王淼 劉家委 朱鑫奕 劉樹(shù)林 余愛(ài)玲

摘要：互聯(lián)網(wǎng)用戶發(fā)表觀點(diǎn)具有傳播能力強(qiáng)、范圍廣的特點(diǎn)，對(duì)其他社交用戶的影響極大，研究用戶的社會(huì)影響力意義重大，已成為當(dāng)前輿情研究的熱點(diǎn)。通過(guò)用戶畫(huà)像和文本情感分析的方法，從不同維度對(duì)社會(huì)影響力進(jìn)行細(xì)致梳理，揭示了研究社會(huì)影響力的不同方法，并總結(jié)了各類方法的特點(diǎn)與發(fā)展趨勢(shì)，最后給出研究社會(huì)影響力的相關(guān)啟示。

關(guān)鍵詞：用戶畫(huà)像;文本情感分析;社會(huì)影響力;輿情

中圖分類號(hào)：TP311文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）25-0071-02

網(wǎng)絡(luò)通信平臺(tái)是當(dāng)前人們獲取信息的主要方式，通過(guò)微博、微信等社交平臺(tái)人們不僅獲取訊息而且可以發(fā)表自己的觀點(diǎn)，這些平臺(tái)使用門(mén)檻低，傳播能力強(qiáng)且范圍廣，每天會(huì)有百萬(wàn)以上的評(píng)論產(chǎn)生，通過(guò)這些媒體平臺(tái)發(fā)表言論，可能對(duì)相關(guān)事件造成一定影響。當(dāng)公共事件發(fā)生時(shí)，往往伴隨著聲音出現(xiàn)在評(píng)論中，有利有弊，當(dāng)某一個(gè)評(píng)論流量達(dá)到足以改變公共事件發(fā)展方向時(shí)，輿情便從中產(chǎn)生。而當(dāng)今社交平臺(tái)又是影響政務(wù)、商業(yè)、信息的平臺(tái)，每一次的輿情控制都是對(duì)相關(guān)政務(wù)機(jī)構(gòu)、商業(yè)機(jī)構(gòu)、信息機(jī)構(gòu)的寶貴財(cái)富。

1文本情感分析與社會(huì)影響力

1.1文本情感分析概述

文本情感分析作為自然語(yǔ)言處理的重要分支，是統(tǒng)計(jì)學(xué)、人工智能、語(yǔ)言學(xué)等領(lǐng)域的深度交叉融合。文本情感分析是利用計(jì)算機(jī)技術(shù)對(duì)文本進(jìn)行主客觀分類與意見(jiàn)挖掘的理論與方法，以分類、判斷文本的情感傾向性為主要目的。文本情感分析首先需要對(duì)源文本進(jìn)行分類處理，分類處理的對(duì)象是主觀性文本與客觀性文本[1]，目的是抽取出主觀性文本進(jìn)行下一步情感分析工作。在得出主觀性文本后，需要對(duì)其進(jìn)行情感極性分析和情感極性強(qiáng)度分析。

廣義文本情感分析，被稱為意見(jiàn)挖掘、情感分析等 [1]，主要對(duì)文本中表現(xiàn)出的態(tài)度、情感、傾向等主觀性內(nèi)容進(jìn)行辨別、分類、標(biāo)注、分析等處理，從而生成新的情感總結(jié)和傾向性分析。廣義文本情感分析將情感分為多種不同元素，包括個(gè)人的情緒狀態(tài)、心理思想和主觀傾向性等，通過(guò)提取自然語(yǔ)言文本中的情感元素來(lái)挖掘文本中的主觀傾向、立場(chǎng)、態(tài)度等。

狹義文本情感分析則與之相反，將情感傾向性分為正面、反面或中性，主要對(duì)文本情感進(jìn)行分類、對(duì)情緒與傾向性進(jìn)行分析。當(dāng)前，對(duì)狹義文本情感分析的主要研究方法主要有基于深度學(xué)習(xí)的方法、基于語(yǔ)義情感規(guī)則的分類方法，以及融合的分類方法。

1.2文本情感分析方法

文本情感分析可以分為詞語(yǔ)、句子和篇章三個(gè)層面的分析[2]。其中，情感分析的基礎(chǔ)是詞語(yǔ)，詞語(yǔ)的情感分析可以依賴情感詞抽取、建立語(yǔ)料庫(kù)和情感詞典等方法來(lái)實(shí)現(xiàn)。句子的情感分析是在詞語(yǔ)的基礎(chǔ)上，直接得出文本中某一整句的情感分析結(jié)果，是詞語(yǔ)情感分析的綜合，也將直接決定篇章級(jí)別情感分析的好壞。篇章級(jí)別的情感分析是文本情感分析中的重難點(diǎn)，受多種分析因素的綜合影響，分析結(jié)果難以穩(wěn)定在理想范圍。

文本情感分析應(yīng)用的方法[3]，主要有機(jī)器學(xué)習(xí)和詞典兩種方法。基于機(jī)器學(xué)習(xí)的方法以監(jiān)督學(xué)習(xí)的方法為主，主要有決策樹(shù)分類器、線性分類器、規(guī)則分類器和概率分類器。其中，線性分類器包括支持向量機(jī)與神經(jīng)網(wǎng)絡(luò)，概率分類器包括樸素貝葉斯、貝葉斯網(wǎng)絡(luò)和最大熵?；谠~典的方法分為基于字典方法和基于語(yǔ)料庫(kù)方法。其中，字典方法即構(gòu)建情感詞典，基于語(yǔ)料庫(kù)方法包括統(tǒng)計(jì)方法和語(yǔ)義方法。

當(dāng)前，文本情感分析工作更多使用機(jī)器學(xué)習(xí)算法去完成。同時(shí)，融合的方法成為未來(lái)發(fā)展的趨勢(shì)和突破方向，算法的融合、字典與機(jī)器學(xué)習(xí)算法的混合使用等往往比單一處理方法更加高效。

1.3文本情感分析與社會(huì)影響力的應(yīng)用實(shí)例

社會(huì)影響力是用戶或商家在互聯(lián)網(wǎng)中發(fā)表觀點(diǎn)、評(píng)論和文章所帶來(lái)的輿情影響，社會(huì)影響力分析對(duì)輿情監(jiān)控、虛假評(píng)論、情感傾向性判斷等工作具有重要參考價(jià)值。目前，國(guó)內(nèi)外學(xué)者已經(jīng)成功將文本情感分析廣泛應(yīng)用于各類與社會(huì)影響力相關(guān)的場(chǎng)景中。

羅昌銀等基于用戶狀態(tài)和行為，利用機(jī)器學(xué)習(xí)算法應(yīng)用于虛假評(píng)論識(shí)別[4]。具體提出一種虛假評(píng)論方法，結(jié)合PU學(xué)習(xí)算法完成識(shí)別工作，并運(yùn)用SVM分類器和邏輯回歸模型完成主觀分類和情感分析。此方法能夠成功識(shí)別虛假評(píng)論，但沒(méi)有具體呈現(xiàn)出虛假評(píng)論與正常評(píng)論兩者之間的異同。張凌等基于特征分析與機(jī)器學(xué)習(xí)方法具體分析負(fù)面微博特征[5]，同時(shí)提出負(fù)面微博識(shí)別的不同思路。首先分析了負(fù)面微博的具體特征，并通過(guò)正面微博運(yùn)用機(jī)器學(xué)習(xí)方法對(duì)識(shí)別工作進(jìn)行驗(yàn)證。此研究在負(fù)面微博識(shí)別中，將不同主題的負(fù)面微博分類，以負(fù)面詞為研究核心，為微博情感分析提供了新思路。但實(shí)驗(yàn)中微博樣本數(shù)量不足，同時(shí)對(duì)句子與篇章級(jí)別的負(fù)面微博識(shí)別研究較少。

崔彥琛等基于情感分析具體研究了消防突發(fā)事件網(wǎng)絡(luò)輿情情感詞典構(gòu)建工作[6]。此研究基于情感分析中的詞典方法，分析情感詞典構(gòu)建工作之后，綜合了消防情感詞典、網(wǎng)絡(luò)用語(yǔ)詞典和通用詞典三種詞典，構(gòu)建了新的消防輿情情感詞典。構(gòu)建的消防輿情情感詞典可以準(zhǔn)確、高效地應(yīng)用于突發(fā)消防事件的輿情監(jiān)控，是情感分析應(yīng)用于輿情和社會(huì)影響力的成功案例之一。伍靜等提出一種結(jié)合文本情感的微博僵尸粉識(shí)別模型[7]，首先定義了微博用戶的11個(gè)特征，然后對(duì)微博文本進(jìn)行情感分析，最后對(duì)實(shí)驗(yàn)?zāi)Ｐ瓦M(jìn)行評(píng)價(jià)。此模型實(shí)現(xiàn)過(guò)程完成了對(duì)微博僵尸粉識(shí)別工作，但不能完成對(duì)僵尸粉和不活躍用戶的區(qū)分。

2用戶畫(huà)像與社會(huì)影響力

2.1用戶畫(huà)像分析概述

用戶畫(huà)像，作為一種刻畫(huà)目標(biāo)用戶、聯(lián)系用戶，和發(fā)現(xiàn)用戶的意向趨勢(shì)的需求工具，用戶畫(huà)像在各領(lǐng)域行業(yè)與領(lǐng)域得到了廣泛的應(yīng)用。宋美琦，陳燁，張瑞認(rèn)為在單個(gè)用戶畫(huà)像和群體用戶畫(huà)像的分類的基礎(chǔ)上用戶畫(huà)像的內(nèi)涵有三個(gè)要素：用戶屬性、用戶特征，用戶標(biāo)簽具有標(biāo)簽化、時(shí)效性、動(dòng)態(tài)性三個(gè)屬性，針對(duì)用戶社會(huì)影響力用戶畫(huà)像的構(gòu)建需要根據(jù)具體的場(chǎng)景來(lái)進(jìn)一步細(xì)化才能產(chǎn)生精準(zhǔn)的使用價(jià)值[8]。

2.2用戶畫(huà)像分類

不同的用戶需求則需要這需要不同的用戶畫(huà)像構(gòu)建方法。劉海鷗，孫晶晶，蘇妍嫄，張亞明提出了4種模型與方法：基于用戶行為的畫(huà)像方法、基于用戶興趣偏好的畫(huà)像方法、基于主題的畫(huà)像方法、基于人格特性與用戶情緒的畫(huà)像方法[9]。

基于用戶行為的畫(huà)像方法，本類數(shù)據(jù)大多都是動(dòng)態(tài)的，用戶在社交平臺(tái)上或是現(xiàn)實(shí)中會(huì)留下自己的一些行為痕跡，這些行為痕跡數(shù)據(jù)的實(shí)效性較短，所以針對(duì)動(dòng)態(tài)收集的時(shí)間間隔要求較高，且通常常見(jiàn)的有效數(shù)據(jù)有用戶瀏覽記錄，用戶日志記錄，購(gòu)買記錄。從此類數(shù)據(jù)中可以提取出一些有效標(biāo)簽例如：周期行為規(guī)律，行為動(dòng)態(tài)速度，變化過(guò)程等。此類數(shù)據(jù)產(chǎn)生價(jià)值對(duì)數(shù)據(jù)采集與數(shù)據(jù)分析的速度要較高。

基于用戶興趣偏好的畫(huà)像方法，此類數(shù)據(jù)部分是動(dòng)態(tài)的，用戶的興趣愛(ài)好可能會(huì)持續(xù)很長(zhǎng)一段時(shí)間，目前用戶畫(huà)像普遍是運(yùn)用這類方法來(lái)提供推薦或是意向分析，同時(shí)根據(jù)直接的興趣愛(ài)好數(shù)據(jù)通過(guò)主觀分析計(jì)算，可以獲取一些潛在的用戶興趣偏好。但當(dāng)用戶的興趣較少時(shí)，提供價(jià)值的精度則會(huì)變低，并且挖掘此類數(shù)據(jù)，會(huì)從情感分析入手，所以難度的偏向性也比較大。若需要提供有效的價(jià)值需要較復(fù)雜的數(shù)據(jù)采集和數(shù)據(jù)分析手段。

基于主題的畫(huà)像方法，此類用戶畫(huà)像主要針對(duì)的是群體用戶，用戶多，特征廣是他的主要特點(diǎn)，若主題單一數(shù)據(jù)來(lái)源比較單一，有降低收集、分析的要求的特點(diǎn)，但是主題與主題之間的無(wú)關(guān)聯(lián)，很容易導(dǎo)致此類數(shù)據(jù)無(wú)價(jià)值。

基于人格特性與用戶情緒的畫(huà)像方法，此類數(shù)據(jù)具有很大的主觀性，一般通過(guò)用戶的問(wèn)卷調(diào)查，當(dāng)面訪問(wèn)獲得數(shù)據(jù)，可以通過(guò)人格、性格、情緒、行為分類來(lái)預(yù)測(cè)出用戶的情感偏向。并且目前的網(wǎng)絡(luò)環(huán)境，用戶的情緒比現(xiàn)實(shí)中的情緒更加豐富，所以獲得此類數(shù)據(jù)的來(lái)源很多，但是由于此類數(shù)據(jù)的主觀性很強(qiáng)，通過(guò)欺騙等手段，獲取數(shù)據(jù)的正確性會(huì)下降。所以導(dǎo)致數(shù)據(jù)的不真實(shí)性很大，從而導(dǎo)致用戶畫(huà)像刻畫(huà)不清晰。

2.3用戶畫(huà)像構(gòu)建流程分析

高廣尚論述了三個(gè)主要步驟：收集用戶數(shù)據(jù)，研究用戶信息，細(xì)分標(biāo)簽[10]。同時(shí)他也根據(jù)不同的用戶需求總結(jié)了6種不同的構(gòu)建方法：基于設(shè)計(jì)與思維，基于本體或概念，基于主題和話題，基于興趣或偏好，基于行為與日志，基于多維或融合。社會(huì)輿情本是一個(gè)復(fù)雜的且雜質(zhì)信息比較多的環(huán)境，所以在社會(huì)影響力分析時(shí)可以針對(duì)不同的平臺(tái)環(huán)境來(lái)改變用戶畫(huà)像的構(gòu)建方法或是多個(gè)用戶畫(huà)像構(gòu)建方法同時(shí)使用。

用戶畫(huà)像的構(gòu)建分為靜態(tài)和動(dòng)態(tài)，靜態(tài)用戶畫(huà)像刻畫(huà)后不會(huì)改變，對(duì)于目前大多數(shù)用戶畫(huà)像的使用環(huán)境來(lái)說(shuō)，用戶的信息以及環(huán)境是會(huì)隨著時(shí)間改變的，靜態(tài)的構(gòu)建方法有局限性，所以動(dòng)態(tài)的用戶畫(huà)像構(gòu)建更為適用，所以大多數(shù)特定的用戶畫(huà)像需要一定時(shí)間間隔定時(shí)的去更新標(biāo)簽。

3結(jié)束語(yǔ)

針對(duì)用戶在社交平臺(tái)的影響力分析，國(guó)內(nèi)外均缺乏針對(duì)性的研究，目前研究大多將研究重點(diǎn)放在信息本身的傳播過(guò)程，研究輿情的傳播過(guò)程而非研究社交平臺(tái)的用戶影響力對(duì)信息傳播的影響力。而目前的用戶畫(huà)像算法大多也著重于將用戶畫(huà)像用于推薦算法當(dāng)中，缺少將其用于信息傳播判斷當(dāng)中。在傳統(tǒng)的針對(duì)網(wǎng)絡(luò)社交平臺(tái)用戶畫(huà)像的研究當(dāng)中，常用基于用戶行為的畫(huà)像用于研究用戶的在社交網(wǎng)絡(luò)的行為，從而分析用戶在社交平臺(tái)當(dāng)中的行為，進(jìn)而判斷用戶的社會(huì)影響力。而在有關(guān)文本分析的研究中，文本分析常用于文本情感研究，用于研究用戶的對(duì)事件的情感傾向，或者用于對(duì)文本內(nèi)容進(jìn)行分類研究，而對(duì)研究用戶發(fā)表的文本對(duì)社會(huì)的影響力方向，還缺乏實(shí)際應(yīng)用研究與應(yīng)用場(chǎng)景。

后續(xù)研究可以結(jié)合用戶畫(huà)像與文本分析，將用戶特征與文本信息進(jìn)行關(guān)聯(lián)，研究某一類的用戶在當(dāng)前環(huán)境下，其表達(dá)的內(nèi)容具有怎樣的社會(huì)影響力。

參考文獻(xiàn)：

[1] 楊立公，朱儉，湯世平.文本情感分析綜述[J].計(jì)算機(jī)應(yīng)用，2013，33（6）：1574-1578，1607.

[2] 楊開(kāi)漠，吳明芬，陳濤.廣義文本情感分析綜述[J].計(jì)算機(jī)應(yīng)用，2019，39（S2）：6-14.

[3] 魏韡，向陽(yáng)，陳千.中文文本情感分析綜述[J].計(jì)算機(jī)應(yīng)用，2011，31（12）：3321-3323.

[4] 譚熒，張進(jìn)，夏立新.社交媒體情境下的情感分析研究綜述[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2020，4（1）：1-11.

[5] 羅昌銀，但唐朋，李艷紅，等.基于虛假評(píng)論識(shí)別的微博評(píng)論情感分析的研究與應(yīng)用[J].計(jì)算機(jī)應(yīng)用與軟件，2019，36（4）：55-62.

[6] 張凌，譚毅，朱禮軍，等.負(fù)面微博特征分析研究[J].情報(bào)理論與實(shí)踐，2019，42（7）：132-137，170.

[7] 崔彥琛，張鵬，蘭月新，等.消防突發(fā)事件網(wǎng)絡(luò)輿情情感詞典構(gòu)建研究[J].情報(bào)雜志，2018，37（10）：154-160.

[8] 宋美琦，陳燁，張瑞.用戶畫(huà)像研究述評(píng)[J].情報(bào)科學(xué)，2019，37（4）：171-177.

[9] 劉海鷗，孫晶晶，蘇妍嫄，等.國(guó)內(nèi)外用戶畫(huà)像研究綜述[J].情報(bào)理論與實(shí)踐，2018，41（11）：155-160.

[10]高廣尚. 用戶畫(huà)像構(gòu)建方法研究綜述[J].現(xiàn)代圖書(shū)情報(bào)技術(shù)，2019（3）：25-35.

【通聯(lián)編輯：梁書(shū)】