CN113806476A - 综合用户人格特征和社交关系的用户情绪分析方法和系统 - Google Patents

Abstract

本发明提供一种综合用户人格特征和社交关系的用户情绪分析方法和系统，涉及计算机技术领域。本发明通过基于所述用户社交媒体平台数据获取用户大五人格特征的矩阵；基于所述社交网络数据获取情绪影响矩阵；基于所述文本数据构建面向话题的关联矩阵；基于所述用户大五人格特征的矩阵、情绪影响矩阵和关联矩阵获取情感分类模型，所述情感分类模型用于对用户进行情感分析。利用考虑社交关系和话题的情感分类模型提高对用户情感分析的精度。结合以上，完成对用户更客观精准的情绪分析。

Description

综合用户人格特征和社交关系的用户情绪分析方法和系统

技术领域

本发明涉及计算机技术领域，具体涉及一种综合用户人格特征和社交关系的用户情绪分析方法和系统。

背景技术

随着各类在线社交服务的迅速发展，社交媒体已经成为主体渗透到生活的方方面面，社交媒体几乎是互联网用户互动流量最大的领域。通过在社交媒体(如微博)来评论热点事件、抒写影评观点、描述产品体验等，产生了大量带有情感倾向的文本信息，而通过对这些文本信息进行情感分析，可以更好地理解用户行为发现用户对产品的倾向性、对热点事件的关注程度等。

在现有方法中，对用户微博的文本信息进行处理后，利用情感词典对微博信息进行情感极性和主题分类处理，通过用户社交数据，构建与用户有关联的相关用户情绪网络，利用社交关系主题情感模型提高对用户异常情绪检测的精度。

然而，现有方法未考虑到不同人格的用户的表达方式与社交关系都有着很大的区别，导致情绪分析准确性较低。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种综合用户人格特征和社交关系的用户情绪分析方法和系统，解决了现有方法的情绪分析准确性低的技术问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

第一方面，本发明提供了一种综合用户人格特征和社交关系的用户情绪分析方法，所述方法包括：

S1、获取用户社交媒体平台数据，所述用户社交媒体数据包括用户在社交平台发布的文本数据和社交网络数据；

S2、基于所述用户社交媒体平台数据获取用户大五人格特征的矩阵；

S3、基于所述社交网络数据获取情绪影响矩阵；

S4、基于所述文本数据构建面向话题的关联矩阵；

S5、基于所述用户大五人格特征的矩阵、情绪影响矩阵和关联矩阵获取情感分类模型，所述情感分类模型用于对用户进行情感分析。

优选的，所基于社交网络数据获取情绪影响矩阵，包括：

S301、基于用户的关注者和粉丝，获取用户相似度矩阵；

S302、基于用户相似度矩阵计算基于用户社交关系的情绪影响矩阵。

优选的，所述基于用户的关注者和粉丝，获取用户相似度矩阵，包括：

其中：

表示第i个用户的关注者和粉丝，

表示第j个用户的关注者和粉丝，

代表第i个用户和第j个用户之间的共同好友数，

表示第i个用户和第j个用户好友并集的数目。

优选的，所述基于用户相似度矩阵计算基于用户社交关系的情绪影响矩阵，包括：

通过下面公式计算基于用户社交关系的情绪影响矩阵A₁：

A₁＝U^T×S_ij×U

其中，U∈R^d×n为用户发布的文本内容矩阵，d为用户数量，n为用户发布的文本数量，S_ij为用户相似度矩阵。

优选的，所述基于文本数据构建面向话题的关联矩阵，包括：

通过以下公式得到一个面向话题的关联矩阵A₂：

A₂＝T×T^T

其中，T∈R^n×t为话题矩阵，t为话题个数，n为该话题下的文本个数。

优选的，所述基于所述用户大五人格特征的矩阵、情绪影响矩阵和关联矩阵获取情感分类模型，包括：

使用最小二乘法学习用户发布的文本内容，W是学习的分类器，X是文本内容矩阵，Y是情感标签矩阵：

利用社交关系和话题关联，构建文本关系矩阵A：

A＝(λ₁×A₁+λ₂×A₂)

