基于情感分析和影响力评估的突发事件情感图谱

doi:10.11772/j.issn.1001-9081.2021040654

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (5): 1330-1338.DOI: 10.11772/j.issn.1001-9081.2021040654

基于情感分析和影响力评估的突发事件情感图谱

仇丽青(), 曲福帅

山东科技大学计算机科学与工程学院，山东青岛 266590

收稿日期:2021-04-25 修回日期:2021-07-10 接受日期:2021-07-14 发布日期:2022-06-11 出版日期:2022-05-10
通讯作者: 仇丽青
作者简介:仇丽青（1978—），女，山东德州人，副教授，博士，主要研究方向：社交网络、数据挖掘 qiuliqing2019@163.com
曲福帅（1996—），男，山东潍坊人，硕士研究生，主要研究方向：社交网络、情感分析。
基金资助:
国家自然科学基金资助项目(71772107);山东省自然科学基金资助项目(ZR2020MF044);山东省社会科学规划数字山东研究专项(21CSDJ48);青岛市社科规划项目(QDSKL1801103)

Emotional map of emergency based on sentiment analysis and influence evaluation

Liqing QIU(), Fushuai QU

College of Computer Science and Engineering，Shandong University of Science and Technology，Qingdao Shandong 266590，China

Received:2021-04-25 Revised:2021-07-10 Accepted:2021-07-14 Online:2022-06-11 Published:2022-05-10
Contact: Liqing QIU
About author:QIU Liqing， born in 1978， Ph. D.， associate professor. Her research interests include social network，data mining.
QU Fushuai，born in 1996，M. S. candidate. His research interests include social network，sentiment analysis.
Supported by:
National Natural Science Foundation of China(71772107);Shandong Natural Science Foundation(ZR2020MF044);Digital Shandong Research Project of Shandong Social Science Plan(21CSDJ48);Qingdao Social Science Planning Project(QDSKL1801103)

摘要/Abstract

摘要：

针对突发事件中负面网络舆情传播的问题，提出了一种基于情感分析和影响力评估的突发事件情感图谱研究方法。提出了一种基于多头自注意力机制和双向长短期记忆网络（Bi-LSTM）的情感分析模型来计算网站用户的情感倾向，并提出了一种融合加权度与K-shell值的节点影响力评估算法来评估用户的影响力，从而综合构建突发事件的情感图谱，有效提高了情感图谱的准确性和科学性。以“7.7安顺公交车坠湖事件”为例，将突发事件的生命周期划分为爆发期、蔓延期、成熟期和衰退期四个阶段，分别生成情感图谱进行可视化分析。实验结果表明，在酒店评论数据集上，所提出的情感分析模型的F1值在积极和消极方面比文本循环神经网络（Text-RNN）模型分别提升了9.92个百分点和2.5个百分点；在Karate网络上，所提影响力评估算法的区分度和准确性比K-shell算法分别提升了46.89个百分点和29.05个百分点。构建基于社交网络的情感图谱有助于相关部门发现意见领袖及其情感倾向，从而把握网络舆情的发展趋势，并降低消极情感对社会造成的影响。

关键词: 社交网络, 情感分析, 意见领袖, 情感图谱, 舆情监测

Abstract:

Aiming the spread of negative network public opinions in emergencies， a research method of emotional map of emergency based on sentiment analysis and influence evaluation was proposed. In the proposed method， a sentiment analysis model based on multi-head self-attention mechanism and Bi-directional Long Short-Term Memory network （Bi-LSTM） was proposed to evaluate website users’ emotional tendencies. Meanwhile， a point influence evaluation algorithm combining weighted degree and K-shell value was proposed to measure users’ influences. Based on the above models， the emotional map of emergency was constructed， which effectively improved the accuracy and scientificity of the emotional map. Taking “7.7 Anshun Bus Falling into Lake Incident” as an example， the life cycle of an emergency was divided into four stages such as outbreak stage， spread stage， maturity stage and decline stage， which were used to separately generate the emotional maps for visualization analysis. Experimental results show that， the F1-score of the proposed sentiment analysis model on the hotel review dataset is 9.92 percentage points and 2.5 percentage points higher than that of Recurrent Neural Networks for Text Classification （Text-RNN） model in positive and negative aspects respectively. On the Karate network， the discrimination and accuracy of the proposed influence evaluation algorithm are 46.89 percentage points and 29.05 percentage points higher than those of the K-shell algorithm respectively. By building the emotional map based on social networks， relevant department can find the opinion leaders and their tendencies， thereby grasping the development trend of online public opinion， and reducing the influence of negative emotions on society.

