CN110941759A - 一种微博情感分析方法 - Google Patents

一种微博情感分析方法 Download PDF

Info

Publication number
CN110941759A
CN110941759A CN201911142590.0A CN201911142590A CN110941759A CN 110941759 A CN110941759 A CN 110941759A CN 201911142590 A CN201911142590 A CN 201911142590A CN 110941759 A CN110941759 A CN 110941759A
Authority
CN
China
Prior art keywords
emotion
microblog
negative
word
positive
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911142590.0A
Other languages
English (en)
Other versions
CN110941759B (zh
Inventor
张国威
胡汤磊
杨杰
诸葛瑜亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guoyuan Securities Co Ltd
Original Assignee
Guoyuan Securities Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guoyuan Securities Co Ltd filed Critical Guoyuan Securities Co Ltd
Priority to CN201911142590.0A priority Critical patent/CN110941759B/zh
Publication of CN110941759A publication Critical patent/CN110941759A/zh
Application granted granted Critical
Publication of CN110941759B publication Critical patent/CN110941759B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/951Indexing; Web crawling techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/243Classification techniques relating to the number of classes
    • G06F18/24323Tree-organised classifiers
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种微博情感分析方法,爬取微博数据,计算微博情感值;将与股市相关的微博进行标签分类;使用Smote的随机森林模型对获得的新微博数据进行类别预测;使用基于Smote的随机森林算法对每篇微博的情感分类。本发明对微博情绪进行分析时,当消极情绪相对较高时,恰逢大盘(上证指数)呈现出某种程度的下跌,微博情绪表现与大盘趋势是较一致的,大盘趋势也可以通过情绪波动来展现。微博看多看空,可以作为服务项目,提供给客户做决策参考。股市外围数据分析对研究媒体与证券市场之间的相互影响关系,帮助投资者去掉投机心理、树立投资理念都有着重要的作用。