综合用户人格特征，构建综合人格特征和社交关系的矩阵M：

其中，

表示哈达玛积；

得到的情感分类模型可以用如下公式表示:

其中：

其中，tr表示矩阵的秩，

为情感标签Y在矩阵X^TW的第K列的拟合值，L＝D-M为拉普拉斯矩阵，D是对角矩阵，α为情感分类模型中控制情感关系的权重，c为情感分类数量。

第二方面，本发明提供一种综合用户人格特征和社交关系的用户情绪分析系统，包括：

数据获取模块，用于获取用户社交媒体平台数据，所述用户社交媒体数据包括用户在社交平台发布的文本数据和社交网络数据；

大五人格特征的矩阵获取模块，用于基于所述用户社交媒体平台数据获取用户大五人格特征的矩阵；

情绪影响矩阵获取模块，用于基于社交网络数据获取情绪影响矩阵；

关联矩阵获取模块，用于基于文本数据构建面向话题的关联矩阵；

情感分类模型获取模块，用于基于所述用户大五人格特征的矩阵、情绪影响矩阵和关联矩阵获取情感分类模型，所述情感分类模型用于对用户进行情感分析。

优选的，所述基于所述用户大五人格特征的矩阵、情绪影响矩阵和关联矩阵获取情感分类模型，包括：

使用最小二乘法学习用户发布的文本内容，W是学习的分类器，X是文本内容矩阵，Y是情感标签矩阵：

利用社交关系和话题关联，构建关系矩阵A：

A＝(λ₁×A₁+λ₂×A₂)

综合用户人格特征，构建综合人格特征和社交关系的矩阵M：

其中，

表示哈达玛积；

得到的情感分类模型可以用如下公式表示:

其中：

其中，tr表示矩阵的秩，

为情感标签Y在矩阵X^TW的第K列的拟合值，L＝D-M为拉普拉斯矩阵，D是对角矩阵，α为情感分类模型中控制情感关系的权重，c为情感分类数量。

第三方面，本发明提供一种计算机可读存储介质，其存储用于综合用户人格特征和社交关系的用户情绪分析的计算机程序，其中，所述计算机程序使得计算机执行如上述所述的综合用户人格特征和社交关系的用户情绪分析方法。

第四方面，本发明提供一种电子设备，包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述所述的综合用户人格特征和社交关系的用户情绪分析方法。

(三)有益效果

本发明提供了一种综合用户人格特征和社交关系的用户情绪分析方法和系统。与现有技术相比，具备以下有益效果：

本发明通过基于所述用户社交媒体平台数据获取用户大五人格特征的矩阵；基于所述社交网络数据获取情绪影响矩阵；基于所述文本数据构建面向话题的关联矩阵；基于所述用户大五人格特征的矩阵、情绪影响矩阵和关联矩阵获取情感分类模型，所述情感分类模型用于对用户进行情感分析。利用考虑社交关系和话题的情感分类模型提高对用户情感分析的精度。结合以上，完成对用户更客观精准的情绪分析。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一种综合用户人格特征和社交关系的用户情绪分析方法的框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请实施例通过提供一种综合用户人格特征和社交关系的用户情绪分析方法和系统，解决了现有方法的情绪分析准确性低的技术问题，实现客观准确的分析用户的情绪。

本申请实施例中的技术方案为解决上述技术问题，总体思路如下：

在现有的用户的情绪分析方法中，对用户社交的文本信息(如微博的文本信息，为方便描述，后续的社交媒体平台以微博为例)进行处理后，利用情感词典对微博信息进行情感极性和主题分类处理，通过用户社交数据，构建与用户有关联的相关用户情绪网络，利用社交关系主题情感模型提高对用户异常情绪检测的精度，但此方法未考虑到不同人格的用户的表达方式与社交关系都有着很大的区别，用同一种文本情感分类器和同一种社交关系主题情感模型来对不同人格用户的微博进行情感分析，则无法精准地判断出用户的情绪波动和心理异常。本发明实施例提出一种全新的微博用户情绪分析方法。首先通过对微博用户文本的数据分析，利用大五人格预测模型推断用户人格特征的五个维度值，从而预测用户的个性特征，然后基于用户人格特征对用户微博文本进行情感分类细化分析，同时，根据用户的好友列表和面向话题的关联微博构建用户社交关系情绪网络，利用考虑社交关系和话题的情感分类模型提高对用户情感分析的精度。结合以上，完成对微博用户更精准的情绪分析。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

