CN111309864A - 一种微博热点话题的用户群体情感倾向迁移动态分析方法 - Google Patents
一种微博热点话题的用户群体情感倾向迁移动态分析方法 Download PDFInfo
- Publication number
- CN111309864A CN111309864A CN202010087323.4A CN202010087323A CN111309864A CN 111309864 A CN111309864 A CN 111309864A CN 202010087323 A CN202010087323 A CN 202010087323A CN 111309864 A CN111309864 A CN 111309864A
- Authority
- CN
- China
- Prior art keywords
- microblog
- emotion
- migration
- text
- topic
- 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
Links
- 230000002996 emotional effect Effects 0.000 title claims abstract description 53
- 238000004458 analytical method Methods 0.000 title claims abstract description 43
- 238000013508 migration Methods 0.000 title claims abstract description 32
- 230000005012 migration Effects 0.000 title claims abstract description 32
- 230000008451 emotion Effects 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims 1
- 238000007418 data mining Methods 0.000 abstract 1
- 230000007547 defect Effects 0.000 abstract 1
- 238000012706 support-vector machine Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/3332—Query translation
- G06F16/3335—Syntactic pre-processing, e.g. stopword elimination, stemming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种微博热点话题的用户群体情感倾向迁移动态分析方法,涉及数据挖掘技术领域,本发明的方法先通过网络爬虫采集相关话题下的微博文本,再先后文本预处理模型、情感分析模型、异常点判断、热度分析、动态分析获取模型,根据这几个模型的输出情况,得出用户群体的情感倾向,并记录引起用户群体情感迁移的事件。本发明解决了现有的微博用户情感分析方法不具有时间迁移性,且容易忽略掉热点话题随时间的的情感变化,导致无法客观的对微博热点话题进行情感分析的缺点。通过本发明可动态揭示网络群体情感倾向变化的规律,尤其是对用户群体情感曲线异常点的分析,可得到引起情感迁移的事件和时间,具有一定的个人、商业和社会价值。
Description
技术领域
本发明涉及一种微博热点话题的用户群体情感倾向迁移的动态分析方法,属于数据信息挖掘于分析。
背景技术
互联网的普及,网络社区的兴起,让人们越来越喜欢在网络社区分享自己的生活、对热点事件的态度与观点。当事件出现在网络上并吸引人们广泛的关注评论后会升级为热点事件,成为热点事件后则更容易吸引人们的关注。当微博用户群体关注到事件,他们会不断的从各个方面不断了解到事件的全貌,在这个了解事件全貌的过程中用户会发表大量的微博文本表达自己对该事件的态度,其中不乏有对公众情绪倾向有较高影响的话题或微博“大V”、名人博客等的加入,从而可能引起整个事件的情感倾向的迁移。找到这些事件,从个人角度讲,可及时维护自身名声利益;从商业角度讲,并根据产品销售后网络群体情绪动态变化的情况及时完善产品和进行口碑维护;从社会角度讲,对网络舆论进行合理引导,营造和谐网络环境。
