基于情感傾向性分析的網絡輿情情感演化特征研究

蔣知義 馬王榮 鄒凱 李黎

〔摘 要〕[目的/意義]旨在通過對網絡輿情進行情感傾向分析和輿情追蹤，為政府有效掌控網絡輿情突發事件提供理論基礎與決策支持。[方法/過程]以“羅一笑”事件為例，在建立加入特定事件語料情感分類詞典和構建情感傾向分析模型的基礎上，統計該事件微博文本的情感性強度和情感類型，從而劃分網絡輿情演化階段。[結果/結論]揭示了輿情演化各階段的特征與規律，據此提出引導網絡輿情情感演化的相關建議。

〔關鍵詞〕網絡輿情；情感傾向性分析；情感分類；情感演化

DOI：10.3969/j.issn.1008-0821.2018.04.007

〔中圖分類號〕C931.2；G203 〔文獻標識碼〕A 〔文章編號〕1008-0821（2018）04-0050-08

〔Abstract〕[Purpose/Significance]The purpose of this study was to provide a theoretical basis and decision-making support for the government to effectively control network public opinion emergencies through the analysis of emotional tendency and public opinion tracking of network public opinion.[Method/Process]Taking“LuoYixiao”idcident as an example，tased on the establishment of adding specific event corpus emotion classification dictionary and constructed sentiment analysis model，calculated the text emotional intensity and emotion type of microblog，thus divided the network public opinion evolution stage.[Result/Conclusion]Revealed the characteristics and laws of the evolution of public opinion at all stages and suggestions were proposed to guide the evolution of emotion in network public opinion.

〔Key words〕network public opinion；sentiment orientation；sentiment classification；sentiment evolution

第39次《中國互聯網絡發展狀況統計報告》顯示，截至2016年12月，我國網名數量已突破7.31億，相當于歐洲人口總量，互聯網普及率上升至53.2%。隨著社會性網絡服務（Social Networking Services，SNS）的廣泛應用和即時通訊功能的日益豐富，“兩微一端”等社交媒體逐漸成為網絡輿情傳播的主要媒介。網絡輿情是網民通過互聯網平臺表達自己對社會發生的熱點事件所持有的不同看法，是網民態度、認知、行為和情感傾向的集合[1]。而情感傾向則是網絡輿情的風向標，展現網民對某一事件所持的態度和情感趨勢，是社會各階層意見和態度的真實反映，這些情感信息影響著網絡輿論的走向，若缺乏對輿論走向的正確引導，將可能引發極端情緒的蔓延，進而導致群體極化現象。故而有必要對網絡輿情事件展開深入的文本挖掘和情感傾向分析，探索情感演化的特征和規律，從而為政府相關部門有效監管網絡輿情、維護社會穩定提供理論支持。

國內外學者在網絡輿情情感演化方面均展開了相關研究。Patricia Moy等[2]認為，對突發事件網絡輿情的應對措施和引導處理不當，會引發更大范圍事件的產生。Lavrenko V等[3]從技術層面的角度，指出對網絡輿情的監管應包括最初對事件的識別以及該事件后續相關報道的話題檢測與追蹤。Mceoy[4]將美國“黑色聯盟”作為案例，分析了“新聞修復”的權威地位。王子文等[5]認為輿情演化的內在動力取決于“網絡推手”的利益機制。唐超[6]的研究結果表明，網絡情緒是輿情演化的重要因素，并在此基礎上提出了網絡輿情的情緒演化規律。柳軍等[7]將研究視角鎖定為輿情傳播的微內容，認為網絡輿情演化符合“馬太效應”和“群體極化”規律。國內外現有研究成果主要集中于網絡輿情情感演化的理論研究和技術探索，基于典型案例的實證研究及情感引導策略分析的研究成果較少。因此，本文通過文本挖掘和建立情感詞典，再結合情感傾向分析模型對“羅一笑”事件的演化規律進行實證分析，從情感角度對該研究領域進行有效補充。

1 相關理論與技術

1.1 情感分析

情感分析（Sentiment Analysis），也稱為傾向性分析，是指采用自動化或半自動化手段對基于微博、論壇等在線社交網絡產生的主觀評論文本內容進行分析、處理、歸納和推導，從中挖掘出用戶（個人或群體、組織等）針對主題、人物、事件等表達的評論、觀點和意見的過程[8]。情感傾向性分析的主要對象是網民自主發布的與網絡輿情事件相關的文本。