本发明实施例提供一种综合用户人格特征和社交关系的用户情绪分析方法，如图1所示，该方法包括步骤S1～S5：

S1、获取用户社交媒体平台数据，所述用户社交媒体数据包括用户在社交平台发布的文本数据和社交网络数据；

S2、基于所述用户社交媒体平台数据获取用户大五人格特征的矩阵；

S3、基于社交网络数据获取情绪影响矩阵；

S4、基于文本数据构建面向话题的关联矩阵；

S5、基于所述用户大五人格特征的矩阵、情绪影响矩阵和关联矩阵获取情感分类模型，所述情感分类模型用于对用户进行情感分析。

本发明实施例通过基于所述用户社交媒体平台数据获取用户大五人格特征的矩阵；基于所述社交网络数据获取情绪影响矩阵；基于所述文本数据构建面向话题的关联矩阵；基于所述用户大五人格特征的矩阵、情绪影响矩阵和关联矩阵获取情感分类模型，所述情感分类模型用于对用户进行情感分析。利用考虑社交关系和话题的情感分类模型提高对用户情感分析的精度。结合以上，完成对用户更客观精准的情绪分析。

下面对本发明实施例的各个步骤进行详细描述：

在步骤S1中，获取用户社交媒体平台数据，所述用户社交媒体数据包括用户在社交平台发布的文本数据和社交网络数据。具体实施过程如下：

需要说明的是，在本发明实施例中，社交媒体平台以微博为例。

通过爬虫技术等获取微博用户的社交网络数据和文本数据，社交网络数据包括个人信息、列表信息(粉丝用户信息和关注用户信息)等，文本数据包括用户微博文本内容、所属话题以及微博发布时间等。

在步骤S2中，基于所述用户社交媒体平台数据获取用户大五人格特征的矩阵。具体实施过程如下：

大五人格从神经质性(Neuroticism)、外向性(Extroversion)、开放性(Openness)、随和性(Agreeableness)、尽责性(Conscientiousness)五项人格特征因素维度来描述人的性格特征。不同人格的人表达情绪的方式以及语言特征也有很大的不同。

提取用户微博中与人格相关的情感词特征(词特征包括词组合、表情符号)，特征提取后，将每条推文表示为一个向量，每个项的值等于对应文本情感词特征的词频，进而基于文本的规则，通过用户微博文本对微博用户五个人格的维度值进行预测(E/A/C/N/O)，因为高度外倾性的人往往表现出热情、社交、果断、活跃、冒险、乐观等特质，因此，加入微博使用信息，即动态社交网络特征——微博的转发、评论、点赞情况来预测E(外倾性)的维度值。

基于用户微博文本对用户进行大五人格特征的预测和分析，最终得到用户大五人格特征的矩阵P。

在步骤S3中，基于社交网络数据获取情绪影响矩阵。具体实施过程如下：

S301、基于用户的关注者和粉丝，以下公式得到用户相似度矩阵S_ij；

其中：

表示第i个用户的关注者和粉丝，

表示第j个用户的关注者和粉丝，

代表第i个用户和第j个用户之间的共同好友数，

表示第i个用户和第j个用户好友并集的数目。

S302、得到用户相似度矩阵后，通过下面公式计算基于用户社交关系的情绪影响矩阵A₁：

A₁＝U^T×S_ij×U

其中：U∈R^d×n为用户微博矩阵，d为用户数量，n为用户微博数量。

在步骤S4中，基于文本数据构建面向话题的关联矩阵。具体实施过程如下：

标签#是微博服务提供的一种机制，用户可以通过它方便地在微博中插入话题信息，同一话题下用户发表的微博所表达的情感通常具有一定的关联性。话题上下文用于指示两个微博消息是否与同一个话题相关。在微博情感分析中引入话题信息是构建微博语义联系的重要手段，这里使用话题而不是文本相似性来建模这种语义关系，因为微博平台的数据表示比较稀疏，如果使用文本相似度，微博之间的语义相似度值将非常小，无法有效地建模语义关系。