现有的大多数对微博文本处理方法中,基本都是以个人或群体情感分析为主要研究对象,通过关键词识别、词汇关联、统计方法和概念级技术对微博文本进行情感倾向分析。考虑了微博事件随时间变化的情感复杂性,有学者在情感分析中加入了时间序列,分析情感随时间的变化。在网络信息传播的舆情分析中,有学者提供一种微博舆情风险研判的方法,先后通过敏感话题的识别、情感模型分析话题的正负面程度、再根据微博点赞、转发和评论在一定时间内的增加量,设置一定的阈值,对舆情分析判断。
上述研究及后来的相关研究均没有提出如何动态对微博事件进行情感分析,并找出热点话题下可能在中引起用户群体情感迁移的事件。本文提出的根据情感分析模型绘制情感变化折线图,在动态分析模型中自动判断获取并输出引起情感迁移的事件方法。本发明不同之处是设置了动态分析模型,跟踪分析热点微博的情感变化,不仅可以动态对微博事件情感倾向分析,还可根据情感曲线的异常点的文本处理动态获取引起情感波动事件。
发明内容
本发明的目的在于:根据用户群体对热点事件的情感迁移的问题,本发明提供一种微博热点话题的用户群体情感倾向迁移动态分析方法,不仅了解到用户群体对事件的一个完整的情感趋势图,并且能够找出导致用户群体情感倾向大幅度迁移的原因。
为达到上述目的,本发明提供的微博热点话题的用户群体情感倾向迁移动态分析方法包括按顺序进行的下列步骤:
(1)采集指定话题下的微博文本并对文本数据进行预处理,包括:过滤停用词、分词操作;
(2)话题内的微博文本与微博话题的相关性分析,选取与话题相关的文本;
(3)对部分微博文本进行情感极性标注,利用分类特征对标注微博文本集进行训练并优化,生成SVM情感分类器,对未标注微博文本情感极值进行预测;
(4)根据步骤(3)中利用SPSS软件得到先前分析的用户群体情感变化曲线图;根据变化曲线图找到图中异常点;
(5)针对步骤(4)中得到的异常点,在其附近按时间对微博文本进行切片分析处理,找到所有可能引起用户群体情感倾向迁移的事件;
(6)如若在步骤(4)中没有发现异常点,则对话题进行热度判断,判断该话题是否已无热度;
(7)动态分析主要包含以下三个步骤:
1)根据异常点切片处理结果找出引起变化的事件和时间;
2)时间切片的动态分析;
3)时间段的动态获取;
(8)获取新的2小时微博文本后,重复上述步骤;
(9)根据情感趋势图,预测未来短时间内情感的可能变化趋势;
在步骤(2)中,对微博文本与话题相关性分析主要是利用TF-IDF-SIM法计算微博文本与特定话题的相似程度,对微博文本进行分词之后,统计每个词在微博文本中出现的频率TF和逆文档频率IDF,根据TF-IDF的值来选取靠前的词作为文本关键词,SIM是计算关键词与当前话题词的相似度值;
在步骤(3)中,对为标注文本进行情感预测方法包括下列步骤:
1)特征提取,选取包括情感词,否定词,网络用语程度副词和表情符号等作为分类特征,进行训练优化生成SVM分类器;
2)利用SVM分类器预测得到微博情感极性;
在步骤(4)中接收到上一步情感分析反馈值后,利用软件得到先前分析的用户群体情感变化曲线图;
得到用户群体情感变化曲线图后,分析图中的异常点,用户群体的情感倾向是在变化当中的,因此,根据曲线图得到异常点;
在步骤(5)中,对切片文本进行分析处理具体包括下列步骤:
1)以十分钟为一个时间切片,分析是否有微博“大V”、名人博客等拥有较高话语权且在较高程度上影响着公众情绪和决策行为的方向角色加入,与此同时,拥有一定意见引导能力和话题响应度的网络个体更是通过网络平台对其跟随者的观点态度造成影响;
2)记录所有可能引起用户群体情感倾向迁移的事件;
如果步骤(4)中没有发现异常点,则在步骤(6)中对该话题进行热度判断,判断该话题是否已无热度,根据一天时间内此微博事件的转发量、点赞数、评论数的增加量,和热点事件持续的时间计算热度;
在步骤(7)中,动态分析包括下列步骤:
1)根据异常点切片处理结果找出引起变化的事件和时间,具体包括下列步骤:
1.1)按时间序列选取异常点前1小时内的文本,对文本按分钟进行排序、处理、分析接受到步骤(5)中记录的所有可能引起用户群体情感倾向迁移的事件后,将事件相关度进行判断,相关度高的事件划分为一类;
