CN109710917B - 一种基于印象矩阵的朋友圈隐藏情感分析方法 - Google Patents

Abstract

本发明涉及一种基于印象矩阵的朋友圈隐藏情感分析方法，属于微信朋友圈文本情感分析领域，主要解决朋友圈内容发布者隐藏情感分析的问题，具体实现步骤是：1)挑选采集的朋友圈数据中仅通过文本内容难以进行情感标识判定的所有朋友圈，用集合U表示；2)对集合U中的每一条朋友圈u_k∈U，计算其发布者p_i的朋友圈印象矩阵I，然后结合u_k发送时所设置的对各个标签分组的人的可见参数向量G，计算朋友圈u_k对应的隐藏情感向量R＝G*I，基于隐藏情感向量R判定朋友圈u_k的隐藏情感极性；3)重复执行步骤2)，直到输出集合U中所有朋友圈的隐藏情感极性。本发明有利于提高朋友圈隐藏情感分析的准确率。

Description

一种基于印象矩阵的朋友圈隐藏情感分析方法

技术领域

本发明属于文本情感分析领域，特别涉及一种基于印象矩阵的朋友圈隐藏情感分析方法。

背景技术

社交软件为民众发表意见和交流情感提供了经济便捷的渠道。一般来说，用户在社交软件中发表的言论通常比较简短却又包含着丰富的个人情感与主观倾向性。如何高效挖掘这些短文本中蕴含的个人情感是当前的研究热点。因此，文本情感分析技术正愈加吸引来自人工智能、数据挖掘、自然语言处理等不同领域研究者的广泛关注，其实质是对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程。

微信，作为国内最流行的即使通讯软件和社交软件，其包含的朋友圈也成为了微信好友间进行意见和情感交流的主要网络渠道。与微博等其他社交软件不同，微信是基于真实人际关系的社交平台，其联系人大多在线下也是自己相识的人。正因为此，不同于微博等社交软件内容相对随意的发布，朋友圈的内容发布更类似于一种个人网络形象的构建和管理，即每条朋友圈的发布通常都带有一定的意图，即使某几条朋友圈文本内容本身并没有明显的情感表示，但其背后则可能隐藏着发布者本人想到表达的某些情感。例如深夜时间发布在同事标签分组的朋友圈“下班回家”，文字本身并不带任何感情色彩，但发布者的意图是希望同事或是领导能够看到甚至赞扬自己的辛苦加班工作，带有主观积极的色彩。

朋友圈的隐藏情感分析是一个难题。事实上，微信联系人存在不同的标签分组，在发朋友圈前，选择或是屏蔽某个标签分组联系人的行为，已经带有了某种感情倾向，例如发在“同事”分组的朋友圈，有更大的概率与展示自己积极的工作态度有关；发在“好友”分组则更多地展示自己或快乐或消极的生活状态；而发在“家人”组则更多地展示自己的悲欢离合，或者为了让家人少担心而呈现出“报喜不报忧”的特征。上述这些都与发布者希望在他人心中留下的个人印象有关，而这也为基于印象管理的朋友圈隐藏情感分析提供了手段。

发明内容

发明目的：本发明提供一种基于印象矩阵的朋友圈隐藏情感分析方法，通过发布者的朋友圈印象矩阵计算，结合某条朋友圈发送时对各个标签分组的人的可见参数向量设置，计算该条朋友圈对应的隐藏情感向量，据此给出其隐藏情感标识。

技术方案：

一种基于印象矩阵的朋友圈隐藏情感分析方法，包括以下步骤：

步骤1，定义朋友圈的情感极性为积极或消极两种情形，挑选采集的朋友圈数据中仅通过文本内容难以进行情感标识判定的所有朋友圈，用集合U表示；

步骤2，设集合U中共有n条朋友圈，则对U中的每一条朋友圈u_k∈U(1≤k≤n)，计算其发布者p_i的朋友圈印象矩阵I，然后结合u_k发送时所设置的对各个标签分组的人的可见参数向量G，计算朋友圈u_k对应的隐藏情感向量R＝G*I，基于隐藏情感向量R判定朋友圈u_k的隐藏情感极性；

步骤3，重复执行步骤2，直到输出集合U中所有朋友圈的隐藏情感极性。

进一步地，所述步骤2为：

步骤2a，若朋友圈u_k的发送者为p_i，计算p_i的朋友圈印象矩阵I，计算方法描述如下：设p_i的所有联系人共设置有m个标签分组，对于每个标签分组q(1≤q≤m)，计算历史情感向量