通过以下公式得到一个面向话题的关联矩阵A₂，其中T∈R^n×t为微博话题矩阵，t为话题个数，n为该话题下的微博个数。

A₂＝T×T^T

在步骤S5中，基于所述用户大五人格特征的矩阵、情绪影响矩阵和微博关联矩阵获取情感分类模型，所述情感分类模型用于对用户进行微博情感分析。具体实施过程如下：

使用最小二乘法学习微博内容，最小二乘法的目的是通过解决以下优化问题来学习分类器，W是学习的分类器，X是微博内容矩阵，Y是情感标签矩阵：

利用社交关系和话题关联，构建微博关系矩阵A：

A＝(λ₁×A₁+λ₂×A₂)

综合用户人格特征，构建综合人格特征和微博社交关系的矩阵M：

其中，

表示哈达玛积。

在模型中，最终得到的情感分类模型可以用如下公式表示:

其中：

其中，tr表示矩阵的秩，

为情感标签Y在矩阵X^TW的第K列的拟合值，L＝D-M为拉普拉斯矩阵，D是对角矩阵，α为情感分类模型中控制微博情感关系的权重，c为情感分类数量。

本发明实施例还提供一种综合用户人格特征和社交关系的用户情绪分析系统，包括：

数据获取模块，用于获取用户社交媒体平台数据，所述用户社交媒体数据包括用户在社交平台发布的文本数据和社交网络数据；

大五人格特征的矩阵获取模块，用于基于所述用户社交媒体平台数据获取用户大五人格特征的矩阵；

情绪影响矩阵获取模块，用于基于社交网络数据获取情绪影响矩阵；

关联矩阵获取模块，用于基于文本数据构建面向话题的关联矩阵；

情感分类模型获取模块，用于基于所述用户大五人格特征的矩阵、情绪影响矩阵和关联矩阵获取情感分类模型，所述情感分类模型用于对用户进行情感分析。

本发明实施例还提供一种存储介质，其存储有用于综合用户人格特征和社交关系的用户情绪分析的计算机程序，其中，所述计算机程序使得计算机执行如上所述的综合用户人格特征和社交关系的用户情绪分析方法。

本发明实施例还提供一种电子设备，包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的综合用户人格特征和社交关系的用户情绪分析方法。

可理解的是，本发明实施例提供的综合用户人格特征和社交关系的用户情绪分析系统、存储介质、电子设备与本发明实施例提供的综合用户人格特征和社交关系的用户情绪分析方法相对应，其有关内容的解释、举例和有益效果等部分可以参考综合用户人格特征和社交关系的用户情绪分析方法中的相应部分，此处不再赘述。

综上所述，与现有技术相比，具备以下有益效果：

本发明实施例通过基于所述用户社交媒体平台数据获取用户大五人格特征的矩阵；基于所述社交网络数据获取情绪影响矩阵；基于所述文本数据构建面向话题的关联矩阵；基于所述用户大五人格特征的矩阵、情绪影响矩阵和关联矩阵获取情感分类模型，所述情感分类模型用于对用户进行情感分析。利用考虑社交关系和话题的情感分类模型提高对用户情感分析的精度。结合以上，完成对用户更客观精准的情绪分析。

需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种综合用户人格特征和社交关系的用户情绪分析方法，其特征在于，所述方法包括：