Description

一种微博情感分析方法
技术领域
本发明涉及一种社交媒体对股市影响的分析方法,尤其涉及的是一种微博情感分析方法。
背景技术
在Web2.0时代的主流网络社交平台中,微博已经成为广大互联网用户最为喜爱的社交工 具之一。在以速度和效率为标准的信息时代,微博不仅为网络用户提供了跨越时间和距离的即 时通讯互动平台:同时微博还为网络用户提供了表现自我、表达情感和展现个性的动态展示 平台。微博消息每时每刻都在不断更新,不计其数的带有情感信息的微博文本,使得针对微博 进行情感分析的研究成为可能。
微博相比于博客,其内容只是由简单的只言片语组成,而且在语言的编排组织上没有博 客数据规范,字数限制在140以内,提取准确的信息则更为困难;微博最大特点是:发布信 息快速,信息传播速度快,存在关注和互相关注的行为,影响力的评判是需要探究的;而且 微博内容具有一定的随意性,情感的表露是直接的,但并不是关注的大V发表的每一条微博 都与股市相关,需要按照关键字如“股市”、“股票”、“证券”、“阳线”等做出筛选。
发明内容
本发明所要解决的技术问题在于:如何根据微博数据进行有效的投资指导,提供了一种 微博情感分析方法。
本发明是通过以下技术方案解决上述技术问题的,本发明包括以下步骤:
(1)爬取微博数据,计算微博情感值;
(2)将与股市相关的微博进行标签分类;
(3)使用Smote的随机森林模型对获得的新微博数据进行类别预测;
(4)使用基于Smote的随机森林算法对每篇微博的情感分类具体如下:
(41)对于第j篇微博,假设其转发量为rj,评论量为cj,点赞量为zj,定义该篇微 博的热度ωj计算公式为:
Figure BDA0002281362590000011
(42)若第i个大V在一段时期内发表与股市相关的微博共mi篇,则该大V在该时期通 过发表微博传递的三种情感分别为:
Figure BDA0002281362590000021
Figure BDA0002281362590000022
Figure BDA0002281362590000023
消极情感、无情感、积极情感三种类别概率分别为p-1j、p0j、p1j
(43)记第i个大V在该时期的关注人数为focusi,粉丝人数为fansi,发微博总数为weiboi, c1、c2为给定的常数,在评价大V影响力
Figure BDA0002281362590000024
时,定义如下:
Figure BDA0002281362590000025
Figure BDA0002281362590000026
Fansi=fansi
Figure BDA00022813625900000210
(44)微博平台上n个大V的整体情感指标为:
消极情绪指标Qbad
Figure BDA0002281362590000027
无情绪指标Qave
Figure BDA0002281362590000028
积极情绪指标Qgood
Figure BDA0002281362590000029
所述步骤(1)包括以下步骤:
(11)建立情感字典,包括积极消极字典,程度词字典,否定词字典,以及表情词语字 典;
(12)计算微博情感值:假设积极消极情感词S对应的权重Si,表情符号SS对应的权重 为SSi,每篇微博经过切词、清洗等后获取到m1个积极消极情感词,m2种不同的表情词,且第i种表情词的个数为ni
若有m(≤m1)个积极消极情感词之前仅出现权重为Wi的程度词修饰,则该篇微博的情感 值Ok为:
Figure BDA0002281362590000031
若有m(≤m1)个积极消极情感词之前仅出现权重为Wi no的否定词修饰,则该篇微博的情感 值Ok为:
Figure BDA0002281362590000032
若有m(≤m1)个积极消极情感词之前既有权重为Wi的程度词修饰,又有权重为Wi no的否定 词修饰,则该篇微博的情感值Ok为:
Figure BDA0002281362590000033
所述步骤(2)中,将与股市相关的微博人工划分为三大类:
第一类是表达对股市积极情绪的微博,情感标签设置为1,第二类是表达对股市消极情 感的微博,情感标签设置为-1,第三类是未表达情感观点的微博,情感标签设置为0。
选取基于Smote的随机森林算法对原始样本做分类,分类器中训练样本的自变量按照情 感分析字典设计的权重程度,基于所述计算情感值的方法获取的,即:分别对不同类型、不 同权重的词语计算得分。
根据得分对每一篇微博提取出12维属性,其中积极情感分为3维度,消极情感分为3维 度,程度词分为4维度,否定词为1维度,情感值为1维度。
本发明相比现有技术具有以下优点:本发明对微博情绪进行分析时,当消极情绪相对较 高时,恰逢大盘(上证指数)呈现出某种程度的下跌,微博情绪表现与大盘趋势是较一致的, 大盘趋势也可以通过情绪波动来展现。微博看多看空,可以作为服务项目,提供给客户做决 策参考。股市外围数据分析对研究媒体与证券市场之间的相互影响关系,帮助投资者去掉投 机心理、树立投资理念都有着重要的作用。
附图说明
图1是本发明的情感字典中部分带权重的词语;
图2是部分微博数据的情感标签图;
图3是基于Smote的随机森林模型训练结果;
图4是微博整体各情感趋势图;
图5是大盘(上证指数)行情K线图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施, 给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例首先爬取微博数据,主要可获取到的信息包括:发表时间、昵称、微博者id号、 转发数、评论数、点赞数、微博内容以及微博评论人的等级、认证情况、粉丝数、性别、住 址等数据。主要是通过设置是否关注知名评估大V数目、间隔时间来获取大量微博,关注的 大V主要按照粉丝量筛选。