1.2)再将异常点前一小时内的微博文本与划分好类别的可能引起用户群体情感倾向迁移的事件进行相关度分析,将相关联的文本信息进行归类;
1.3)计算可能引起情感倾向的话题的影响力在这段时间总事件中的影响力占比,得到具体影响情感倾向迁移的事件;
2)事件切片的动态分析:处理完当前切片后自动继续后续切片的分析处理,直至截取的此事件片段分析完;
3)时间段的动态获取:处理完当前时间段的微博文本后自动再次获取新一轮的2小时微博文本,进入数据预处理模型,若当前时间段仍有文本正在处理,则等到文本处理完成后再次获取新一轮2小时微博文本;
本发明提供的微博热点话题的用户群体情感倾向迁移动态分析方法具有以下优点:(1)能够有效的分析出用户群体对热点事件的情感倾向随时间迁移变化的一个状态;(2)能够通过上述分析过程找出引起用户群体情感变化的因素;(3)能够帮助相关部门或机构全面了解微博用户群体情感变化的情况,以及掌握引起用户群体情感波动的事件。
附图说明
图1是本发明的流程框架图。
图2本发明提供的情感分析流程图。
图3本发明提供的动态分析流程图
具体实施方式
下面结合附图和具体实施例对本发明提供的微博热点话题的用户群体情感倾向迁移动态分析方法进行详细说明。
如图1所示,本发明提供的微博热点话题的用户群体情感倾向迁移动态分析方法包括按顺序进行的下列步骤:
(1)利用网络爬虫技术获取指定话题下的微博文本,并对采集的数微博文本数据进行预处理,具体包括:过滤停用词、标记分词操作。
(2)话题内的微博文本与微博话题的相关性分析,选取与话题相关的文本。主要是利用TF-IDF-SIM法计算微博文本与特定话题的相似程度,对所得到的的对微博文本进行分词,统计每个词在微博文本中出现的频率TF和逆文档频率IDF,根据TF-IDF=TF*IDF的值来选取靠前的词作为文本关键词。
逆文档频率IDF中的N表示语料库中所有的文档总数,N_i表示语料库中出现过关键词i的文档总数,为了防止某些生僻词不在语料库中,此时分母为0,IDF没有意义,需要对IDF进行平滑处理,即对分母加1,使语料库中没有出现的词也能进行得到一个合适的IDF。
SIM是计算为关键词与当前话题词的相似度值。相似度计算过程如下:
将热点话题词hotTopic进行分词得到热点话题词集合hotTopicSet={HT1,HT2,...,HTn},如果对于热点话题词中的每一个HT_i都与之前微博文本中提取出的关键词x与之相等,则关键词与当前话题词相关度sim(x,hotTopic)=1,包含此关键词的微博文本为与话题相关的文本;如果如果对于热点话题词中的每一个HT_i与之前微博文本中提取出的关键词与之并不完全相等,则利用同义词词林的语义相似度计算该关键词与每个话题词分词的相似度,只要sim(x,hotTopic)>λ,就将包含此关键词的微博文本定为与话题相关。
λ为判定微博文本是否与话题相似的阈值。抽取部分微博进行分组,判断每组微博文本与话题相似度情况。通过对λ取不同值时实验所得到的的不同组微博文本与话题相似度结果的平均F值指标比较阈值λ值结果得知,当λ=0.3时,得到的话题相似度微博文本进行情感分析时结果较为准确。
(3)对部分微博文本进行情感极性标注,若该条微博文本情感倾向为正向,则标记为1,否则标记为-1。训练并优化标注微博文本集,特征降维生成SVM分类器,利用SVM分类器对未标注微博文本情感极值进行预测。对未标注文本进行情感预测方法为:
1)特征提取,选取包括情感词,否定词,网络用语程度副词和表情符号等作为分类特征进行训练,特征降维生成SVM分类器。
2)利用SVM分类器预测得到微博情感极性。
(4)接收到上一步情感分析反馈值,利用软件得到先前分析的用户群体情感变化曲线图。在用户逐渐了解到事件的全貌过程中,有些有影响力的用户发布的微博可能会引起用户情感值的一个变化,所以软件绘制的图是起起伏伏的,找到图中异常点,也就能找出用户群体情感大幅度迁移的时间。将时间信息反馈给异常点处理模型。若图中没有异常点则直接进入步骤(6)进行话题热度判断模型。
(5)针对步骤(4)得到的异常点,和异常点所在的时间信息。按照这个时间向前获取一小时内的微博文本,,对文本按时间切片,每十分钟为一组,划分为12组。对切片文本进行分析处理具体包括下列步骤:
