社會化媒體情緒化信息傳播研究的理論述評

唐雪梅 朱利麗

摘要：[目的]不同于官方信息傳播相對理性，用戶在社會化媒體上信息傳播具有較強的情緒化特征。情緒化信息傳播具有獨特的傳播機制和影響力，國內外文獻已經開始對此進行關注并成為社會化媒體信息傳播研究的重點之一。[方法]以社會化媒體和情緒等關鍵詞組合在國內外文獻資料庫內進行搜索，對搜集的相關文獻進行梳理。[結論]從社會化媒體情緒化信息特征、情感分析、情緒化傳播行為及情緒化信息的影響四個方面述評現有成果，最后分析了現有研究不足并指出未來可能的研究方向。

關鍵詞：社會化媒體;情緒;信息傳播;綜述;述評;情感分析

DOI：10.3969/j.issn.1008-0821.2019.03.013

〔中圖分類號〕G206〔文獻標識碼〕A〔文章編號〕1008-0821（2019）03-0115-07

人們使用社會化媒體創建并維護與他人的聯系，密切彼此社會關系。由于使用低門檻，普通用戶可以非常方便地在社會化媒體上撰寫和轉發信息，分享彼此感受、意見，社會化媒體日益成為人們交流和獲取信息的主要渠道[1]。社會化媒體信息也成為影響經濟社會發展的重要力量，研究表明社會化媒體信息對產品銷售[2]、電影票房收入[3]、金融股票漲跌[4]、政治領導人選舉[5]以及輿情事件爆發[6]等都具有重要影響。這也促使學術界對社會化媒體的信息傳播展開了大量研究，許多研究關注社會化媒體的技術特性，信息質量、用戶意見領袖特性等對社會化媒體信息傳播的影響，在眾多研究方向中尤其值得關注情緒化信息的影響。

情緒是人類一種短暫、高強度、主要受外部事件影響而產生的突發性生理反應，往往通過表情、肢體動作或語言表達出來，是人類一項基本心理活動。社會化媒體信息絕大多數是屬于用戶生產內容（User-generated Content），社會化媒體信息傳播本質上是用戶間互動交流，而人際交流中情緒表達是普遍現象，因此社會化媒體用戶的情緒化傳播正日益受到信息科學研究的重視，尤其是信息技術發展為情緒信息的抽取和挖掘提供了便利，對社會化媒體情緒化的信息特征、傳播規律及其影響的相關研究近年來蓬勃發展。本文將通過對社會化媒體用戶情緒傳播研究進展和成果進行梳理，以期為未來更好地開展相關研究提供助益。

1文獻收集

本質上說情緒（Emotion）是主觀認知和意識過程的總稱，是對外部事物的感覺、思想和行為作出的心理和生理反應[7]。與情緒含義較為相近的概念是情感（Sentiment），但兩者并不完全相同。情緒具有短暫性和情景性，如高興、悲傷，而情感相對穩定和內隱，如愛國;其次，情緒表現更早與人類的生理特性相關聯，是與生俱來，而情感表現較晚與人類的社會特性相關聯，是后天習得。因此人和動物都具有情緒，但人類才具有情感。由于研究中一些學者并沒有嚴格區分情緒和情感，在文獻搜索中分別使用這兩個關鍵詞。本文通過國外的Science Direct、EBCO以及國內的中國知網收集文獻，為了確保發現盡可能多的相關文章，嘗試了不同的關鍵詞組合。同時，如果發現文獻中有新的潛在有用關鍵詞或關鍵詞組合就擴展搜索詞列表，并對不同的搜索詞進行了測試和比較以尋找最佳的搜索關鍵詞及其組合。最終采用的搜索詞和搜索詞組合包括“Social Media+Emotions”，“Social Media+Sentiment Analysis”， “Computer Mediated Communication+Emotions”，“Emoticon+Social Media”，中文搜索也采用上述中文詞匯及“網絡輿情+情緒”的關鍵詞組合。由于本文主要關注社會化媒體上的情緒化信息，Web2.0技術的使用主要是近十年，學術對社會化媒體的研究還要滯后一些，因此篩選2010-2017年間的文獻以反映社會化媒體情緒傳播的最新成果。在搜索到的論文中剔除掉與研究主題無關論文，最后總共獲得了178篇文獻，文獻主要涉及信息科學、計算機學、心理學、新聞傳播學、商業等眾多領域，可以看出社會化媒體用戶的情感傳播已經引起了不同學科學者的關注，成為一個跨學科熱門研究主題。

