情感倾向驱动的旅游酒店大数据网络舆情

从网络舆情中获取评价以支持决策是旅游管理部门和企业关注的重要问题.为此,本文提出情感倾向计算的新方法以便于网络舆情的理解与分析.首先构建反映酒店评论语义特征的情感词库,然后从句法特征的角度对情感词进行扩充,最后采用深度学习得到情感倾向的分类结果.通过湘潭市旅游酒店评论的舆情分析实验,发现该方法能够得到更为真实的消费者对旅游酒店的情感倾向.从3个竞争酒店评论的舆情分析应用实例上可以得出:情感倾向能够挖掘出酒店的各自特色与管理上的短板,从而进行决策支持.     

基于SnowNLP的微博网络舆情分析系统

随着微博、抖音、贴吧等新兴网络社交媒体的发展,大量用户开始喜欢使用这些平台进行发布和获取信息,因此累积了大量舆情数据。为了能够及时监测网络舆论动向,更好的维护互联网的安全运营和网络安全,针对实时微博数据,研究设计了一种基于SnowNLP的微博网络舆情分析系统。该系统由舆情数据采集、舆情数据分析和舆情数据可视化组成,能够实现微博数据文本挖掘、网络舆情数据情感分析、舆情数据与关键词匹配结果统计等功能,并能够对微博内容情感分析结果、用户等级、内容分词结果等进行可视化展示。实验测试结果表明：本系统功能运行正常,同时验证了设计方案的可行性和有效性。系统在网络舆情监测领域具有重要的应用价值。     

基于情感分析和热度预测的网络舆情预测研究

在社交媒体平台已成为大众信息交流的重要载体的背景下,关注和分析大众对于社会热点事件的情感倾向及舆论走势,有利于及时准确了解大众的情感需求,制定相应的措施,引导舆论走向,维护良好的网络环境。提出了基于情感分析和热度预测的网络舆情预测思路,构建了融合多特征的文本情感分析模型和基于时间序列的热度预测模型,并基于真实数据集验证了模型的有效性。对于社交媒体上舆论环境的分析和预测有重要意义。     

网络舆情监控系统的实现方法

结合信息通信技术,使用中文信息处理和文本挖掘中的关键技术对舆情监控设计流程进行分析.通过相关功能模块建立网络舆情监控系统,实现网页信息采集和Web挖掘基础上的热点发现与跟踪.     

基于文本语义和表情倾向的微博情感分析方法

针对基于机器学习的中文微博情感分析方法存在处理过程复杂、判断准确率低等问题,该文提出了一种新的情感分析方法。将微博爬虫和Web应用程序编程接口(API)相结合,对动态微博数据进行收集和预处理。基于NTUSD和How Net中文情感词典的微博情感词的抽取和分类,计算词语语义相似度和倾向性。综合考虑表情、文本情感倾向的加权和正面情感增强等因素。实验结果表明:表情情感倾向对微博情感倾向起着重要作用;在表情和文本情感倾向比值固定的情况下,调整因素和中性区间的选择会对情感倾向判断准确率产生影响;通过与基于How Net语义相似度的计算模型比较,该文方法使得情感倾向判断准确率提高约5%。     

中文BBS态度倾向分析算法研究

作为互联网上网民自由发表言论的重要场所,BBS包含了大量的舆情信息,对其进行分析和舆情监控具有重要意义.本文研究了中文BBS态度倾向的自动识别问题,提出了基于情感词的BBS态度倾向启发式算法以及基于有监督学习的BBS态度倾向识别算法.实验中使用了三种不同的分类模型,并将有监督学习算法与启发式算法进行了实验对比.实验结果表明,有监督学习的BBS态度倾向识别效果明显优于启发式算法的效果.     

融合多种特征的舆情时序文本情感分类方法

在传统的文本情感分类中,通常假设数据是独立同分布的,但对于舆情时序数据,文本的情感分布处在一个不断变化的环境中,未必都服从独立同分布的假设,因此,仅在历史数据上训练的分类器无法在新到来的数据上取得令人满意的分类效果.针对这一问题,文章提出一个基于特征融合的时序文本情感分类模型.该模型在多段时间连续的数据上训练多个BER...     