1)以十分钟为一个时间切片,分析是否有微博“大V”、名人博客等拥有较高话语权且在较高程度上影响着公众情绪和决策行为的方向角色加入,与此同时,拥有一定意见引导能力和话题响应度的网络个体更是通过网络平台对其跟随者的观点态度造成影响。
2)记录所有可能引起用户群体情感倾向迁移的事件。
(6)若在步骤(4)中没有发现异常点,则对该话题进行热度判断,判断该话题是否已无热度。根据一天时间内此微博事件的转发量、点赞数、评论数、阅读量的增加量,和热点事件持续的时间计算热度。结合不同指标在微博事件中的影响程度不同,对不同指标设置不同的权重,具体热度计算公式如下:
其中,Et、Es、Ec、Er分别是当前获取一天时间内的此微博事件的转发量、点赞量、评论数和阅读量的增加量,T、S、C、R、d分别是微博事件总的转发量、点赞量、评论数、阅读量和持续天数,考虑微博转发、评论、点赞量和阅读量不是一个数量级,避免在计算中出现大数吃小数的误差现象,根据事情情况考虑在计算中让阅读量除以1000以平衡数量级。
如果输出的热度值大于或等于18%,则判定该事件仍有热度,进入步骤(7),进行动态分析。否则判该事件暂时没有热度,根据需要,人为选择结束事件的分析或继续关注此事件的后续发展情况。
(7)动态分析。动态分析包括以下几个步骤:
1)根据异常点切片处理结果找出引起变化的事件和时间,具体包括下列步骤:
1.1)按时间序列选取异常点前1小时内的文本,对文本按分钟进行排序、处理、分析接受到步骤(5)中记录的所有可能引起用户群体情感倾向迁移的事件后,将事件相关度进行判断,相关度高的事件划分为一类。
1.2)再将异常点前一小时内的微博文本与划分好类别的可能引起用户群体情感倾向迁移的事件进行相关度分析,将相关联的文本信息进行归类。
1.3)计算可能引起情感倾向的话题的影响力在这段时间总事件中的影响力占比,得到具体影响情感倾向迁移的事件。
2)事件切片的动态分析:处理完当前切片后自动继续后续切片的分析处理,直至截取的此事件片段分析完。
3)时间段的动态获取:处理完当前时间段的微博文本后自动再次获取新一轮的2小时微博文本,进入数据预处理模型,若当前时间段仍有文本正在处理,则等到文本处理完成后再次获取新一轮2小时微博文本。
在步骤(7)中,本发明中利用了TF-IDF-SIM进行相关度判断。得到可能引起情感迁移的事件及通过相关性得到于此事件相关联的文本信息。计算此相关文本信息量在截取的时间段中总体文本信息所占比列,得到占比最多的事件,可判断为是此事件引起了微博话题用户情感倾向的迁移。
(8):步骤(7)获取新的2小时微博文本后,重复上述步骤,继续分析。
(9):基于SPSS软件的时间序列分析方法,鉴于文本情感分析数据的关系复杂,决定采用ARIMA(差分自回归移动平均)模型进行数值估计。它是将预测对象随时间推移而形成的数据序列视为一个随机序列,用一定的数学模型来近似描述这个序列。这个模型基于前期的数据拟合可以用来预测未来短期内的数值变化。ARIMA(p,d,q)模型可以表示为:
Claims (8)
1.一种微博热点话题的用户群体情感倾向迁移动态分析方法,其特征在于,所述的一种微博热点话题的用户群体情感倾向迁移动态分析方法,包括如下步骤:
(1)采集指定话题下的微博文本并对文本数据进行预处理,包括过滤停用词、分词操作;
(2)对上诉采集的话题内的微博文本与微博话题的相关性分析,选取与话题相关的文本;
(3)对部分微博文本进行情感极性标注,利用分类特征对标注微博文本集进行训练并优化,生成SVM情感分类器,对未标注微博文本情感极值进行预测;
(4)根据步骤(3)中利用SPSS软件得到先前分析的用户群体情感变化曲线图;根据变化曲线图找到图中异常点;
(5)针对步骤(4)得到的异常点,在其附近按时间对微博文本进行切片分析处理;
(6)如若在步骤(4)中没有发现异常点,则对话题进行热度判断,判断该话题是否已无热度;
(7)动态分析包括以下几步:
1)根据异常点切片处理结果找出引起变化的事件和时间;
2)时间切片的动态分析;
3)时间段的动态获取;
(8)获取新的2小时微博文本后,重复上述步骤;
(9)根据情感趋势折线图,预测未来短时间内情感的可能变化趋势。