微博情感分析主要研究股票大V在一段时期内的积极或者消极情绪,在某种程度上可以 客观的反映出股票市场上投资者的投资信心。进行情感分析的必要环节是建立带权重的情感 字典,对每篇微博进行切词、清洗、匹配情感字典等,计算出一个情感值,以此来衡量微博 情感的重要指标。
建立的情感字典只要包括:积极消极字典.txt,程度词字典.txt,否定词字典.txt,考 虑到表情符号的广泛使用,将表情词语也添加到字典情感字典里,并赋予其相应的权重,部 分带权重的词语如图1所示。
微博情感值计算方法如下:假设积极消极情感词S对应的权重Si,表情符号SS对应的权 重为SSi,每篇微博经过切词、清洗等后获取到m1个积极消极情感词,m2种不同的表情词, 且第i种表情词的个数为ni
若有m(≤m1)个积极消极情感词之前仅出现权重为Wi的程度词修饰,则该篇微博的情感 值Ok为:
Figure BDA0002281362590000041
若有m(≤m1)个积极消极情感词之前仅出现权重为Wi no的否定词修饰,则该篇微博的情感 值Ok为:
Figure BDA0002281362590000051
若有m(≤m1)个积极消极情感词之前既有权重为Wi的程度词修饰,又有权重为Wi no的否定 词修饰,则该篇微博的情感值Ok为:
Figure BDA0002281362590000052
本实施例对837篇微博进行人工标记,初步统计,与股市相关的微博约占总微博数的1/2, 将其划分为三大类:第一类是表达对股市积极情绪的微博,情感标签设置为1,第二类是表 达对股市消极情感的微博,情感标签设置为-1,第三类是未表达情感观点的微博,情感标签 设置为0,图2是部分微博数据的情感标签图。
通过上述微博情感值计算方法,计算出每篇与股市相关的微博的情感值,考虑到根据给 定的情感阈值进行微博分类可能存在一定的偏差性,将会直接影响到分类的正确率,尝试使 用logistic回归、随机森林、深度神经网络等做分类器对微博进行情感分析,由于原始样本 数据存在不均衡的现象,为了保证分类器的分类效果,本实施例使用Smote算法对原始样本 进行了均衡,对比各分类器的分类效果后最终选取基于Smote的随机森林算法做分类。
分类器中训练样本的自变量是按照情感分析字典设计的权重程度,基于上述计算情感值 的规则获取的,即:分别对不同类型、不同权重的词语计算得分。根据得分对每一篇微博提 取出12维属性,其中积极情感分为3维度,消极情感分为3维度,程度词分为4维度,否定 词为1维度,情感值为1维度。
对已有标签的微博数据,使用基于Smote的随机森林模型进行训练,4/5样本作训练, 1/5样本作测试,初步结果如图3所示。
从整体正确率和各类别指标上来看,Smote的随机森林模型是可以直接用来对新微博数 据进行预测的,本实施例使用上述训练模型,对每日获取到的新微博数据进行类别预测。
使用基于Smote的随机森林算法实现对每篇微博的情感分类,记对第j篇微博分类时, 获得的消极情感、无情感、积极情感三种类别概率分别为p-1j、p0j、p1j,据此判断微博平台上整体的情感状况,不仅要考虑每篇微博的热度ωj,也需要考虑到不同大V的影响力
Figure BDA0002281362590000053
下面详细给出整体情感指标Qbad、Qave、Qgood的计算步骤:
Step1:对于第j篇微博,假设其转发量为rj,评论量为cj,点赞量为zj,定义该篇微博的“热度”计算公式为:
Figure BDA0002281362590000061
考虑到点赞量数值较大,一般情况下约为评论量、转发量的5-10倍,将其给与0.2倍惩 罚,使得三者几乎处于相同数量级范围内。
Step2:若第i个大V在一段时期内发表与股市相关的微博共mi篇,则该大V在该时期通 过发表微博传递的三种情感分别为:
Figure BDA0002281362590000062
Step3:记第i个大V在该时期的关注人数为focusi,粉丝人数为fansi,发微博总数为 weiboi,c1、c2为给定的常数。考虑到微博中存在“互相关注”和“话痨”的现象,在评价大V“影响力”
Figure BDA0002281362590000068
时,对关注人数和发微博总数给与一定程度的惩罚,具体定义为:
Figure BDA0002281362590000063
Figure BDA0002281362590000064
Fansi=fansi
Figure BDA0002281362590000069
Step4:微博平台上n个大V的整体情感指标为:
消极情绪指标Qbad
Figure BDA0002281362590000065
无情绪指标Qave
Figure BDA0002281362590000066
积极情绪指标Qgood
Figure BDA0002281362590000067
使用上述指标计算方法,对2017年1月15日至2017年2月15日期间微博平台上96位大V进行情感趋势探索,绘制趋势图如图4所示,对比图5的大盘(上证指数)行情K线图。
可以看出:
一般情况下,无情感指标所占的比例较大,从某种程度上反映出发表的微博中大部分没 有情感倾向。
一般情况下,积极情感指标高于消极情感,两者在一定范围内正常波动,波动较大时可 能存在股市上较大的变化。
对比图4和图5可以发现,虽然多数情况下情绪呈现出偏积极状态,但是,当消极情绪 相对较高时,恰逢大盘(上证指数)呈现出某种程度的下跌,微博情绪表现与大盘趋势是较 一致的,大盘趋势也可以通过情绪波动来展现。
微博看多看空,可以作为服务项目,提供给客户做决策参考。客户可以正着看,也可以 反着看。结合客户自己的判断完成最后的投资操作。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原 则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。