對現有文獻研究主題進行歸類可以發現，大體可以分為4類。第一是對社會化媒體的情緒信息特性展開研究，第二是研究社會化媒體信息內容的情感分析方法，第三是研究社會化媒體用戶的情緒化傳播行為，第四是對社會化媒體情緒信息的影響展開研究。本文將重點對這4類研究成果進行梳理。

2社會化媒體情緒信息的特性

2.1以文字表達情緒

用戶在社會化媒體上發布信息不但可以陳述事實也可表達情緒，表明對當前問題的正面或負面態度、偏好。學者們重點關注社會化媒體用戶間互動交流與現實中面對面交流是否一樣具有豐富情緒，畢竟線下交流情緒可以通過語言、肢體直接表達。有研究認為網絡信息的情緒性更低，主要原因在于社會化媒體信息傳播主要通過文字形式，情緒表達較難，同時文字書寫思考時間更長，避免了情緒沖動性表達。但也有研究認為社會化媒體具有匿名傳播特性，傳播者感覺更安全，信息溝通中無所顧忌容易出現違反規范的語言，信息傳播更趨情緒化[8];同時網絡信息交流的虛擬特性無需忌諱信息接受者的感受，不再像面對面交流需要考慮禮貌，線上交流不用掩飾感受，社會化媒體用戶有更強烈的情緒表達傾向，容易出現過度激烈語言，如對抗、咒罵等，研究發現社會化媒體上的恐嚇性字詞比面對面交流高4倍[9]。

社會化媒體不僅更容易出現情緒傳播，并且許多研究發現負面情緒表達比正面情緒更為普遍。Yardi S等[10]依據推特數據發現網絡事件發生以后用戶更傾向表達憤怒、焦慮等負面情緒，在評論中更容易出現群體極化，用戶更容易產生極端情緒，出現正負雙峰分布的情感內容。Standing C等[11]研究網絡口碑傳播時發現在負面口碑中情緒化信息占63.6%，而正向口碑中情緒化信息只占有8.3%，即負面口碑傳播者比正面口碑傳播者使用更多的情緒詞匯來抒發和表達情緒。

2.2情緒表達的文本語言線索

人們交流中除了可以使用情緒詞語來表達情緒外，還可以通過肢體、表情等非語言方式來表達情緒，社會化媒體用戶信息傳播中也有類似非語言情緒表達情況，這被稱為文本語言線索（Textual Paralanguage Cues，TPC）。文本語言線索定義為非語言聽覺、觸覺和視覺元素的書面表現，補充或代替書面語言，可以通過文字、符號、圖像、標點符號或這些要素的組合進行表達。在社會媒體信息中有多種TPC類型，主要包括：1）表情符號（Emojis）比如使用表示抓狂;2）情感符（Emoticons）比如用“：-D”表示高興用，用“：-（”表達悲傷;3）字符的重復（Character Repetitions），主要是通過改變字母拼寫上的改變來表達自身情緒，比如使用“Yeees，Goood”來表達正面情緒，漢語中的“藍瘦香菇”表達負面情緒;4）非標準或多個標點符號（Nonstandard or Multiple Punctuations）比如使用“！！！，#%#！！”等;5）擬聲詞：在網絡語言中通過模擬動作聲音來表達情緒，使受眾不用觀察實際動作就能理解情緒狀態。比如用“哈哈哈”來表達喜悅情緒，用“嗚嗚”來表達失落、悲傷情緒。Luangrath? A W等[12]研究用戶對品牌的在線評論，結果發現與大約21%的Twitter，19%的Facebook和31%Instagram都包含TPC。用戶使用TPC除了更形象地傳達自身喜怒哀樂的情緒狀態外，還能增加信息強度使它看起來具有更強烈的情緒，此外還能消除信息歧義，幫助接收者更好理解信息含義[13]。

