机器学习视域下融合情感元素的社交网络信息交互度量化分析

doi:10.3772/j.issn.1000-0135.2021.07.002

情报学报

2021, Vol. 40

Issue (7): 687-696 DOI: 10.3772/j.issn.1000-0135.2021.07.002

情报分析方法与技术

本期目录 | 过刊浏览 | 高级检索

机器学习视域下融合情感元素的社交网络信息交互度量化分析

马捷^1,2, 郝志远¹

1.吉林大学管理学院，长春 130022
2.吉林大学信息资源研究中心，长春 130022

Quantitatively Analyzing Social Network Information Interaction: Integrating the Emotional Elements from Machine Learning's Perspective

Ma Jie^1,2, Hao Zhiyuan¹

1.School of Management, Jilin University, Changchun 130022
2.Research Center for Big Data Management, Jilin University, Changchun 130022

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (2375 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要数字信息时代，社交网络成为用户聚焦热点话题的讨论平台。为正确引导热点话题在社交网络中的舆情走向，减少信息传播过程中产生的负面影响，本文从交互与信息行为的角度出发，以社交网络中用户的真实评论数据作为研究对象，利用机器学习中的密度峰值聚类算法确认用户的解读倾向类别。同时，参考已有的情感极性值计算方法，融入方差加权信息熵的基本策略，提出了社交网络信息交互度量化模型，通过计算话题不同解读倾向所映射的信息交互度，厘清了热点话题的受热议程度和舆情的演化趋势。实例研究表明，基于情感分析视角构建的信息交互度计量模型，量化了热点话题的信息价值，对于推动互联网健康文明发展，以及加强相关部门的网络监管能力具有重要的理论意义。

	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
	马捷
	郝志远

关键词 ：社交网络, 网络舆情, 情感分析, 信息交互度, 机器学习

收稿日期: 2020-08-13

基金资助:国家社会科学基金重点项目“信息生态视角下智慧城市信息协同结构与模式研究”（17ATQ007）。

作者简介: 马捷，女，1973年生，教授，博士生导师，主要研究方向为信息生态与智慧服务，E-mail：m-1j-1@163.com；郝志远，男，1995年生，博士研究生，主要研究方向为信息协同与信息行；

引用本文:

马捷, 郝志远. 机器学习视域下融合情感元素的社交网络信息交互度量化分析[J]. 情报学报, 2021, 40(7): 687-696.
Ma Jie, Hao Zhiyuan. Quantitatively Analyzing Social Network Information Interaction: Integrating the Emotional Elements from Machine Learning's Perspective. 情报学报, 2021, 40(7): 687-696.

链接本文:

http://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2021.07.002 或 http://qbxb.istic.ac.cn/CN/Y2021/V40/I7/687