Key words: social network, sentiment analysis, opinion leader, emotional map, public opinion monitoring

中图分类号:

TP391

仇丽青, 曲福帅. 基于情感分析和影响力评估的突发事件情感图谱[J]. 计算机应用, 2022, 42(5): 1330-1338.

Liqing QIU, Fushuai QU. Emotional map of emergency based on sentiment analysis and influence evaluation[J]. Journal of Computer Applications, 2022, 42(5): 1330-1338.

图/表 12

图1 LSTM模型结构

Fig. 1 LSTM model structure

图2 基于自注意力的Bi-LSTM模型结构

Fig. 2 Self-attention based Bi-LSTM model structure

图3 基于社交网络的情感图谱结构

Fig. 3 Emotional map structure based on social network

表1 实验参数设置

Tab. 1 Experimental parameter setting

参数	值
词向量维度	100
卷积核大小	3
丢弃率	0.6
Bi-LSTM隐藏单元个数	128
优化器	Adam Optimizer
早停法耐心值	50
学习率	0.001
批次大小	16

表2 不同模型在酒店评论数据集上的实验结果 (%)

Tab. 2 Experimental results of different models on hotel review dataset

模型	情感倾向	准确率	召回率	F1值
Text-RNN	积极	76.08	52.70	62.27
Text-RNN	消极	79.20	91.57	84.98
Text-RCNN	积极	78.75	65.55	71.54
Text-RCNN	消极	83.86	91.00	87.28
Text-RNN+Attention	积极	74.32	65.74	69.76
Text-RNN+Attention	消极	83.54	88.45	85.92
FastText	积极	80.68	52.89	63.89
FastText	消极	79.61	93.56	86.03
DPCNN	积极	76.50	64.25	69.84
DPCNN	消极	83.19	89.96	86.44
Transformer	积极	74.69	67.60	70.97
Transformer	消极	84.28	88.35	86.27
本文模型	积极	78.98	66.48	72.19
本文模型	消极	84.22	91.00	87.48

表3 不同模型在电商评论数据集上的实验结果 (%)

Tab. 3 Experimental results of different models on e-commerce review dataset

模型	情感倾向	准确率	召回率	F1值
Text-RNN	积极	78.75	77.63	78.19
Text-RNN	消极	78.38	79.48	78.93
Text-RCNN	积极	78.03	79.61	79.86
Text-RCNN	消极	81.26	77.45	79.31
Text-RNN+Attention	积极	77.10	80.33	78.68
Text-RNN+Attention	消极	79.90	76.63	78.23
FastText	积极	48.61	18.09	26.37
FastText	消极	50.31	81.27	62.15
DPCNN	积极	86.03	69.83	77.09
DPCNN	消极	75.04	88.89	81.38
Transformer	积极	78.24	78.46	78.35
Transformer	消极	78.84	78.61	78.73
本文模型	积极	79.31	83.97	81.57
本文模型	消极	81.46	77.60	79.49

表4 社交网络数据集统计

Tab. 4 Statistics of social network datasets

网络	节点数	边数	最大度	平均度	同配性
Karate	34	78	17	4.558 2	$-$ 0.475 6
Copperfield	112	425	49	7.589 3	$-$ 0.129 4
USAir97	332	2 126	139	12.000 0	$-$ 0.207 9
Euroroad	1 174	1 417	10	2.414 0	0.126 7
PowerGrid	4 941	6 594	19	2.669 1	0.003 5