3社會化媒體信息的情感分析研究

3.1情感分析的內容

社會化媒體用戶大量使用情感詞匯來表達情緒，這也促使學者們對社會化媒體信息進行情感分析。情感分析也稱為觀點挖掘（Opinion Mining）是指利用自然語言處理和機器學習來識別和提取一篇文章中的主觀信息。自然語言處理（Natural Language Processing，NLP）是結合人工智能與語言學一門專業領域，其任務是讓電腦懂得人類語言，通過情感分析能夠獲得廣泛的公眾意見或態度，找出商品特征與評價，了解用戶對某些主題的總體認知或偏好[14]。

情感分析可以分為3個級別的粒度進行研究，即文檔級、句子級和詞匯級。在文檔層面整篇文章被處理成一個單元，探討文章是積極的、消極的或中立立場。這一層次分析假設每個文件在單一實體上表達意見，并且只有一個意見持有者;在句子層面上，情感分析目的是確定句子是否持有意見，并評價主觀句子的情感取向。句子等級情感分析的挑戰性在于情感取向是高度上下文相關的，如通過比較句和諷刺句等表達情感，單看句子很難做出正確理解，研究者需要分析句子中詞匯的詞性、位置、密度和句子關系結構等來加強單句意見傾向分析的正確性[15]。詞匯級別執行更細粒度的分析，它的兩個關鍵任務是特征提取和特征情感分類，在特征提取中要識別分析對象的屬性，在情感分類中則要定義不同屬性的情感傾向。

3.2情感分析的方法

情感分析通常采用兩種典型的方法：字典法和機器學習法。字典法即利用事前建立好的正、負向情緒字典，對比文本中正負情感詞匯的數量、級別、權重來評估文本的情感傾向。Wu H H等[16]整理出近年進行情感分析時使用到的9大情感詞典：ANEW、SentiWordNet、SenticNet6、General Inquirer-Emotion（GI-Emotion）、WordNET-Affect、National Taiwan Universtiy Sentiment Dictionary（NTUSD）、HowNet-VSA、WeFellFine和NELL-Emotion。其中NTUSD和Hownet-VSA為中文詞典，NTUSD是臺灣大學開發的中文詞典，總共收錄了11 086個詞匯，其中2 810個正向情感詞和8 276個負向情緒詞匯。Hownet-VSA是知網的簡易情感詞典，內容包括正負面情感詞語，正負評價詞語、程度詞匯和主張詞匯等共計18 138個詞匯。字典法需要覆蓋大數量情感詞的寬覆蓋詞典，詞典中每個單詞都劃分為正向、負向或中性情緒，良好的詞典集可以提高情緒分析的正確率。

機器學習法有監督式、無監督式和混合式3種。監督式方法需要大量已經被標記過的訓練文件來完成機器學習，通過每次輸入已經標記好結果的訓練資料去自我調整內部參數，經過多次、全面地學習即評估后得到一個預測模型，如支持向量機（SVM），樸素貝葉斯（NB），人工神經網絡（ANN）等。與監督式不同無監督模型不需要標記數據集，利用特征字庫對情感詞進行分群，將高相似度的文件進行聚類，如采用K-means聚類與LDA主題建模。一些研究選擇了這兩種方法的結合采用半監督或弱監督的方法，使用大量未標記的數據和部分注釋的數據，以建立更好的分類器。