新冠疫情新闻的情感倾向对金融市场的影响研究

本研究构建了新冠疫情新闻情感词典,对每日新冠疫情新闻情感指标进行了科学测度,在此基础上研究了疫情新闻情感倾向与金融市场收益率的动态关系,并对疫情发生前同平台发布的新闻进行了对照研究。研究表明,疫情新闻的情感倾向对金融市场的收益率存在影响,其中前一期的疫情新闻情感倾向对于当期股票和债券市场收益率的影响是正向的,但影响持续期较短,其中疫情新闻情感倾向对债市的影响在当期就出现,而疫情新闻情感倾向对股市的影响一般在第二期才出现。     

网络舆情分析技术及系统构建

针对网络舆情分析的实际应用,在综合考虑网络舆情特征和人们认知规律的基础上,重点进行舆情热点挖掘、文本倾向性分析两个关键技术的研究并在此基础上构建了网络舆情分析系统.通过将实验结果与权威数据对比,验证了相应方法的有效性.     

异质网络中融合多类信息的链路情感倾向预测

信息网络中基于节点间情感关系分析的链路情感倾向预测在商业营销、内容推荐等领域应用广泛,是网络分析的一个研究重点.传统的链路情感倾向预测方法对于数据信息的挖掘不够充分,忽略了对数据深层语义以及节点属性等信息的利用,预测准确度有待提升.针对以上问题,提出了异质网络中融合多种类型信息的链路情感倾向预测模型.模型首先引入预测基值作为特定节点间情感关系的粗略评估,然后结合节点的相似关系以及节点的属性等信息完成预测.其中,在捕获网络中具有相似情感倾向的节点用于预测任务时,提出了一种基于限制路径类型元路径的遍历游走方法.在5个公共数据集上的实验结果验证了所提模型的有效性及对于稀疏矩阵、冷启动问题的处理能力,并揭示了模型各组成部分在预测过程中的作用.     

网络舆情态势分析研究

对网络舆情的分析已引起人们的高度重视,因为网络舆情热点具有导向性作用,如"某某门"事件,在短短60小时过后就引起监察部门的注意,这只有在日益流行的网络应用的今天才可能做到.分析网络舆情热点的手段多种多样,角度不同,如:可利用文本聚类的方法、动态文摘生成的方法以及意见领袖特征等方法来发现网络舆情中的热点和焦点信息.截止目前,分析网络舆情热点的方法没有固定的模式,值得深入探讨和研究.针对目前网络舆情研究的典型方法及其思想,进行概述性分析,给出网络舆情分析中词频、权重特征词、意见领袖属性矩阵等概念的形式化定义.本文作者通过对比分析,比较研究了网络舆情方法的优缺点;总结了国际上在这一领域的最新研究进展和研究方法,给出下一步的研究工作重点.     

基于图注意力网络的舆情演变预测研究

要想实现对纷繁复杂的网络舆情的监控和管理,预防舆情危机的突发状况,一个关键的解决方案就是对网络舆情事件的发展趋势进行预测.然而,目前针对舆情演变预测的研究工作却十分有限,尤其是社交网络环境中的舆情演变预测.本文将评论文本的情感值作为演变预测的对象,利用情感词和舆情事件中评论文本的语义相似度,为事件发展的每个时间段都构造一个对应的图结构,再结合门控循环单元（GRU）与图注意力网络（GAT）对情感时间序列进行预测.为了验证模型的有效性,本文以Twitter中弗洛伊德事件的评论文本作为数据集,开展与基于图卷积网络的预测模型的对比实验.实验结果表明,本文提出模型的R²决定系数为0.569,平均绝对误差（MAE）、均方误差（MSE）和均方根误差（RMSE）均小于基于图卷积网络的预测模型,能较好地实现舆情事件中评论文本的情感演变预测.     