2.根据权利要求1所述的一种微博热点话题的用户群体情感倾向迁移动态分析方法,其特征在于:步骤2对微博文本与话题相关性分析主要是利用TF-IDF-SIM法计算微博文本与特定话题的相似程度;对微博文本进行分词之后,统计每个词在微博文本中出现的频率TF和逆文档频率IDF,根据TF-IDF的值来选取靠前的词作为文本关键词,SIM是计算关键词与当前话题词的相似度值。
3.根据权利要求1所述的一种微博热点话题的用户群体情感倾向迁移动态分析方法,其特征在于:步骤(3)对为标注文本进行情感预测方法为:首先进行特征提取,选取包括情感词、否定词、网络用语程度副词和表情符号等作为分类特征,进行训练优化生成SVM分类器;接着利用SVM分类器预测得到微博情感极性。
4.根据权利要求1所述的一种微博热点话题的用户群体情感倾向迁移动态分析方法,所述步骤五的具体过程为:在对文本的情感状态有了总体认识后,将平稳数据进行细化分析,以两小时为单位进行时间切片,利用SPSS软件对情感值进行绘制,从而得到情感值随时间的变化趋势。
5.根据权利要求1所述的一种微博热点话题的用户群体情感倾向迁移动态分析方法,所述步骤六的具体过程为:先根据步骤五的异常点判断,若有异常点,代表微博话题仍有热度,若没有异常点,则对整个话题的热点进行判断;话题没有热度后,则整个分析流程结束;话题有热度,继续分析。
6.根据权利要求1所述的一种微博热点话题的用户群体情感倾向迁移动态分析方法,其特征在于:根据一天时间内此微博事件的转发量、点赞数、评论数的增加量,和热点事件持续的时间计算热度。
7.根据权利要求1所述的一种微博热点话题的用户群体情感倾向迁移动态分析方法,其特征在于:根据异常点切片处理结果找出引起变化的事件和时间。
8.根据权利要求1所述的一种微博热点话题的用户群体情感倾向迁移动态分析方法其特征在于:异常点切片处理包括以下步骤:首先按时间序列选取异常点前1小时内的文本,对文本按分钟进行排序、处理、分析;以十分钟为一个时间切片,分析是否有微博“大V”、名人博客等能够在很大程度上影响着公众情绪和决策行为的方向角色加入,通过对上述有影响力的人发言和评论、点赞、转发增数较多的微博进行筛选,得到具体影响情感倾向迁移的事件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087323.4A CN111309864B (zh) | 2020-02-11 | 2020-02-11 | 一种微博热点话题的用户群体情感倾向迁移动态分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087323.4A CN111309864B (zh) | 2020-02-11 | 2020-02-11 | 一种微博热点话题的用户群体情感倾向迁移动态分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111309864A true CN111309864A (zh) | 2020-06-19 |
CN111309864B CN111309864B (zh) | 2022-08-26 |
Family
ID=71156445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010087323.4A Active CN111309864B (zh) | 2020-02-11 | 2020-02-11 | 一种微博热点话题的用户群体情感倾向迁移动态分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111309864B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986702A (zh) * | 2020-07-31 | 2020-11-24 | 中国地质大学(武汉) | 一种基于语音信号处理的说话人心理阻抗现象识别方法 |
CN113645126A (zh) * | 2021-08-13 | 2021-11-12 | 黎明职业大学 | 一种集成情感分析的即时通讯方法 |
CN115471036A (zh) * | 2022-07-04 | 2022-12-13 | 中国传媒大学 | 一种热点事件的群体情绪分析方法、存储介质及设备 |