1 Bayrakdar S, Yucedag I, Simsek M, et al. Semantic analysis on social networks: a survey[J]. International Journal of Communication Systems, 2020, 33(11): e4424.
2 Costello K L, Veinot T C. A spectrum of approaches to health information interaction: from avoidance to verification[J]. Journal of the Association for Information Science and Technology, 2020, 71(8): 871-886.
3 Buijs M, Spruit M. Asynchronous social search as a single point of access to information[J]. Library Hi Tech, 2017, 35(4): 649-664.
4 Bronstein J, Tzivian L. Perceived self-efficacy of library and information science professionals regarding their information retrieval skills[J]. Library & Information Science Research, 2013, 35(2): 151-158.
5 邓小咏, 李晓红. 网络环境下的用户信息行为探析[J]. 情报科学, 2008, 26(12): 1810-1813.
6 马捷, 孙梦瑶, 尹爽, 等. 微博信息生态链构成要素与形成机理[J]. 图书情报工作, 2012, 56(18): 73-77, 81.
7 杨璐伊, 汪祖柱. 政务微博的危机信息交互效果研究[J]. 大学图书情报学刊, 2018, 36(2): 118-125.
8 孙璐, 李力, 孔英. 信息交互能力的测度及其对竞争优势的影响研究: 基于用户体验的价值共创视角[J]. 管理工程学报, 2018, 32(2): 67-83.
9 王晰巍, 韦雅楠, 邢云菲, 等. 新媒体环境下企业与用户信息交互行为模型及特征研究[J]. 图书情报工作, 2018, 62(18): 6-15.
10 巴志超, 李纲, 毛进, 等. 微信群内部信息交流的网络结构、行为及其演化分析——基于会话分析视角[J]. 情报学报, 2018, 37(10): 1009-1021.
11 易明, 赵锦香, 张展豪, 等. 人类动力学视角下在线社区信息交流行为研究[J]. 情报科学, 2020, 38(8): 3-10.
12 尚丽维, 张向先, 卢恒, 等. 在线社区信息交互关系网络关键节点研究综述[J]. 情报科学, 2020, 38(8): 170-177.
13 胡蓉, 唐振贵, 赵宇翔, 等. 移动经验取样法: 促进真实情境下的用户信息行为研究[J]. 情报学报, 2018, 37(10): 1046-1059.
14 宋筱璇, 刘畅. 学习型搜索中用户信息源选择和使用策略研究[J]. 情报学报, 2019, 38(6): 655-666.
15 Irfan Ali Shah, 王芳. 巴基斯坦政府门户网站公众初始接受的影响因素研究——基于使用意向和执行意向双重视角[J]. 情报学报, 2019, 38(5): 543-556.
16 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: 79-86.
17 Berka P. Sentiment analysis using rule-based and case-based reasoning[J]. Journal of Intelligent Information Systems, 2020, 55(1): 51-66.
18 Sharma A, Ghose U. Sentimental analysis of twitter data with respect to general elections in India[J]. Procedia Computer Science, 2020, 173: 325-334.
19 杨鹏, 杨青, 李志斌, 等. 基于注意力机制的交互式神经网络模型在细粒度情感分类中的应用[J]. 计算机应用与软件, 2020, 37(7): 130-135.
20 林敏鸿, 蒙祖强. 基于注意力神经网络的多模态情感分析[J]. 计算机科学, 2020, 47(S2): 508-514, 548.
21 徐健, 吴思洋. 网络用户评论的情感分歧度量化算法研究[J]. 情报学报, 2020, 39(4): 427-435.
22 Fung T K F, Choi D H, Scheufele D A, et al. Public opinion about biofuels: the interplay between party identification and risk/benefit perception[J]. Energy Policy, 2014, 73: 344-355.
23 Stewart K N, Basic J, Erdelez S. ODI and information literacy: personal information management in a world of information overload[J]. Proceedings of the American Society for Information Science and Technology, 2012, 49(1): 1-4.
24 Rasmussen A, Romeijn J, Toshkov D. Dynamics of regulatory policymaking in Sweden: the role of media advocacy and public opinion[J]. Scandinavian Political Studies, 2018, 41(1): 49-74.
25 高俊峰, 宋绍成. 网络舆情分析及治理的研究进展[J]. 情报理论与实践, 2017, 40(6): 134-138.
26 陈福集, 胡改丽. 网络舆情热点话题传播模式研究[J]. 情报杂志, 2014, 33(1): 97-101, 156.
27 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.
28 陈思菁, 李纲, 毛进, 等. 突发事件信息传播网络中的关键节点动态识别研究[J]. 情报学报, 2019, 38(2): 178-190.
29 张连峰, 王丹, 张海涛. 全景生态视角的微博舆情传播本质: 机理与规律[J]. 情报科学, 2020, 38(8): 16-22, 34.
30 高俊峰. 网络舆情场内领袖型信息受众的观点动员能力测度[J]. 情报科学, 2019, 37(1): 37-42.
31 刘雅婷. 基于城市计算网络的信息交互建模[J]. 中国高新技术企业, 2014(16): 14-15.
32 苗壮, 王亚平. 基于私有云计算的信息交互模型研究[J]. 电子设计工程, 2013, 21(18): 97-100.
33 赵洪钢, 李娴, 时晨, 等. 基于社会感知计算的无线传感器网络信息交互模型[J]. 无线通信技术, 2016, 25(3): 7-12.
34 Kondylidis N, Tzelepi M, Tefas A. Exploiting tf-idf in deep convolutional neural networks for content based image retrieval[J]. Multimedia Tools and Applications, 2018, 77(23): 30729-30748.
35 Rodriguez A, Laio A. Clustering by fast search and find of density peaks[J]. Science, 2014, 344(6191): 1492-1496.
36 孔瑞远, 沈艳丽, 肖桃顺, 等. 基于信息熵的战场信息价值度量模型研究[J]. 中国电子科学研究院学报, 2019, 14(2): 139-145.
37 Wang L M, Hao Z Y, Han X M, et al. Gravity theory-based affinity propagation clustering algorithm and its applications[J]. Technical Gazette, 2018, 25(4): 1125-1135.
38 Wang L M, Hao Z Y, Sun W J. A novel self-adaptive affinity propagation clustering algorithm based on density peak theory and weighted similarity[J]. IEEE Access, 2019, 7: 175106-175115.
39 郭明, 王书满. 基于区域和方向方差加权信息熵的图像融合[J]. 系统工程与电子技术, 2013, 35(4): 720-724.