和近期情感向量

其中

表示历史朋友圈积极情感比重，

表示历史朋友圈消极情感比重，

表示近期朋友圈积极情感比重，

表示近期朋友圈消极情感比重，对应计算公式为：

其中，N_h、N_hpos、N_hneg分别表示时刻T之前发送者p_i发表的标签分组q(1≤q≤m)可见的朋友圈总数、积极情感朋友圈总数以及消极情感朋友圈总数，N_r、N_rpos、N_rneg分别表示时刻T到当前时刻这段时间内发送者p_i发表的标签分组q(1≤q≤m)可见的朋友圈总数、积极情感朋友圈总数以及消极情感朋友圈总数；据此形成发送者p_i的印象矩阵

其中I为m行2列矩阵，α、β分别为历史预设权值和近期预设权值；

步骤2b，对于朋友圈u_k，用可见参数向量G＝[g₁ g₂ ... g_q ... g_m]表示其对各个标签分组的人是否可见，其中g_q＝1表示朋友圈u_k设置为标签分组q(1≤q≤m)的人可见，g_q＝0则表示标签分组q(1≤q≤m)的人不可见；计算朋友圈u_k对应的隐藏情感向量R＝G*I＝[r_pos r_neg]，r_pos和r_neg是大于零的实数，r_pos表示朋友圈u_k的隐藏情感极性为积极的可能性，r_neg表示朋友圈u_k的隐藏情感极性为消极的可能性；

步骤2c，对于朋友圈u_k及其计算得到的隐藏情感向量R＝[r_pos r_neg]，若满足条件r_pos≥r_neg，则判定u_k的隐藏情感极性为积极，若满足条件r_pos＜r_neg，则判定u_k的隐藏情感极性为消极。

进一步地，时刻T设置为距离当前时刻30天的时刻。

进一步地，α、β分别设置为0.4和0.6。

有益效果：针对朋友圈隐藏情感分析难度大的问题，通过发布者的朋友圈印象矩阵计算，结合朋友圈发送时对各个标签分组的人的可见参数向量设置，计算朋友圈对应的隐藏情感向量，据此给出其隐藏情感标识，提高情感分析准确率。

附图说明

图1为本发明的一种基于印象矩阵的朋友圈隐藏情感分析方法的流程图。

具体实施方式

下面结合附图对本发明作进一步说明：

参照图1，为本发明的一种基于印象矩阵的朋友圈隐藏情感分析方法的流程图；该基于印象矩阵的朋友圈隐藏情感分析方法包括以下步骤：

步骤1，定义朋友圈的情感极性为积极或消极两种情形，挑选采集的朋友圈数据中仅通过文本内容难以进行情感标识判定的所有朋友圈，用集合U表示；

步骤2，设集合U中共有n条朋友圈，则对U中的每一条朋友圈u_k∈U(1≤k≤n)，计算其发布者p_i的朋友圈印象矩阵I，然后结合u_k发送时所设置的对各个标签分组的人的可见参数向量G，计算朋友圈u_k对应的隐藏情感向量R＝G*I，基于隐藏情感向量R判定朋友圈u_k的隐藏情感极性；

步骤2a，若朋友圈u_k的发送者为p_i，计算p_i的朋友圈印象矩阵I，计算方法描述如下：设p_i的所有联系人共设置有m个标签分组，对于每个标签分组q(1≤q≤m)，计算历史情感向量

和近期情感向量

其中

表示历史朋友圈积极情感比重，

表示历史朋友圈消极情感比重，

表示近期朋友圈积极情感比重，

表示近期朋友圈消极情感比重，对应计算公式为：

其中，N_h、N_hpos、N_hneg分别表示时刻T之前发送者p_i发表的标签分组q(1≤q≤m)可见的朋友圈总数、积极情感朋友圈总数以及消极情感朋友圈总数，N_r、N_rpos、N_rneg分别表示时刻T到当前时刻这段时间内发送者p_i发表的标签分组q(1≤q≤m)可见的朋友圈总数、积极情感朋友圈总数以及消极情感朋友圈总数，时刻T设置为距离当前时刻30天的时刻；据此形成发送者p_i的印象矩阵