CN115827988A (zh) * | 2023-02-10 | 2023-03-21 | 成都桉尼维尔信息科技有限公司 | 一种自媒体内容热度预测方法 |
CN116861063A (zh) * | 2023-06-07 | 2023-10-10 | 广州数说故事信息科技有限公司 | 一种发掘社媒热搜商业价值度的方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229689A (zh) * | 2017-05-19 | 2017-10-03 | 四川新网银行股份有限公司 | 一种微博舆情风险研判的方法 |
CN108268668A (zh) * | 2018-02-28 | 2018-07-10 | 福州大学 | 一种基于话题多样性的文本数据观点摘要挖掘方法 |
CN108846073A (zh) * | 2018-06-08 | 2018-11-20 | 青岛里奥机器人技术有限公司 | 一种个性化人机情感会话系统 |
CN109271634A (zh) * | 2018-09-17 | 2019-01-25 | 重庆理工大学 | 一种基于用户情感倾向感知的微博文本情感极性分析方法 |
CN109684646A (zh) * | 2019-01-15 | 2019-04-26 | 江苏大学 | 一种基于话题影响力的微博话题情感分析方法 |
WO2019174423A1 (zh) * | 2018-03-16 | 2019-09-19 | 北京国双科技有限公司 | 实体情感分析方法及相关装置 |
CN110728140A (zh) * | 2018-06-30 | 2020-01-24 | 天津大学 | 基于情感分析与主题特征的突发事件舆情演化分析方法 |
-
2020
- 2020-02-11 CN CN202010087323.4A patent/CN111309864B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229689A (zh) * | 2017-05-19 | 2017-10-03 | 四川新网银行股份有限公司 | 一种微博舆情风险研判的方法 |
CN108268668A (zh) * | 2018-02-28 | 2018-07-10 | 福州大学 | 一种基于话题多样性的文本数据观点摘要挖掘方法 |
WO2019174423A1 (zh) * | 2018-03-16 | 2019-09-19 | 北京国双科技有限公司 | 实体情感分析方法及相关装置 |
CN108846073A (zh) * | 2018-06-08 | 2018-11-20 | 青岛里奥机器人技术有限公司 | 一种个性化人机情感会话系统 |
CN110728140A (zh) * | 2018-06-30 | 2020-01-24 | 天津大学 | 基于情感分析与主题特征的突发事件舆情演化分析方法 |
CN109271634A (zh) * | 2018-09-17 | 2019-01-25 | 重庆理工大学 | 一种基于用户情感倾向感知的微博文本情感极性分析方法 |
CN109684646A (zh) * | 2019-01-15 | 2019-04-26 | 江苏大学 | 一种基于话题影响力的微博话题情感分析方法 |
Non-Patent Citations (2)
Title |
---|
MONIREH EBRAHIMI ET AL.: ""Challenges of Sentiment Analysis for Dynamic Events"", 《 IEEE INTELLIGENT SYSTEMS》, 18 October 2017 (2017-10-18) * |
陈毓蔚: ""网络舆情热点事件的情感倾向分析与演变过程研究"", 《万方数据知识服务平台》, 19 July 2018 (2018-07-19) * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986702A (zh) * | 2020-07-31 | 2020-11-24 | 中国地质大学(武汉) | 一种基于语音信号处理的说话人心理阻抗现象识别方法 |