基于大规模弹幕数据监听和情感分类的舆情分析模型

随着在线视频平台的快速发展,弹幕逐渐成为人们表达观点的一个重要途径,尤其受到年轻人的欢迎.与常规的文本不同,弹幕文本普遍较短,表达随意,网络词汇较多,一些常规的停用词被用于表达情感.提出了一种基于弹幕数据的舆情分析模型,针对弹幕数据生成和存储特点,提出了热点检测循环自适应弹幕数据获取算法;扩充了情感词典来区分弹幕中情感倾向数据和中性数据,以解决弹幕中出现的网络词汇较多的问题;基于卷积神经网络(Convolutional Neural Network, CNN)建立了情感褒贬分类模型,用来区分情感倾向弹幕的正负情感倾向,在此基础上得到了舆情分析的结果.实验表明,本文的舆情分析模型能有效地表达新闻类弹幕数据的舆情分析结果.     

对高校网络舆情系统建设的几点思考

讨论了高校网络舆情系统设计的架构、工作流程和关键性技术,并针对国内舆情系统存在的不足提出了几点思考．     

农产品安全网络舆情演化分析与导控策略

农产品安全事件的网络舆情是关乎民众健康和社会安定的重大问题。采用改进的元胞自动机模型分析此类网络舆情的演化趋势及导控策略。通过对元胞空间邻域结构、状态转移函数及演化规则的改进体现农产品网络舆情特点,引入导控因子分析舆情导控策略,并通过仿真实验探究网民情感倾向、相互作用以及信息干预对舆情演化趋势的影响。最后对中国近期发生的"非洲猪瘟"事件相关舆情进行实证分析。研究表明:本文模型实现了对该事件网民情感倾向变化及舆情发展的合理预测,并提出科学的舆情干预和监管措施。研究将有助于揭示农产品安全网络舆情特征与演化规律,为网络舆情的有效监管提供参考。     

基于Web信息挖掘的网络舆情分析技术

网络舆情分析是有效掌控网络、促进社会主义和谐社会建设的重要手段。Web信息技术的特点决定了其适用于网络舆情分析。利用Web信息挖掘,可以发现网络舆情、分析网络舆情的起源、发现网络舆情受众及其特点、研究舆情在网络上的传播扩散模式以及评估舆情影响效果。     

基于BiGRU- CNN的网络舆情情感识别模型

目的 随着公众舆论数据的快速增长,社交网络文本情感识别在网络舆情监控中发挥着越来越重要的作用。由于文本数据的稀疏性、高维性和自然语言的复杂语义,情感分析任务面临巨大的挑战。方法 为提高网络舆情情感识别的效果,设计一种融合双向门控循环单元(BiGRU)和卷积神经网络(CNN)的情感识别模型。首先将社交网络文本转换成特征向量,然后通过BiGRU提取文本的上下文情感特征,最后通过CNN提取文本的局部情感特征,构建中文社交网络文本情感识别模型。结果 以新冠疫情期间网民的微博评论为数据集验证模型的可行性和优越性,模型的精确率、召回率和F1值分别达到86.6%、87.06%和86.85%。结论 实验结果表明,融合BiGRU-CNN的特征向量包含更加丰富文本的情感信息,能够有效提升网络舆情情感识别的性能。     

人工智能背景下网络舆情数据识别及管理研究

大数据时代网络舆情数据逐年增多,单依靠传统方法识别,存在效率低、反馈不及时等诸多问题。本文研究利用人工智能的思维与技术手段来解决网络舆情数据的识别及管理,首先借助爬虫技术,通过网络平台爬取舆情数据;接着对标注好的文本数据进行清洗、中文切词、停用词过滤等预处理操作;再使用支持向量机构建数据识别模型,对数据进行文本识别;最后将识别后的诉求件反馈到相关职能部门,以确保管理落到实处。研究结果表明识别效果好,诉求件的识别准确率高达95.3%,采用人工智能数据挖掘技术识别网络舆情数据是有效可行的,其应用实施能有效提高政府部门的管理效率。