1.2 文本挖掘

文本挖掘（Text Mining）是指對半結構化或非結構化的自然語言文本進行處理并采用一定的技術從中發現和提取特定信息的過程。如圖1所示，首先通過對網絡文本資源的收集建立文本集合，再運用文本預處理、特征提取以及數據挖掘的方法，對文本集合進行處理，進而獲取用戶所需的特定信息。

1.3 文本預處理

文本預處理是文本挖掘的主要環節之一，主要包括對原始文本集合進行去噪處理[9]、中文分詞、去停用詞、詞性選擇等一系列流程（見圖2），本文通過ROST CM文本挖掘軟件對預處理后的微博數據進行情感分析。

1.4 特征提取

2 情感傾向分析模型構建

情感傾向判斷的目的是對主觀性文本內容進行情感類別的判定，因此構建情感分類詞表對于情感傾向分析的意義不言而喻。首先通過情感詞表找到與之相匹配的情感詞，進而根據情感詞的值計算出每個句子的情感極性值，而整個文本的情感傾向就是所有句子情感值的整合。在通過情感詞表進行文本情感傾向的同時，還應當考慮否定或程度修飾副詞、句型等對文本情感極性的影響。

2.1 基于特定事件情感詞表構建

為保證詞表的全面性和準確性，本文基于公開情感詞表，并結合“羅一笑”事件語料庫提取的情感詞，形成最終的擴展情感詞表。

首先，通過八爪魚數據采集器搜集與該事件相關的75 483條微博文本作為數據源，采集時間自2016年11月29日0時始至2016年12月31日24時止。其次，對數據進行初步處理，即去重、去空和去廣告等操作，得到有效微博數據74 025條。最后，通過分詞處理，將提取的情感詞與知網HowNet、大連理工大學等情感詞表相結合，構建基于特定事件的情感詞表（見表1）。

2.2 文本情感計算規則

3 情感傾向性分析

首先，依據文本情感計算規則，對74 025條微博文本進行情感傾向值的計算與統計，進而對其極性進行判斷。本文將該事件的微博分為正向微博（情感值大于0）、中性微博（情感值等于0）、負向微博（情感值小于0）3種。如圖3所示，該事件中，正向微博達48 093之多，占總量的65%，超過中性微博（8 271條）和負向微博（17 661條）之和。由此可知，雖然該事件對社會造成了一定的負面影響，但網民對此事件的情感傾向較為積極。

其次，根據微博情感傾向值的大小進一步對微博文本情感極性強度進行程度劃分，即一般正向（0，10）、中度正向[10，20）、高度正向[20，+∞）、一般負向（-10，0）、中度負向（-20，-10]和高度負向（-∞，-20]。如圖4所示，“一般”程度微博數量所占比例最大，任一程度的正向微博數量均多于負向微博數量。

最后，從微觀角度對網民情感傾向性做時序分析，如圖5所示，該事件整體雖以正向情感為主，然而負向情感多次顯現，有時甚至達到了高度負向。

4 網絡輿情情感演化實證分析

根據網絡輿情事件周期演化理論[10]，對“羅一笑”事件相關微博數據進行時序統計（見圖6）。

由此可知，11月30日有關該事件的微博發布數激增，達43 373條；此后，網民的關注度逐漸降低，單日微博的發布數量一度呈下降趨勢。具體而言，12月1日的微博發布數量較前一日驟降至17 476條，12月2日的微博發布數量降至3 414條，自12月3日伊始，每日的微博數量均低于1 000條，直至12月24日因羅一笑去世的消息，當日微博數量上升至3 364條，然而并沒有引起爆炸性轟動，而是隨著時間的流逝逐漸淡出網民的視角，最終完全消逝。依據對“羅一笑”事件相關微博發布數量的時序變化統計，本文將輿情演化過程分為開始期、爆發期、發酵期、消解期和反思期5個階段（見表2）。

通過Stata13對“羅一笑”事件微博情感極性強度的特征統計可知（見表2），該事件的情感極性均值、標準差、最大值、最小值分別為4.606、16.636、388和-122，數據間極性強度差異明顯，高度正向情緒與高度負向情緒并存，且偏度為1.862，峰度為24.667，具有尖峰和后尾的特征，不符合正態分布規律。正是由于網絡輿情傳播集群行為的特性，致使數據間出現極端波動。