CN111986702B (zh) * | 2020-07-31 | 2022-11-04 | 中国地质大学(武汉) | 一种基于语音信号处理的说话人心理阻抗现象识别方法 |
CN113645126A (zh) * | 2021-08-13 | 2021-11-12 | 黎明职业大学 | 一种集成情感分析的即时通讯方法 |
CN115471036A (zh) * | 2022-07-04 | 2022-12-13 | 中国传媒大学 | 一种热点事件的群体情绪分析方法、存储介质及设备 |
CN115827988A (zh) * | 2023-02-10 | 2023-03-21 | 成都桉尼维尔信息科技有限公司 | 一种自媒体内容热度预测方法 |
CN116861063A (zh) * | 2023-06-07 | 2023-10-10 | 广州数说故事信息科技有限公司 | 一种发掘社媒热搜商业价值度的方法 |
CN116861063B (zh) * | 2023-06-07 | 2024-02-27 | 广州数说故事信息科技有限公司 | 一种发掘社媒热搜商业价值度的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111309864B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111309864B (zh) | 一种微博热点话题的用户群体情感倾向迁移动态分析方法 | |
CN106570708B (zh) | 一种智能客服知识库的管理方法及系统 | |
CN107193797B (zh) | 中文微博的热点话题检测及趋势预测方法 | |
CN105183717B (zh) | 一种基于随机森林和用户关系的osn用户情感分析方法 | |
CN105183833B (zh) | 一种基于用户模型的微博文本推荐方法及其推荐装置 | |
CN102929861B (zh) | 一种文本情感指数计算方法和系统 | |
CN110888990B (zh) | 文本推荐方法、装置、设备及介质 | |
CN108269125B (zh) | 评论信息质量评估方法及系统、评论信息处理方法及系统 | |
Alamsyah et al. | Dynamic large scale data on twitter using sentiment analysis and topic modeling | |
CN111104526A (zh) | 一种基于关键词语义的金融标签提取方法及系统 | |
CN106354818B (zh) | 基于社交媒体的动态用户属性提取方法 | |
CN107273348B (zh) | 一种文本的话题和情感联合检测方法及装置 | |
CN109978020B (zh) | 一种基于多维特征的社交网络账号马甲身份辨识方法 | |
CN109255012B (zh) | 机器阅读理解以及减少候选数据集规模的方法、装置 | |
CN108052505A (zh) | 文本情感分析方法及装置、存储介质、终端 | |
CN113032557B (zh) | 一种基于频繁词集与bert语义的微博热点话题发现方法 | |
CN112115712B (zh) | 基于话题的群体情感分析方法 | |
CN110321421B (zh) | 用于网站知识社区系统的专家推荐方法及计算机存储介质 | |
CN113780007A (zh) | 语料筛选方法、意图识别模型优化方法、设备及存储介质 | |
CN113268603A (zh) | 一种新闻舆情知识图谱的构建方法及装置、介质、设备 | |
CN113934835A (zh) | 结合关键词和语义理解表征的检索式回复对话方法及系统 | |
CN111859955A (zh) | 一种基于深度学习的舆情数据分析模型 | |
CN109254993B (zh) | 一种基于文本的性格数据分析方法及系统 | |
CN112115237B (zh) | 烟草科技文献数据推荐模型的构建方法及装置 | |
CN114265931A (zh) | 基于大数据文本挖掘的消费者政策感知分析方法及系统 |
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 |