Claims (5)

1.一种微博情感分析方法,其特征在于,包括以下步骤:
(1)爬取微博数据,计算微博情感值;
(2)将与股市相关的微博进行标签分类;
(3)使用Smote的随机森林模型对获得的新微博数据进行类别预测;
(4)使用基于Smote的随机森林算法对每篇微博的情感分类具体如下:
(41)对于第j篇微博,假设其转发量为rj,评论量为cj,点赞量为zj,定义该篇微博的热度ωj计算公式为:
Figure FDA0002281362580000011
(42)若第i个大V在一段时期内发表与股市相关的微博共mi篇,则该大V在该时期通过发表微博传递的三种情感分别为:
Figure FDA0002281362580000012
Figure FDA0002281362580000013
Figure FDA0002281362580000014
消极情感、无情感、积极情感三种类别概率分别为p-1j、p0j、p1j
(43)记第i个大V在该时期的关注人数为focusi,粉丝人数为fansi,发微博总数为weiboi,c1、c2为给定的常数,在评价大V影响力
Figure FDA0002281362580000015
时,定义如下:
Figure FDA0002281362580000016
Figure FDA0002281362580000017
Fansi=fansi
Figure FDA0002281362580000021
(44)微博平台上n个大V的整体情感指标为:
消极情绪指标Qbad
Figure FDA0002281362580000022
无情绪指标Qave
Figure FDA0002281362580000023
积极情绪指标Qgood
Figure FDA0002281362580000024
2.根据权利要求1所述的一种微博情感分析方法,其特征在于,所述步骤(1)包括以下步骤:
(11)建立情感字典,包括积极消极字典,程度词字典,否定词字典,以及表情词语字典;
(12)计算微博情感值:假设积极消极情感词S对应的权重Si,表情符号SS对应的权重为SSi,每篇微博经过切词、清洗等后获取到m1个积极消极情感词,m2种不同的表情词,且第i种表情词的个数为ni
若有m(≤m1)个积极消极情感词之前仅出现权重为Wi的程度词修饰,则该篇微博的情感值Ok为:
Figure FDA0002281362580000025
若有m(≤m1)个积极消极情感词之前仅出现权重为Wi no的否定词修饰,则该篇微博的情感值Ok为:
Figure FDA0002281362580000026
若有m(≤m1)个积极消极情感词之前既有权重为Wi的程度词修饰,又有权重为Wi no的否定词修饰,则该篇微博的情感值Ok为:
Figure FDA0002281362580000027
3.根据权利要求2所述的一种微博情感分析方法,其特征在于,所述步骤(2)中,将与股市相关的微博人工划分为三大类:
第一类是表达对股市积极情绪的微博,情感标签设置为1,第二类是表达对股市消极情感的微博,情感标签设置为-1,第三类是未表达情感观点的微博,情感标签设置为0。
4.根据权利要求3所述的一种微博情感分析方法,其特征在于,选取基于Smote的随机森林算法对原始样本做分类,分类器中训练样本的自变量按照情感分析字典设计的权重程度,基于所述计算情感值的方法获取的,即:分别对不同类型、不同权重的词语计算得分。
5.根据权利要求4所述的一种微博情感分析方法,其特征在于,根据得分对每一篇微博提取出12维属性,其中积极情感分为3维度,消极情感分为3维度,程度词分为4维度,否定词为1维度,情感值为1维度。
CN201911142590.0A 2019-11-20 2019-11-20 一种微博情感分析方法 Active CN110941759B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911142590.0A CN110941759B (zh) 2019-11-20 2019-11-20 一种微博情感分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911142590.0A CN110941759B (zh) 2019-11-20 2019-11-20 一种微博情感分析方法

Publications (2)

Publication Number Publication Date
CN110941759A true CN110941759A (zh) 2020-03-31
CN110941759B CN110941759B (zh) 2022-11-11

Family

ID=69907209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911142590.0A Active CN110941759B (zh) 2019-11-20 2019-11-20 一种微博情感分析方法

Country Status (1)