表4 社交网络数据集统计

Tab. 4 Statistics of social network datasets

网络	节点数	边数	最大度	平均度	同配性
Karate	34	78	17	4.558 2	$-$ 0.475 6
Copperfield	112	425	49	7.589 3	$-$ 0.129 4
USAir97	332	2 126	139	12.000 0	$-$ 0.207 9
Euroroad	1 174	1 417	10	2.414 0	0.126 7
PowerGrid	4 941	6 594	19	2.669 1	0.003 5

表5 节点影响力算法的M函数值

Tab. 5 M-function value of node influence algorithm

网络	算法
网络	BC	CC	DC	HX	KS	WDK
Karate	0.775 4	0.899 3	0.707 9	0.576 6	0.495 8	0.964 7
Copperfiled	0.978 9	0.983 7	0.866 1	0.811 0	0.599 0	0.991 2
USAir97	0.697 0	0.989 2	0.858 6	0.835 5	0.811 4	0.995 9
Euroroad	0.937 4	0.998 8	0.444 2	0.253 4	0.212 9	0.999 4
PowerGrid	0.831 9	0.999 8	0.592 7	0.393 0	0.246 0	0.999 9

表6 节点影响力算法的肯德尔相关系数

Tab. 6 Kendall coefficients of node influence algorithms

网络	$τ (σ, B C)$	$τ (σ, C C)$	$τ (σ, D C)$	$τ (σ, H X)$	$τ (σ, K S)$	τ（σ，WDK）
Karate	0.556 1	0.702 3	0.830 7	0.616 8	0.572 2	0.862 7
Copperfield	0.638 0	0.851 2	0.903 0	0.831 4	0.725 7	0.916 5
USAir97	0.517 8	0.804 8	0.916 8	0.763 0	0.759 3	0.943 1
Euroroad	0.393 4	0.608 0	0.489 5	0.429 1	0.408 8	0.724 1
PowerGrid	0.377 4	0.349 2	0.488 5	0.444 2	0.346 8	0.682 9

表6 节点影响力算法的肯德尔相关系数

Tab. 6 Kendall coefficients of node influence algorithms

网络	$τ (σ, B C)$	$τ (σ, C C)$	$τ (σ, D C)$	$τ (σ, H X)$	$τ (σ, K S)$	τ（σ，WDK）
Karate	0.556 1	0.702 3	0.830 7	0.616 8	0.572 2	0.862 7
Copperfield	0.638 0	0.851 2	0.903 0	0.831 4	0.725 7	0.916 5
USAir97	0.517 8	0.804 8	0.916 8	0.763 0	0.759 3	0.943 1
Euroroad	0.393 4	0.608 0	0.489 5	0.429 1	0.408 8	0.724 1
PowerGrid	0.377 4	0.349 2	0.488 5	0.444 2	0.346 8	0.682 9

图4 “7.7安顺公交车坠湖事件”各发展阶段用户状态

Fig. 4 User status in each development stage of “7.7 Anshun Bus Falling into Lake Incident”

图5 “7.7安顺公交车坠湖事件”情感图谱

Fig. 5 Emotional map of “7.7 Anshun Bus Falling into Lake Incident”

图6 “7.7安顺公交车坠湖事件”词云

Fig. 6 Word cloud of “7.7 Anshun Bus Falling into Lake Incident”