微博等社會化媒體信息量較小（有140字的限制），缺少足夠的語文結構線索，并且還充斥著大量的非正規用語、口語、錯字和表情符，用傳統情感字典法去分析通常正確率偏低，機器學習法被認為更準確，可以有效地分辨許多語境與發文態度，但依賴于適當訓練，有效性很大程度上取決于訓練集和分類器的質量[17]。情感分析的機器學習法首先是使用爬蟲軟件獲取資料，后對收集文本進行清洗斷詞，通過人工標注方式產生訓練數據，再用標注文本訓練有監督學習機器。基本上，機器學習法假設有一個未知函數可以用來描述文本中的情感詞匯和情感類別之間的關系，計算機學習人工編碼的方式建立該函數來實現對這種關系的自動識別。劉志明等[18]綜合使用3種機器學習算法、3種特征項權重計算方法和3種特征選取算法對新浪微博的信息進行了情感分類研究，史偉等[19]提出了一種基于模糊觀點詞的中文產品評論情感計算方法，主要從情感極性、情感強度對特征觀點對和產品評論分別進行統計。

4社會化媒體用戶的情緒化傳播行為

情緒化傳播行為主要是站在傳播者視角研究個體情緒傳播的行為特征及其影響因素。個體情緒事實上是對外部刺激的心理反應，當受到外部刺激引發情緒后網民傾向通過網絡評論釋放情緒，傳播者的一個重要傳播動因就是情緒驅動。網絡謠言傳播研究發現焦慮、不安等情緒是引發網民傳播謠言的重要因素[20]。網民傳播情緒化信息在情緒表達的數量、強度和情緒類別上具有差異，這主要與情境以及文化有關。

4.1產品體驗對情緒傳播的影響

用戶會在社會化媒體上進行大量的網絡口碑傳播活動，口碑生成的一個重要前因是強烈的情感失衡。在使用產品后網絡用戶會基于實際使用體驗來傳播購后情緒，滿意顧客傳播正向情緒口碑，不滿顧客傳播負向情緒口碑，且傳播數量與情緒狀態之間呈U型關系，即正、負情緒強度高的情況下口碑傳播數量高，而中性情緒狀態下顧客口碑傳播數量少。極端評論中含有更大比例的情感內容，產品網絡評論的情緒分布往往呈雙峰狀態。對比正負口碑傳播數量還可以發現不滿情緒下用戶口碑傳播數量高于滿意情緒下的正向口碑，也就是說負向情緒口碑更多被傳播[21]。

4.2突發事件對情緒傳播的影響

社會化媒體用戶在進行評論時的情緒狀態往往受突發公共事件驅動，許多研究發現在不同突發事件中民眾表達的情緒具有差異，開始重點分析事件特性與情緒類型之間的關聯。鄭昱[22]研究指出突發事件中網民的相對剝奪感會激發焦慮、憤怒、恐懼等各種情緒反應，其中自然災害事件中緊張情緒比例最高，社會安全事件和公共衛生事件中敵意、憤怒情緒比例最高。Choi Y等[23]將事件引起的網絡情緒分為結果型情緒和歸因型情緒兩類，結果型情緒主要是源自于對事件結果特定刺激下產生的反應，歸因型情緒則是網民對事件進行歸因分析后產生的情緒。一般說來，當事件評估結果是負面、非預期、重要時，人們會去尋找結果的起因，也就是說結果型情緒是不需要深度思考即產生的情緒，而歸因型情緒則是需經深度思考才會產生的情緒，如公共安全事件中恐懼、不安屬于結果型情緒，而生氣、憤怒則是事故歸因是人為因素后產生的歸因型情緒。Jin Y等[24]分析了突發事件的危機情境與受眾情緒反應間的關系，研究發現高可預見性和高度可控性的危機情境下，社會化媒體用戶主要表達憤怒情緒，在可預見但可控性低的危機情境下主要表達悲傷情緒，在不可預見且可控性低的危機情境中主要表達恐懼情緒，在可預見性低但可控性強的危機情境下表達焦慮情緒。總體而言，傳播情緒與事件情境密切聯系，受到事件類型、結果、以及事件起因等因素的影響。

