 142-147, 154.
31 郭尚波. 个性化情感建模方法的研究[D]. 太原: 太原理工大学, 2008.
32 Adam C, Herzig A, Longin D. A logical formalization of the OCC theory of emotions[J]. Synthese, 2009, 168(2): 201-248.
33 吴鹏, 李婷, 仝冲, 等. 基于OCC模型和LSTM模型的财经微博文本情感分类研究[J]. 情报学报, 2020, 39(1): 81-89.
34 徐源音, 柴玉梅, 王黎明, 等. 基于OCC模型和贝叶斯网络的情绪句分类方法[J]. 计算机科学, 2020, 47(3): 222-230.
35 李静梅, 孙丽华, 张巧荣, 等. 一种文本处理中的朴素贝叶斯分类器[J]. 哈尔滨工程大学学报, 2003, 24(1): 71-74.
36 Sievert C, Shirley K E. LDAvis: a method for visualizing and interpreting topics[C]// Proceedings of the Workshop on Interactive Language Learning, Visualization, and Interfaces. Stroudsburg: Association for Computational Linguistics, 2014: 63-70.
37 百度指数. “钻石公主号”百度指数[EB/OL]. [2020-08-03]. http: //index.baidu.com/v2/main/index.htm.
38 微博搜索. “钻石公主号”话题搜索[EB/OL]. [2020-08-03]. https://s.weibo.com/topic?.
39 罗闯, 安璐, 徐健, 等. 突发事件网络舆情关注点演化研究——基于利益相关者视角[J]. 图书馆学研究, 2018(16): 36-42.
40 贾亚敏, 安璐, 李纲. 城市突发事件网络信息传播时序变化规律研究[J]. 情报杂志, 2015, 34(4): 91-96, 90.
41 易承志. 群体性突发事件网络舆情的演变机制分析[J]. 情报杂志, 2011, 30(12): 6-12.
42 Pourebrahim N, Sultana S, Edwards J, et al. Understanding communication dynamics on Twitter during natural disasters: a case study of Hurricane Sandy[J]. International Journal of Disaster Risk Reduction, 2019, 37: 101176.
43 王树义, 廖桦涛, 吴查科. 基于情感分类的竞争企业新闻文本主题挖掘[J]. 数据分析与知识发现, 2018, 2(3): 70-78.
44 Qu Y, Huang C, Zhang P Y, et al. Microblogging after a major disaster in China: a case study of the 2010 Yushu earthquake[C]// Proceedings of the ACM 2011 Conference on Computer Supported Cooperative Work. New York: ACM Press, 2011: 25-34.
45 吴江, 赵颖慧, 高嘉慧. 医疗舆情事件的微博意见领袖识别与分析研究[J]. 数据分析与知识发现, 2019, 3(4): 53-62.
46 Hagen L, Keller T, Neely S, et al. Crisis communications in the age of social media: a network analysis of Zika-related tweets[J]. Social Science Computer Review, 2018, 36(5): 523-541.