参考文献 28

1	中国互联网络信息中心.第47 次中国互联网络发展状况统计报告［EB/OL］.［2021-03-12］.. 10.1007/978-981-33-6930-6_2
	China Internet Network Information Center. The 47th China statistical report on Internet development ［EB/OL］. ［2021-03-12］. . 10.1007/978-981-33-6930-6_2
2	戴杏云，张柳，戴伟辉，等.社交网络的情感图谱研究［J］.管理评论，2016，28（8）：79-86. 10.1111/jce.13217
	DAI X Y， ZHANG L， DAI W H， et al. Research on emotional mapping of social networks ［J］. Management Review， 2016， 28（8）： 79-86. 10.1111/jce.13217
3	黄星，刘樑.突发事件网络舆情风险评价方法及应用［J］.情报科学，2018，36（4）：3-9.
	HUANG X， LIU L. The evaluation method and application of unexpected events network public opinion ［J］. Information Science， 2018， 36（4）： 3-9.
4	安璐，欧孟花.突发公共卫生事件利益相关者的社会网络情感图谱研究［J］.图书情报工作，2017，61（20）：120-130. 10.13266/j.issn.0252-3116.2017.20.013
	AN L， OU M H. Social network sentiment map of the stakeholders in public health emergencies ［J］. Library and Information Service， 2017， 61（20）： 120-130. 10.13266/j.issn.0252-3116.2017.20.013
5	赵蓉英，王旭.突发事件网络舆情关键节点识别及导控对策研究——以“大贤村遭洪灾事件”为例［J］.现代情报，2018，38（1）：19-24，30. 10.3969/j.issn.1008-0821.2018.01.002
	ZHAO R Y， WANG X. Research on identifying key nodes and guiding and controlling strategies of network public opinion in emergency — a case study of being suffered by flooding in Da Xian Village ［J］. Journal of Modern Information， 2018， 38（1）： 19-24， 30. 10.3969/j.issn.1008-0821.2018.01.002
6	张柳，王晰巍，王铎，等.微博环境下高校舆情情感演化图谱研究——以新浪微博“高校学术不端”话题为例［J］.现代情报，2019，39（10）：119-126，135. 10.3969/j.issn.1008-0821.2019.10.014
	ZHANG L， WANG X W， WANG D， et al. The study of emotional evolution map of public opinions in university under the microblog environment — a case of “academic misconduct in universities” in Sina Weibo ［J］. Journal of Modern Information， 2019， 39（10）： 119-126， 135. 10.3969/j.issn.1008-0821.2019.10.014
7	HEMMATIAN F， SOHRABI M K. A survey on classification techniques for opinion mining and sentiment analysis ［J］. Artificial Intelligence Review， 2019， 52（3）： 1495-1545. 10.1007/s10462-017-9599-6
8	VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need ［C］// Proceedings of the 2017 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 6000-6010. 10.1016/s0262-4079(17)32358-8
9	WANG Y Q， HUANG M L， ZHAO L， et al. Attention-based LSTM for aspect-level sentiment classification ［C］// Proceedings of the 2016 Conference on Empirical Methods in Natural Language Processing. Stroudsburg： ACL， 2016： 606-615. 10.18653/v1/d16-1058
10	LIU Z， ZHOU W， LI H. AB-LSTM： attention-based bidirectional LSTM model for scene text detection ［J］. ACM Transactions on Multimedia Computing， Communications， and Applications， 2019， 15（4）： Article No.107. 10.1145/3356728
11	关鹏飞，李宝安，吕学强，等.注意力增强的双向LSTM情感分析［J］.中文信息学报，2019，33（2）：105-111. 10.3969/j.issn.1003-0077.2019.02.014
	GUAN P F， LI B A， LYU X Q， et al. Attention enhanced Bi-directional LSTM for sentiment analysis ［J］. Journal of Chinese Information Processing， 2019， 33（2）： 105-111. 10.3969/j.issn.1003-0077.2019.02.014
12	ZAREIE A， SHEIKHAHMADI A， FATEMI A. Influential nodes ranking in complex networks： an entropy-based approach ［J］. Chaos， Solitons and Fractals， 2017， 104： 485-494. 10.1016/j.chaos.2017.09.010
13	FREEMAN L C. Centrality in social networks conceptual clarification ［J］. Social Networks， 1978， 1（3）： 215-239. 10.1016/0378-8733(78)90021-7