4.3文化對情緒傳播的影響

文化是影響個體行為的重要因素，不同國家和地區的人在行為方式上往往具有一定差異。如西方文化強調個人主義，個體行為更加獨立，而東方文化強調集體主義，個體行為更容易受到他人或群體的影響。Sims T等[25]研究發現文化可以影響個體情緒狀態，美國等西方人情緒表達更直接、更傾向表露積極情緒，中國人情緒表達更含蓄，表露情緒更傾向平衡正負情緒。周莉等[26]以巴黎暴恐事件為例研究各國網民的評論情緒，研究發現美國網民傾向于宣泄情緒直接表達自我觀點，生氣情緒詞匯最多，法國網民更多宣泄焦慮和悲傷情緒，英國網民傾向于對事件抱有批判態度并探求真相，生氣、焦慮、悲傷情緒差異不大，德國謹慎嚴密的行為習慣使網民情緒表達中各類情緒均較低。

5社會化媒體情緒信息傳播的效果

傳播效果研究主要是從信息接收端視角研究情緒化信息對微觀的個體行為和宏觀的商業、社會的影響。微觀影響主要關注對信息受眾的心理及評論、轉發行為，宏觀影響主要關注對產品品牌形象評價、產品銷售、政治選舉、網絡輿情傳播、群體事件爆發等。

5.1對用戶心理和行為的影響

情緒化信息傳播效果主要關注信息所表達的情緒如何影響信息受眾。對比情緒化信息與理性信息，理性信息往往過于呆板、教條容易被忽視，而情緒化信息處理起來更容易，更能引起受眾的注意，引起廣泛的認知過程增強受眾對信息的記憶效果。此外，情緒化信息較之理性信息更能激發受眾情緒，Kramer K[27]基于Facebook研究發現朋友評論的正負情緒能影響受眾態度和情緒，其原因在于情緒化信息能夠通過情緒感染方式影響受眾情緒。情緒感染（Contagion）被認為有兩種作用機制：一是強調個體會無意識地自動模仿他人的動作、表情和聲音，并在模仿過程中體驗他人情緒進而產生類似的情緒;二是作為一種認知過程，情緒感染是理解他人情緒的感受、辨析和接收的過程，受到個體認知系統的調節。Chmiel A等[28]考察了英國廣播公司論壇中的情緒表達，研究結果表明參與者表達的情緒取決于先前帖子中的情緒，憤怒情緒無論是直接針對其他參與者還是討論話題都可能引起受眾憤怒，而悲傷情緒引起同情和悲傷。

傳播者情緒影響信息受眾情緒后還會進一步影響其后續的認知和信息轉發行為。就認知而言，Hong Y等[29]以亞馬遜在線評論為對象研究評論有用性，結果顯示在線評論的正向情感內容對評論有用性有積極影響，負面情緒評論對評論有用性認知沒有影響。社會化媒體能產生巨大影響關鍵是信息受眾的轉發，通過信息轉發可以加快信息的傳播速度和范圍。Berger J等[30]以《紐約時報》上最常見文章為對象，研究發現情緒內容的新聞比非情緒的內容更有可能被電子郵件轉發。賴勝強等[31]發現情緒化網絡謠言較之非情緒化有更高轉發意愿，情緒化謠言通過情緒感染受眾，弱化受眾的理性分析導致非理性轉發。丁緒武等[32]實證顯示情緒化內容正向影響微博的轉發數量和轉發速度。

5.2不同類型情緒的影響

情緒包括許多不同狀態，艾克曼提出5種核心情緒：快樂、悲傷、憤怒、恐懼和厭惡，多數研究是從效價維度研究正、負情緒影響。Berger J[30]研究發現正向情緒內容較之負向情緒更能獲得轉發，但Kramer K[27]研究卻發現負面情緒帖子在評論方面比那些正向情緒得到更多轉發量和更快轉發。研究結論差異可能對象的差異有關，Berger J研究郵件轉發新聞，而Kramer K研究Twitter網友評論的轉發，也可能在于研究對情緒類型的劃分過于簡單。事實上不同類型情緒對受眾行為影響存在差異，同樣是負向情緒，引發焦慮和憤怒情緒的事件更可能被大量轉發成為最重要事件，而引發悲傷情緒的事件較少轉發。在后續研究中，Berger J[33]以情緒效價（正向、負向）和情緒喚起程度（高、低）兩個維度來劃分情緒類型，研究指出高喚起度情緒（如敬畏、憤怒和焦慮）比低喚起度情緒（悲傷）更能刺激受眾的后續行為。

5.3預測研究

社會化媒體情緒的預測研究主要是基于真實數據分析傳播效果。大多數文章都通過大數據分析抓取社交媒體情緒詞匯，建立模型分析情緒效價傾向、情緒強度等與產品銷售、股票市場的波動、網絡輿情傳播、選舉結果的關系。研究普遍認為如果要獲得更為準確的社會化媒體信息傳播效果必須要考慮情緒化信息的作用，消費者評論情緒與產品銷售高度相關，在線測量情緒可以是一個可行的預測變量[34]。盡管網絡使用者不具有樣本代表性，然而許多研究指出網絡大眾意見可以作為民意代表用來預測選舉結果，Ceron A等[17]采用機器學習法分析網絡用戶所表達情緒來預測用戶對于政治人物以及政黨的偏好，Gonzales B S[35]研究了人們對911事件及伊拉克戰爭的情緒反應來預測總統選舉，結果顯示911事件對情緒效價有顯著的負向影響，而興奮感最能預測民眾對總統的支持率。

6未來研究方向

社會化媒體的出現為人際在線交流提供了便利渠道，通過情感詞匯或情感符合可以充分表達自己體驗或對公共事務的認知、情緒。大量研究表明社會媒體用戶傳播的情緒信息不僅反映了網民態度、認知，還能通過情緒感染影響受眾情緒進而影響其態度、信息轉發、產品評估等。盡管現有研究對社會化媒體的情緒化傳播進行了大量研究并獲得重要結論，但畢竟研究剛剛起步，仍存在一些不足未來還需要繼續加強。

6.1繼續深化情緒類別影響差異的研究

目前研究注意到不同類型情緒的影響差異，但現有情緒分析主要還是從情緒效價的正向和負向上進行研究。然而最新研究表明即使都是負向情緒，情緒激活程度不同引發的行為和態度也不同，高激活的憤怒情緒與低激活的悲傷情緒能夠激發截然不同的反應。但目前數據挖掘研究中情緒分析大多局限于衡量積極和消極情緒。未來對社會化媒體情緒化信息的自動識別應更細化，要能對不同激活程度的情緒進行智能識別。此外，未來還應該繼續加強研究不同情緒信息的影響，例如網絡事件會產生哪些不同類型負面情緒，大眾信息傳播與這些負面情緒間的關系如何，政府或組織如何進行回應才能有效安撫這些不同類型的負面情緒。

6.2加強對非文字情緒信息的研究

現有情緒化信息研究主要還是關注文字信息，計算機對情緒信息的情感分析也主要是針對文字信息來進行。但社會化媒體評論一方面往往文字較少，另一方面文字的意義有時較為模糊，尤其是中文必須考慮具體語境才能判斷其真實含義，而社會化媒體上不斷翻新出現的網絡用語也較少歸納在情感詞典中，這些給單純依賴文字進行情感分析帶來困難。因此需要加強對表情符號的作用以及自動識別研究，以提高對情緒化信息的準確理解、評估。此外，隨著4G、5G技術的發展，社會化媒體信息交流開始出現聲頻、視頻化趨勢，未來需要研究如何通過聲音、聲調、視頻面部表情等來識別和判斷傳播者情緒。

6.3重視網絡輿情的情緒化信息研究

西方對社會化媒體情緒化研究領域主要還是在商業、政治選舉等領域，而我國社會化媒體信息傳播重要的網絡輿情傳播領域西方較少涉及。目前國內對網絡輿情傳播的情緒化信息研究重視不夠，現有文獻還主要是理論探討實證研究較少。未來需要在宏觀信息傳播層面和微觀個體行為層面加強實證研究，宏觀層面研究輿情事件類型與群體情緒極化、情緒傳播的規律，以及輿情事件演化與不同類型情緒之間關系;微觀層面則需加強輿情事件中傳播者的情緒生成、情緒傳播動機、傳播方式等研究，以及信息受眾對情緒化信息的評論、點贊、轉發等行為的情緒反應模式研究。

6.4加強理論研究

社會化媒體情緒化傳播研究多數是數據驅動，而非理論驅動。本文收集的文獻中大約只有10%的文章明確提出了相關理論作為研究基礎，現有研究中使用較多的理論包括心理學的情緒感染理論，情緒社會分享理論（Social Sharing of Emotion），社會學的社會支持理論（Social Supports Theory）等，更多文章是對情緒化傳播變量之間的關系進行數據分析和探討，但甚少基于理論分析產生這些影響及關系的原因。這可能與社會化媒體上數據獲取的便利性有關，但缺少理論探討使研究集中在描述發生了什么，而不是試圖解釋為什么會發生這些情況。未來研究應該重視從心理學、社會學、情報學、傳播學等學科中吸收相關理論進行深入研究，構建社會化媒體情緒化傳播的理論基石和理論框架，使研究不斷深入。

參考文獻

[1]賴勝強，唐雪梅.政府網絡輿情回應策略的內容分析[J].現代情報，2018，（10）：108-114.

[2]Kim A J，Ko E.Do Social Media Marketing Activities Enhance Customer Equity？An Empirical Study of Luxury Fashion Brand[J].Journal of Business Research，2012，65（10）：1480-1486.

[3]Treme J，Vanderploeg Z.The Twitter Effect：Social Media Usage As a Contributor to Movie Success[J].Economics Bulletin，2014，34：793-809.

[4]Chen C，Wu D，Hou Cl.Exploiting Social Media for Stock Market Prediction with Factorization Machine[C].International Joint Conferences on Web Intelligence.IEEE Computer Society，2014：142-149.

[5]Carlisle J E，Patton R C.Is Social Media Changing How We Understand Political Engagement？An Analysis of Facebook and the 2008 Presidential Election[J].Political Research Quarterly，2013，66（4）：883-895.

[6]唐雪梅，賴勝強.基于情景危機溝通理論的網絡輿情回應研究——以患癌教師被開除事件為例[J].情報雜志，2017，36（7）：96-100.

[7]彭曉哲，周曉林.情緒信息與注意偏向[J].心理科學進展，2005，13（4）：488-496.

[8]Ho S M，Hancock J T.Computer-Mediated Deception：Strategies Revealed by Language-Action Cues in Spontaneous Communication[J].Journal of Management Information Systems，2016，33（2）：393-420.

[9]Derks D，Fischer A H，Bos A E R.The Role of Emotion in Computer-mediated Communication：A Review.[J].Computers in Human Behavior，2008，24（3）：766-785.

[10]Yardi S，Boyd D.Dynamic Debates：An Analysis of Group Polarization Over Time on Twitter[J].Bulletin of Science，Technology & Society，2010，30（5），316-327.

[11]Standing C，Holzweber M，Mattsson J.Exploring Emotional Expressions in E-word-of-mouth from Online Communities[J].Information Processing and Management，2016，52（5）：721-732.

[12]Luangrath A W，Peck J，Barger V A.Textual Paralanguage and Its Implications for Marketing Communications[J].Journal of Consumer Psychology，2016，27（1）：98-107.

[13]Riordan M A，Kreuz R J.Cues in Computer-mediated Communication：A Corpus Analysis[J].Computers in Human Behavior，2010，26（6）：1806-1817.

[14]Cambria E，White B.Jumping NLP Curves：A Review of Natural Language Processing Research[J].Computational Intelligence Magazine，2014，9（2）：48-57.

[15]Missen M M S，Boughanem M，Cabanac G.Opinion Mining：Reviewed from Word to Document Level[J].Social Network Analysis & Mining，2013，3（1）：107-125.

[16]Wu H H，Tsai C R，Tsai T H.Building a Graded Chinese Sentiment Dictionary Based on Commonsense Knowledge for Sentiment Analysis of Song Lyrics[J].Journal of Information Science & Engineering，2013，29（4）：647-662.

[17]Ceron A，Curini L.Using Sentiment Analysis to Monitor Electoral Campaigns：Method Matters—Evidence from the United States and Italy[J].Social Science Computer Review，2015，33（1）：3-20.

[18]劉志明，劉魯.基于機器學習的中文微博情感分類實證研究[J].計算機工程與應用，2012，48（1）：1-4.

[19]史偉，王洪偉，何紹義.基于微博平臺的公眾情感分析[J].情報學報，2012，31（11）：1171-1178.

[20]Oh O，Agrawal M，Rao H R.Community Intelligence and Social Media Services：A Rumor Theoretic Analysis of Tweets During Social Crises[J].Mis Quarterly，2013，37（2）：407-426.

[21]Cantallops A S，Salvi F.New Consumer Behavior：A Review of Research on eWOM and Hotels.[J].International Journal of Hospitality Management，2014，36（1）：41-51.

[22]鄭昱.突發公共事件中輿論信息傳播傾向的影響因素——基于民眾負性情緒的研究視角[J].情報理論與實踐，2017，40（7）：80-87.

[23]Choi Y，Lin Y H.Consumer Responses to Mattel Product Recalls Posted on Online Bulletin Boards：Exploring Two Types of Emotion[J].Journal of Public Relations Research，2009，21（2）：198-207.

[24]Jin Y.Making Sense Sensibly in Crisis Communication：How Publics Crisis Appraisals Influence Their Negative Emotions，Coping Strategy Preferences，and Crisis Response Acceptance[J].Communication Research，2010，37（4）：522-552.

[25]Sims T，Tsai J L，Jiang D.Wanting to Maximize the Positive and Minimize the Negative：Implications for Mixed Affective Experience in American and Chinese Contexts.[J].Journal of Personality & Social Psychology，2015，109（2）：292-315.

[26]周莉，蔡璐，劉煜.文化差異中的網絡情緒表達——YouTube中四國對“巴黎暴恐”事件的網絡情緒分析[J].情報雜志，2017，36（3）：61-66.

[27]Laurie K.Learning Emotional Understanding and Emotion Regulation Through Sibling Interaction[J].Early Education & Development，2014，25（2）：160-184.

[28]Chmiel A，Sienkiewicz J，Thelwall M.Collective Emotions Online and Their Influence on Community Life[J].Plos One，2011，6（7）：e22207.

[29]Hong Y，Burtch G.Huang N.Culture，Conformity，and Emotional Suppression in Online Reviews[J].Journal of the Association for Information Systems，2016，17（11），737-758.

[30]Berger J.What Makes Online Content Viral[J].Journal of Marketing Research，2009，49（8）：192-205.

[31]賴勝強，唐雪梅.信息情緒性對網絡謠言傳播的影響研究[J].情報雜志，2016，35（1）：116-121.

[32]丁緒武，吳忠，夏志杰.社會媒體中情緒因素對用戶轉發行為影響的實證研究——以新浪微博為例[J].現代情報，2014，34（11）：147-155.

[33]Berger J.Arousal Increases Social Transmission of Information[J].Psychol Science，2012，22（7）：891-893.

[34]Hu N，Koh N S，Reddy S K.Ratings Lead You to the Product，Reviews Help You Clinch It？The Mediating Role of Online Review Sentiments on Product Sales[J].Decision Support Systems，2014，57（1）：42-53.

[35]Gonzalez B S，Rafael E B，Andreas K.Emotional Reactions and the Pulse of Public Opinion：Measuring the Impact of Political Events on the Sentiment of Online Discussions[J].arXiv Preprint arXiv，2010，1009.4019.

（責任編輯：孫國雷）