网络事件信息分类与情感情绪状态传播模型的挖掘与实现

The relationships among information, emotion and mood of web events are studied in the following steps. Firstly, the different web events are identified from the large-scale temporal text corpus on the web by three strategies: titles based core semantic discovery; divide and conquer; stepwise refinement. These web events form the information space. Secondly, the emotion tags on specified web events from web users are collected to construct the emotion space. Thirdly, the correlation between the temporal variation of emotion space and information space is discovered, which includes three different granularities: attributes, attribute relation patterns and semantic communities. Based on that, the emotion spreading process of web events is modeled. At last, the state of controllability of web users on a specified web event can be given by the temporal variations of emotion space, like the curvature variations of increasing speed and acceleration of ‘anger’ and ‘sadness’. Then, the mood spreading process of web events is modeled. Finally, the four parts will be wrapped as web services which can be called by the Integrated Platform.

本项目(1)基于事件属性(文本关键词)关联语义链网络，通过文本标题核心语义，分而治之与逐步求精三种策略,对大规模Web文本时序信息集合进行事件识别与分类研究。在此基础上，(2)对特定事件与网站获取不同时刻的网民情感分布空间；(3)研究不同时刻事件网民情感分布空间的变化过程和事件属性、属性之间的关系、属性语义社区等三层不同事件语义粒度变化过程之间的内在关联机制，构建事件网民情感状态传播过程的基本机制与模型；(4)基于不同时刻情感分布空间的变化，通过“愤怒”与“难过”情感状态所占比重增加的速度与加速度形成的累积曲线曲率的变化，以判断网民情绪是否处于可控状态，继而构建网民情绪状态传播的基本机制与模型。实现上述四个算法软件web service的封装，供总集成平台与仿真平台调用。

网络中热点与突发事件频现，这些事件分布在大规模非结构化的文本集合中，如何及时发现网络中频发的热点事件，并对这些事件的情感进行分析，为用户应对舆情事件提供决策依据，是本项目研究的背景。 .本项目以事件文本关键词及其关系所构造的事件语义社区来代替事件文本层次的直接聚类与分类，以降低计算的复杂度和提高准确性。我们提出三种策略实现在大规模文本集合中进的事件的快速发现。(1)基于文本标题建立关键词层次的语义链网络ALN，实现事件精简核心语义的策略，以获得事件核心语义的初始值；（2）基于ALN中的核心语义，对大规模文本集合进行分类，实现大规模文本分而治之策略；（3）基于分类后的文本集合，重新构造事件的核心语义；利用分类后文本所构造的核心语义更加丰富与准确性更高。因此，通过文本集合与核心语义的不断迭代，可实现事件核心语义的逐步求精策略。.通过实验验证了上述三个策略，对大规模Web文本时序集合进行事件识别与分类方法具有较高的事件发现准确率和稳定性。.通过已经发现的事件关键词，可从社交媒体中获得事件的微博、评论及其情感标签等数据。基于这些数据与社会心理学对情感分析的结论，提出了基于模糊逻辑的多粒度情感计算方法，来对数据缺乏的事件进行计算。该方法依赖具体语境，计算词汇在语境中的情感，同时自适应加入网络流行用语；该方法融合了微博内容情感及其情感标签，可提高情感分析的准确性。基于用户微博内容及其所表达的情感标签计算用户情感；基于用户所发微博的内容及评论、转发、赞成的融合信息来计算用户的社会情感；继而可对特定事件获取不同时刻的网民情感分布空间。.研究不同时刻事件属性、属性之间的关系，属性关系所构成语义社区情感变化的过程、关联机制及其分布空间，形成不同时刻事件属性、属性之间的关系及其语义社区情感分布空间； 基于不同时刻情感分布空间的变化，通过“愤怒”与“难过”情感状态所占比重增加的速度与加速度形成的累积曲线曲率的变化，以判断网民情绪是否处于可控状态。通过对某一时间段情感变化的趋势，可计算网民在这一时间段的情绪状态。我们通过实例分析，验证了上述方法的有效性与一定的准确性。.上述算法已经编程实现，供总集成平台与仿真平台调用。

内容获取失败，请点击重试