Country Link
CN (1) CN110941759B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112073757A (zh) * 2020-08-13 2020-12-11 北京奇艺世纪科技有限公司 情绪波动指数获取方法、显示方法及多媒体内容制作方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090125371A1 (en) * 2007-08-23 2009-05-14 Google Inc. Domain-Specific Sentiment Classification
CN102663046A (zh) * 2012-03-29 2012-09-12 中国科学院自动化研究所 一种面向微博短文本的情感分析方法
WO2012134180A2 (ko) * 2011-03-28 2012-10-04 가톨릭대학교 산학협력단 문장에 내재한 감정 분석을 위한 감정 분류 방법 및 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법
US20130103385A1 (en) * 2011-10-24 2013-04-25 Riddhiman Ghosh Performing sentiment analysis
CN103150367A (zh) * 2013-03-07 2013-06-12 宁波成电泰克电子信息技术发展有限公司 一种中文微博的情感倾向分析方法
US20140108388A1 (en) * 2012-02-09 2014-04-17 Tencent Technology (Shenzhen) Company Limited Method and system for sorting, searching and presenting micro-blogs
KR20140049680A (ko) * 2012-10-18 2014-04-28 한국항공대학교산학협력단 규칙기반 다중 에이전트를 이용한 감성 분류 시스템 및 그 방법
CN105183717A (zh) * 2015-09-23 2015-12-23 东南大学 一种基于随机森林和用户关系的osn用户情感分析方法
CA2944920A1 (en) * 2015-10-13 2017-04-13 The Governing Council Of The University Of Toronto Systems and methods for online analysis of stakeholders
CN108595515A (zh) * 2018-03-25 2018-09-28 哈尔滨工程大学 一种结合微博弱关系的微博情感分析方法
CN109543110A (zh) * 2018-11-28 2019-03-29 南京航空航天大学 一种微博情感分析方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090125371A1 (en) * 2007-08-23 2009-05-14 Google Inc. Domain-Specific Sentiment Classification
WO2012134180A2 (ko) * 2011-03-28 2012-10-04 가톨릭대학교 산학협력단 문장에 내재한 감정 분석을 위한 감정 분류 방법 및 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법
US20130103385A1 (en) * 2011-10-24 2013-04-25 Riddhiman Ghosh Performing sentiment analysis
US20140108388A1 (en) * 2012-02-09 2014-04-17 Tencent Technology (Shenzhen) Company Limited Method and system for sorting, searching and presenting micro-blogs
CN102663046A (zh) * 2012-03-29 2012-09-12 中国科学院自动化研究所 一种面向微博短文本的情感分析方法
KR20140049680A (ko) * 2012-10-18 2014-04-28 한국항공대학교산학협력단 규칙기반 다중 에이전트를 이용한 감성 분류 시스템 및 그 방법
CN103150367A (zh) * 2013-03-07 2013-06-12 宁波成电泰克电子信息技术发展有限公司 一种中文微博的情感倾向分析方法
CN105183717A (zh) * 2015-09-23 2015-12-23 东南大学 一种基于随机森林和用户关系的osn用户情感分析方法
CA2944920A1 (en) * 2015-10-13 2017-04-13 The Governing Council Of The University Of Toronto Systems and methods for online analysis of stakeholders
CN108595515A (zh) * 2018-03-25 2018-09-28 哈尔滨工程大学 一种结合微博弱关系的微博情感分析方法
CN109543110A (zh) * 2018-11-28 2019-03-29 南京航空航天大学 一种微博情感分析方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DUOLIN LIU: "Research on Sentiment Classification of Chinese Micro Blog Based on Machine Learning", 《INTERNATIONAL JOURNAL OF DIGITAL CONTENT TECHNOLOGY AND ITS APPLICATIONS》 *
庞磊等: "基于微博的股票投资者未来情感倾向识别研究", 《计算机科学》 *
高毅: "面向微博博文的影响力分析技术研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112073757A (zh) * 2020-08-13 2020-12-11 北京奇艺世纪科技有限公司 情绪波动指数获取方法、显示方法及多媒体内容制作方法

Also Published As

Publication number Publication date
CN110941759B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
Rao Contextual sentiment topic model for adaptive social emotion classification
US20190057310A1 (en) Expert knowledge platform
Teso et al. Application of text mining techniques to the analysis of discourse in eWOM communications from a gender perspective
Wahyuni et al. Fake review detection from a product review using modified method of iterative computation framework
US20140052684A1 (en) System and method for forming predictions using event-based sentiment analysis
Probierz et al. Rapid detection of fake news based on machine learning methods
Kareem et al. Pakistani media fake news classification using machine learning classifiers
Li et al. Twitter sentiment analysis of new ikea stores using machine learning
Wan Sentiment analysis of Weibo comments based on deep neural network
Ball et al. Fake or real? The computational detection of online deceptive text
Bitto et al. Sentiment analysis from Bangladeshi food delivery startup based on user reviews using machine learning and deep learning
CN110941759B (zh) 一种微博情感分析方法
Choi et al. Fake review identification and utility evaluation model using machine learning
Duman Social media analytical CRM: a case study in a bank
kumar Mall et al. Self-Attentive CNN+ BERT: An Approach for Analysis of Sentiment on Movie Reviews Using Word Embedding
Li et al. Do reviewers’ words and behaviors help detect fake online reviews and spammers? Evidence from a hierarchical model
CN109254993B (zh) 一种基于文本的性格数据分析方法及系统
Singh et al. Sentiment Analysis of Twitter Data: A Review
Yu-tao et al. Study on the method of identifying opinion leaders based on online customer reviews
Jiang et al. Leveraging aspect phrase embeddings for cross-domain review rating prediction
Zhao et al. Public emotion analysis based on the influence of opinion leaders on Weibo
Ganie et al. Sentiment analysis on the effect of trending source less News: special reference to the recent death of an Indian actor
Kaur et al. A review on detecting fake news through text classification
Chenna et al. Emotion And Sentiment Analysis From Twitter Text
Huu et al. Automated hate speech detection on Vietnamese social networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant