網(wǎng)絡(luò)輿情分析關(guān)鍵技術(shù)研究.pdf

1、隨著互聯(lián)網(wǎng)的快速普及，網(wǎng)絡(luò)輿情已經(jīng)成為公共輿情的重要組成部分。網(wǎng)絡(luò)輿情和傳統(tǒng)輿情相比，具有數(shù)據(jù)量大、突發(fā)性強(qiáng)、影響范圍廣等特點(diǎn)。對(duì)于海量的輿情信息，使用人工管理的方式顯然不能很好的了解輿情的發(fā)展趨勢(shì)，不能很好的應(yīng)對(duì)突發(fā)事件。為了應(yīng)對(duì)網(wǎng)絡(luò)輿情的特點(diǎn)，需要使用自動(dòng)分析的手段對(duì)互聯(lián)網(wǎng)的輿情進(jìn)行處理分析，掌握其發(fā)展趨勢(shì)，以便相關(guān)部門及時(shí)進(jìn)行干預(yù)。
　　本文針對(duì)輿情分析中突發(fā)事件的分類和評(píng)論文本的情感傾向分析進(jìn)行研究。使用數(shù)據(jù)挖掘中的文本分

2、類技術(shù)，對(duì)突發(fā)事件進(jìn)行預(yù)警。由于突發(fā)事件的內(nèi)容主要是文本，因此突發(fā)事件的預(yù)警的本質(zhì)是文本分類。同時(shí)研究了輿情分析中的評(píng)論文本情感傾向分析。主要的研究?jī)?nèi)容和創(chuàng)新點(diǎn)有:
　　(1)本文改進(jìn)了基于機(jī)器學(xué)習(xí)的文本分類的流程，提出了基于特征詞位置和長(zhǎng)度加權(quán)算法、同義詞合并加權(quán)算法。傳統(tǒng)的特征權(quán)重計(jì)算算法，沒有考慮到特征詞的位置信息和語義信息。文章的標(biāo)題能很好的代表文章的內(nèi)容，標(biāo)題中的特征詞相比文章中的特征詞更具代表性，能更好的代表該文章的類

3、別，因此需要對(duì)不同位置的特征詞進(jìn)行權(quán)重的調(diào)整。通常來說，詞意越是明確詞的長(zhǎng)度就越長(zhǎng)，越能代表某些領(lǐng)域的專業(yè)性的東西，因此需要針對(duì)詞的長(zhǎng)度進(jìn)行權(quán)重調(diào)整，詞越長(zhǎng)權(quán)重越大。在同一篇文章中存在著，很多的同義詞，傳統(tǒng)的特征權(quán)重算法是基于統(tǒng)計(jì)的，會(huì)將同義的兩個(gè)詞視為兩個(gè)特征，本文提出的同義詞合并加權(quán)算法可以很好的解決這個(gè)問題。
　　(2)本文改進(jìn)了基于機(jī)器學(xué)習(xí)的文本情感傾向分類算法，在計(jì)算特征權(quán)重的過程中，對(duì)具有情感色彩的詞根據(jù)情感傾向的程度

4、進(jìn)行加權(quán)，對(duì)于情感詞所在的短語進(jìn)行了語義分析，根據(jù)情感詞附近的程度副詞否定詞和連詞的不同搭配方式進(jìn)行了討論，并得出了程度副詞否定詞和連詞對(duì)情感詞的情感傾向及強(qiáng)弱影響的計(jì)算公式。并以此為基礎(chǔ)對(duì)基于機(jī)器學(xué)習(xí)的情感分類算法做出了改進(jìn)。
　　實(shí)驗(yàn)結(jié)果表明，本文提出的基于特征詞位置和長(zhǎng)度加權(quán)算法、同義詞合并加權(quán)算法對(duì)突發(fā)事件輿情信息的分類上分類準(zhǔn)確率高于未改進(jìn)的提高2-3％。本文提出的基于語義的情感詞特征加權(quán)算法在訓(xùn)練集充分的情況下情感傾向