網絡輿情分析關鍵技術研究.pdf

1、隨著互聯(lián)網的快速普及，網絡輿情已經成為公共輿情的重要組成部分。網絡輿情和傳統(tǒng)輿情相比，具有數據量大、突發(fā)性強、影響范圍廣等特點。對于海量的輿情信息，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，不能很好的應對突發(fā)事件。為了應對網絡輿情的特點，需要使用自動分析的手段對互聯(lián)網的輿情進行處理分析，掌握其發(fā)展趨勢，以便相關部門及時進行干預。
　　本文針對輿情分析中突發(fā)事件的分類和評論文本的情感傾向分析進行研究。使用數據挖掘中的文本分

2、類技術，對突發(fā)事件進行預警。由于突發(fā)事件的內容主要是文本，因此突發(fā)事件的預警的本質是文本分類。同時研究了輿情分析中的評論文本情感傾向分析。主要的研究內容和創(chuàng)新點有:
　　(1)本文改進了基于機器學習的文本分類的流程，提出了基于特征詞位置和長度加權算法、同義詞合并加權算法。傳統(tǒng)的特征權重計算算法，沒有考慮到特征詞的位置信息和語義信息。文章的標題能很好的代表文章的內容，標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，因此需要對不同位置的特征詞進行權重的調整。通常來說，詞意越是明確詞的長度就越長，越能代表某些領域的專業(yè)性的東西，因此需要針對詞的長度進行權重調整，詞越長權重越大。在同一篇文章中存在著，很多的同義詞，傳統(tǒng)的特征權重算法是基于統(tǒng)計的，會將同義的兩個詞視為兩個特征，本文提出的同義詞合并加權算法可以很好的解決這個問題。
　　(2)本文改進了基于機器學習的文本情感傾向分類算法，在計算特征權重的過程中，對具有情感色彩的詞根據情感傾向的程度

4、進行加權，對于情感詞所在的短語進行了語義分析，根據情感詞附近的程度副詞否定詞和連詞的不同搭配方式進行了討論，并得出了程度副詞否定詞和連詞對情感詞的情感傾向及強弱影響的計算公式。并以此為基礎對基于機器學習的情感分類算法做出了改進。
　　實驗結果表明，本文提出的基于特征詞位置和長度加權算法、同義詞合并加權算法對突發(fā)事件輿情信息的分類上分類準確率高于未改進的提高2-3％。本文提出的基于語義的情感詞特征加權算法在訓練集充分的情況下情感傾向