通過對“羅一笑”事件輿情演化各階段情感極性強度及類型的統計可知（見表3）可知，各演化階段網民對該事件的情感極性都以正向為主，且正向微博的發布數量均高于負向微博。具體而言，開始期由于微博發布數量較少且正向微博居多，因此開始期微博平均情感極性強度高達21.7，居于各階段頂峰，這一期間，年少重疾的羅一笑成為大家愛護、援助的對象，而“懷疑”情感的浮現則為之后輿情的反轉埋下伏筆；從爆發期到發酵期這一段時間，由于羅爾個人資產的曝光，輿情中充滿了對羅爾利用女兒病情炒作的批判，微博平均情感強度明顯下降；在羅爾歸還捐款并致歉之后，消解期和反思期的微博平均情感極性強度逐漸回升。總覽整個事件發展過程中情感類型的發展變化，開始期以“贊揚”、“相信”等正向情感為主；在爆發期到反思期中，“贊揚”類的正向情感與“貶責”作為主體情感并交織出現，但總體上主要以正向情感為主，此外，“悲傷”是輿情演化過程中網民共有的情感之一。

以上為宏觀層面的“羅一笑”事件網絡輿情演化過程分析，下面從微觀層面對該事件輿情演化各階段進行探究。

4.1 開始期情感演化

由表4可知，開始期微博發布數量僅17條，包括正向微博11條、負向微博和中性微博各3條，其中，正向微博情感極性多為高度正向，表明該事件初期，網民的情感較為正向，對羅一笑祝福、關愛的同時呼吁更多的人施以援手。

從用戶特征的角度來看，開始期尤其是微博情感極性強度為前5的用戶（見表5），其所在地多為事發地（深圳），可見該事件網絡輿情的迅速傳播得益于當地媒體及當事人的宣傳。

4.2 爆發期情感演化

爆發期的微博發布數量與網民參與量均達到各階段的頂峰，通過對這一階段的微博發布數量與平均情感極性強度進行時序變化分析（見圖7）可知：

1）2016年11月30日10～13時，呈現出微博發布數量急劇增長而微博平均情感極性強度逐漸遞減的趨勢，表明在這段時間內網民所發布的負向微博的比例在上升，負向情緒不斷攀升并在16時達最低值；

2）2016年11月30日16～22時，微博發布數量遞減，而微博平均情感極性強度略有回升，且均高于微博發布數量最多的時間段（13～16時），表明該時間段正向微博的數量增長較為明顯；

3）總體上看，11月30日10～24時的微博發布數量先增后減，平均情感極性強度先減后增，前期負向微博較多，而后正向微博占據主導。

4.3 發酵期情感演化

在發酵期，網民對該事件的態度逐漸趨于穩定，通過對這一階段的20 890條相關微博文本進行挖掘與分析（見圖8）可知：

1）2016年12月1日，“羅一笑”事件網絡輿情仍保持較高熱度，12～15時之間，呈現出微博發布數量總體增多而微博平均情感極性強度遞減的趨勢，表明這段時間該事件相關網絡輿情負向情感所占比例上升。此外，15時微博發布數量為當日最高值，且微博平均情感極性強度達到最低，表明此時網民的情緒最為低落；

2）2016年12月2日，即“羅一笑”事件網絡輿情發酵期的后半階段呈現出關注熱度走低的趨勢，此時網絡輿情并沒有持續惡化，而是得到了有效的控制，這得益于官方的介入以及該事件相關問題的妥善解決。

4.4 消解期情感演化

通過對消解期的5 057條相關微博進行發布數量的時序變化分析（見圖9）可知，這一階段微博發布數量呈現出遞減趨勢，且微博發布數量較少，表明“羅一笑”事件已不再是熱點輿情事件。隨著12月3日羅爾宣布退還善款并致歉的舉措以及官方的妥善處理，網民對“羅一笑”事件的質疑和羅一笑后續治療的關注，也逐漸變淡。

4.5 反思期情感演化

通過對反思期的4 688條相關微博進行情感詞提取，詞頻40以上的42個情感詞可視化結果如圖10所示，這段時間網民對“羅一笑”以祝福為主，“捐獻”、“天堂”、“愛心”、“捐助”、“病痛”、“捐贈”、“平安”和“無辜”等高頻詞是該事件過后網民的總結性情感。12月24日上午6時許，羅一笑在深圳市兒童醫院去世，其父母捐助了她的遺體和器官，該事件也隨之告一段落。