其中I为m行2列矩阵，α、β分别为历史预设权值和近期预设权值，分别默认设置为0.4和0.6，近期所发朋友圈的情感权重大于历史所发朋友圈的情感权重；

步骤2b，对于朋友圈u_k，用可见参数向量G＝[g₁ g₂ ... g_q ... g_m]表示其对各个标签分组的人是否可见，其中g_q＝1表示朋友圈u_k设置为标签分组q(1≤q≤m)的人可见，g_q＝0则表示标签分组q(1≤q≤m)的人不可见；据此计算朋友圈u_k对应的隐藏情感向量R＝G*I＝[r_pos r_neg]，r_pos和r_neg是大于零的实数，r_pos表示朋友圈u_k的隐藏情感极性为积极的可能性，r_neg表示朋友圈u_k的隐藏情感极性为消极的可能性；

步骤2c，对于朋友圈u_k及其计算得到的隐藏情感向量R＝[r_pos r_neg]，若满足条件r_pos≥r_neg，则判定u_k的隐藏情感极性为积极，若满足条件r_pos＜r_neg，则判定u_k的隐藏情感极性为消极。

步骤3，重复执行步骤2，直到输出集合U中所有朋友圈的隐藏情感极性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于印象矩阵的朋友圈隐藏情感分析方法，其特征在于，包括以下步骤：

步骤1，定义朋友圈的情感极性为积极或消极两种情形，挑选采集的朋友圈数据中仅通过文本内容难以进行情感标识判定的所有朋友圈，用集合U表示；

步骤2，设集合U中共有n条朋友圈，则对U中的每一条朋友圈u_k∈U，其中1≤k≤n，计算其发布者p_i的朋友圈印象矩阵I，然后结合u_k发送时所设置的对各个标签分组的人的可见参数向量G，计算朋友圈u_k对应的隐藏情感向量R＝G*I，基于隐藏情感向量R判定朋友圈u_k的隐藏情感极性，具体包括以下步骤：

步骤2a，若朋友圈u_k的发送者为p_i，计算p_i的朋友圈印象矩阵I，计算方法描述如下：设p_i的所有联系人共设置有m个标签分组，对于每个标签分组q,其中1≤q≤m，计算历史情感向量

和近期情感向量

其中

表示历史朋友圈积极情感比重，

表示历史朋友圈消极情感比重，

表示近期朋友圈积极情感比重，

表示近期朋友圈消极情感比重，对应计算公式为：

其中，N_h、N_hpos、N_hneg分别表示时刻T之前发送者p_i发表的标签分组q可见的朋友圈总数、积极情感朋友圈总数以及消极情感朋友圈总数，N_r、N_rpos、N_rneg分别表示时刻T到当前时刻这段时间内发送者p_i发表的标签分组q可见的朋友圈总数、积极情感朋友圈总数以及消极情感朋友圈总数，积极情感朋友圈总数、消极情感朋友圈总数是标签分组q可见的朋友圈总数的子集；据此形成发送者p_i的印象矩阵

其中I为m行2列矩阵，α、β分别为历史预设权值和近期预设权值；

步骤2b，对于朋友圈u_k，用可见参数向量G＝[g₁ g₂ ... g_q ... g_m]表示其对各个标签分组的人是否可见，其中g_q＝1表示朋友圈u_k设置为标签分组q的人可见，g_q＝0则表示标签分组q的人不可见；计算朋友圈u_k对应的隐藏情感向量R＝G*I＝[r_pos r_neg]，r_pos和r_neg是大于零的实数，r_pos表示朋友圈u_k的隐藏情感极性为积极的可能性，r_neg表示朋友圈u_k的隐藏情感极性为消极的可能性；

步骤2c，对于朋友圈u_k及其计算得到的隐藏情感向量R＝[r_pos r_neg]，若满足条件r_pos≥r_neg，则判定u_k的隐藏情感极性为积极，若满足条件r_pos＜r_neg，则判定u_k的隐藏情感极性为消极；

步骤3，重复执行步骤2，直到输出集合U中所有朋友圈的隐藏情感极性。

2.如权利要求1所述的一种基于印象矩阵的朋友圈隐藏情感分析方法，其特征在于，时刻T设置为距离当前时刻30天的时刻。

3.如权利要求1所述的一种基于印象矩阵的朋友圈隐藏情感分析方法，其特征在于，α、β分别设置为0.4和0.6。

Images