S1、获取用户社交媒体平台数据，所述用户社交媒体数据包括用户在社交平台发布的文本数据和社交网络数据；

S2、基于所述用户社交媒体平台数据获取用户大五人格特征的矩阵；

S3、基于所述社交网络数据获取情绪影响矩阵；

S4、基于所述文本数据构建面向话题的关联矩阵；

S5、基于所述用户大五人格特征的矩阵、情绪影响矩阵和关联矩阵获取情感分类模型，所述情感分类模型用于对用户进行情感分析。

2.如权利要求1所述的用户情绪分析方法，其特征在于，所基于社交网络数据获取情绪影响矩阵，包括：

S301、基于用户的关注者和粉丝，获取用户相似度矩阵；

S302、基于用户相似度矩阵计算基于用户社交关系的情绪影响矩阵。

3.如权利要求2所述的所述的用户情绪分析方法，其特征在于，所述基于用户的关注者和粉丝，获取用户相似度矩阵，包括：

其中：

表示第i个用户的关注者和粉丝，

表示第j个用户的关注者和粉丝，

代表第i个用户和第j个用户之间的共同好友数，

表示第i个用户和第j个用户好友并集的数目。

4.如权利要求2所述的用户情绪分析方法，其特征在于，所述基于用户相似度矩阵计算基于用户社交关系的情绪影响矩阵，包括：

通过下面公式计算基于用户社交关系的情绪影响矩阵A₁：

A₁＝U^T×S_ij×U

其中，U∈R^d×n为用户发布的文本内容矩阵，d为用户数量，n为用户发布的文本数量，S_ij为用户相似度矩阵。

5.如权利要求1所述的用户情绪分析方法，其特征在于，所述基于文本数据构建面向话题的关联矩阵，包括：

通过以下公式得到一个面向话题的关联矩阵A₂：

A₂＝T×T^T

其中，T∈R^n×t为话题矩阵，t为话题个数，n为该话题下的文本个数。

6.如权利要求1～5任一所述的用户情绪分析方法，其特征在于，所述基于所述用户大五人格特征的矩阵、情绪影响矩阵和关联矩阵获取情感分类模型，包括：

使用最小二乘法学习用户发布的文本内容，W是学习的分类器，X是文本内容矩阵，Y是情感标签矩阵：

利用社交关系和话题关联，构建文本关系矩阵A：

A＝(λ₁×A₁+λ₂×A₂)

综合用户人格特征，构建综合人格特征和社交关系的矩阵M：

其中，

表示哈达玛积；

得到的情感分类模型可以用如下公式表示：

其中：

其中，tr表示矩阵的秩，

为情感标签Y在矩阵X^TW的第K列的拟合值，L＝D-M为拉普拉斯矩阵，D是对角矩阵，α为情感分类模型中控制情感关系的权重，c为情感分类数量。

7.一种综合用户人格特征和社交关系的用户情绪分析系统，其特征在于，包括：

数据获取模块，用于获取用户社交媒体平台数据，所述用户社交媒体数据包括用户在社交平台发布的文本数据和社交网络数据；

大五人格特征的矩阵获取模块，用于基于所述用户社交媒体平台数据获取用户大五人格特征的矩阵；

情绪影响矩阵获取模块，用于基于社交网络数据获取情绪影响矩阵；

关联矩阵获取模块，用于基于文本数据构建面向话题的关联矩阵；

情感分类模型获取模块，用于基于所述用户大五人格特征的矩阵、情绪影响矩阵和关联矩阵获取情感分类模型，所述情感分类模型用于对用户进行情感分析。

8.如权利要求7所述的用户情绪分析系统，其特征在于，所述基于所述用户大五人格特征的矩阵、情绪影响矩阵和关联矩阵获取情感分类模型，包括：

使用最小二乘法学习户发布的文本内容，W是学习的分类器，X是文本内容矩阵，Y是情感标签矩阵：

利用社交关系和话题关联，构建关系矩阵A：

A＝(λ₁×A₁+λ₂×A₂)

综合用户人格特征，构建综合人格特征和社交关系的矩阵M：

其中，

表示哈达玛积；

得到的情感分类模型可以用如下公式表示：

其中：

其中，tr表示矩阵的秩，

为情感标签Y在矩阵X^TW的第K列的拟合值，L＝D-M为拉普拉斯矩阵，D是对角矩阵，α为情感分类模型中控制情感关系的权重，c为情感分类数量。

9.一种计算机可读存储介质，其特征在于，其存储用于综合用户人格特征和社交关系的用户情绪分析的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～6任一所述的综合用户人格特征和社交关系的用户情绪分析方法。

10.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1～6任一所述的综合用户人格特征和社交关系的用户情绪分析方法。

Images