5 結論與建議

本文以“羅一笑”事件為例，在基于國內外學者對網絡輿情情感分析的基礎上，構建了一個較為全面的情感分類詞典，同時建立相應的情感傾向分析模型，對相關微博文本進行情感極性強度的判斷與統計，并運用實證分析對該事件網絡輿情各演化階段進行劃分，進而對各階段的情感演化特征及規律進行探究。研究發現：①開始期網民對網絡輿情事件所持的態度錯綜復雜，通過對情感傾向的提取有利于對事件后續發展態勢進行把握；②爆發期的微博發布數量和網民參與量最高，這一時期網民的情感傾向很大程度上決定了輿情事件總體演化趨勢，有關部門應多予關注和引導；③發酵期網民對輿情事件的新動態敏感度較高，正向信息的公開和輿情披露可以在此時起到良好反映；④消解期和反思期網民關注度較低，但仍需要對輿情事件進行追蹤與監管，以避免輿情事件的二次發酵。

依據研究結果，本文為政府相關部門有效監管、引導網絡輿情情感演化提出以下建議：

5.1 加強信息公開

網絡輿情具有突發性[11]、自由性[12]的特征，政府相關部門應在網絡輿情事件影響范圍急速擴散之前，占據輿論主導，將事件發生緣由、各發展階段的實情公之于眾，確保社會各界民眾的知情權。

5.2 關注意見領袖

意見領袖通常由政府官員、當紅明星、草根名人、知識分子、知名記者等各界社會精英組成，在網絡輿情中充當重要角色，他們既可以促成事件的圓滿解決，也會對事件的負面影響推波助瀾[13]。因此，政府相關部門應加強對意見領袖的關注，對這些用戶情感傳播行為的方式與內容加以監管和引導，規避網絡謠言的產生。

5.3 控制負向情緒

負向情緒集聚速度較快，對輿情事件總體演化趨勢的影響較為顯著，因此，政府相關部門應對負向情緒有針對性地進行引導，避免群體極化現象的產生，一方面，找出負向情緒產生的根源并及時予以矯正，緩解輿情事件的負向情緒；另一方面，加大輿情事件的新聞發布密度和力度，有效避免謠言的產生與擴散，營造良好的網絡輿情環境與秩序。

5.4 建立監管機制

“羅一笑”事件中，深圳市民政局的妥善處理使得事件得以平息，可見，政府相關部門對網絡輿情事件的處理舉措能夠映射到輿情事件的演化趨勢當中，對網民的情感傾向具有顯著影響。因此，政府應建立健全網絡輿情監管機制，對輿情事件各演化階段進行合理有效的引導，確保網絡輿情事件情感傾向的正向發展。

參考文獻

[1]曾潤喜，徐曉林.網絡輿情突發事件預警系統、指標與機制[J].情報雜志，2009，28（11）：52-54，51.

[2]Zhou Y，Moy P.Parsing Framing Processes：The Interplay Between Online Public Opinion and Media Coverage[J].Journal of Communication，2007，57（1）：79-98.

[3]Lavrenko V，Allan J，Deguzman E，et al.Relevance Models for Topic Detection and Tracking[C]// International Conference on Human Language Technology Research.Morgan Kaufmann Publishers Inc，2002：115-121.

[4]Mccoy M E.Dark Alliance：News Repair and Institutional Authority in the Age of the Internet[J].Journal of Communication，2001，51（1）：164-193.

[5]王子文，馬靜.網絡輿情中的“網絡推手”問題研究[J].政治學研究，2011，（2）：52-56.

[6]唐超.網絡情緒演進的實證研究[J].情報雜志，2012，（10）：48-52.

[7]柳軍，蔡淑琴.微內容的網絡輿情傳播特征分析[J].情報雜志，2013，（1）：1-4.

[8]黃勝.Web評論文本的細粒度意見挖掘技術研究[D].北京：北京理工大學，2014.

[9]趙城利.基于Web的信息智能感知技術及應用[D].長沙：國防科學技術大學，2004.

[10]肖強，朱慶華.Web2.0環境下的“網絡推手”現象案例研究[J].情報雜志，2012，31（9）：158-162.

[11]姜勝洪.網絡輿情形成與發展規律研究[J].蘭州學刊，2010，（5）：77-79.

[12]劉毅.網絡輿情研究概論[M].天津：天津人民出版社，2007：53-54.

[13]郭勇陳，沈洋，馬靜.基于意見領袖的網絡論壇輿情演化多主體仿真研究[J].情報雜志，2015，34（2）：13-21.

（責任編輯：孫國雷）