14	SABIDUSSI G. The centrality index of a graph ［J］. Psychometrika， 1966， 31（4）： 581-603. 10.1007/bf02289527
15	NEWMAN M E J. A measure of betweenness centrality based on random walks ［J］. Social Networks， 2005， 27（1）： 39-54. 10.1016/j.socnet.2004.11.009
16	BRIN S， PAGE L. The anatomy of a large-scale hypertextual Web search engine ［J］. Computer Networks and ISDN Systems， 1998， 30 （1/2/3/4/5/6/7）：107-117.
17	GARAS A， SCHWEITZER F， HAVLIN S. A k-shell de-composition method for weighted networks ［J］. New Journal of Physics， 2012， 14（8）： 2017 No. 083030. 10.1088/1367-2630/14/8/083030
18	邓凯旋，陈鸿昶，黄瑞阳.一种基于改进K-shell的节点重要性排序方法［J］.计算机应用研究，2017，34（10）：3017-3019， 3084. 10.3969/j.issn.1001-3695.2017.10.031
	DENG K X， CHEN H C， HUANG R Y. Method of node importance ranking based on improved K-shell ［J］. Application Research of Computers， 2017， 34（10）：3017-3019， 3084. 10.3969/j.issn.1001-3695.2017.10.031
19	IBNOULOUAFI A， HAZITI M EL. Density centrality： identifying influential nodes based on area density formula ［J］. Chaos， Solitons and Fractals， 2018， 114： 69-80. 10.1016/j.chaos.2018.06.022
20	王安，顾益军.基于社区划分的节点重要性评估方法［J］.计算机工程与应用，2020，56（8）：42-48.
	WANG A， GU Y J. Nodes importance ranking method based on community detection ［J］. Computer Engineering and Applications， 2020， 56（8）： 42-48.
21	HOCHREITER S， SCHMIDHUBER J. Long short-term memory［J］. Neural Computation， 1997， 9（8）： 1735-1780. 10.1162/neco.1997.9.8.1735
22	LAI S W， XU L H， LIU K， et al. Recurrent convolutional neural networks for text classification ［C］// Proceedings of the 2015 29th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2015： 2267-2273. 10.1609/aaai.v33i01.33017370
23	LIU P， QIU X， HUANG X. Recurrent neural network for text classification with multi-task learning ［C］// Proceedings of the 2016 Twenty-Fifth International Joint Conference on Artificial Intelligence. New York： AAAI Press， 2016： 2873-2879.
24	YANG Z C， YANG D Y， DYER C， et al. Hierarchical attention networks for document classification ［C］// Proceedings of the 2016 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies. Stroudsburg： ACL， 2016： 1480-1489. 10.18653/v1/n16-1174
25	JOULIN A， GRAVE E， BOJANOWSKI P， et al. Bag of tricks for efficient text classification ［C］// Proceedings of the 2017 15th Conference of the European Chapter of the Association for Computational Linguistics （Volume 2， Short Papers）. Stroudsburg： ACL， 2017： 427-431. 10.18653/v1/e17-2068
26	JOHNSON R， ZHANG T. Deep pyramid convolutional neural networks for text categorization ［C］// Proceedings of the 2017 55th Annual Meeting of the Association for Computational Linguistics （Volume 1： Long Papers）. Stroudsburg： ACL， 2017：562-570. 10.18653/v1/p17-1052
27	LÜ L Y， ZHOU T， ZHANG Q M， et al. The H-index of a network node and its relation to degree and coreness ［J］. Nature Communications， 2016， 7： Article No.10168. 10.1038/ncomms10168
28	LI H J， ZHANG X S. Analysis of stability of community structure across multiple hierarchical levels［J］. Europhysics Letters， 2013， 103（5）： Article No.58002. 10.1209/0295-5075/103/58002

[1]	杨杰, 张名扬, 芮晓彬, 王志晓. 融合节点覆盖范围和结构洞的影响力最大化算法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1155-1161.
[2]	罗浩然, 杨青. 基于情感词典和堆叠残差的双向长短期记忆网络的情感分析[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1099-1107.
[3]	王颖洁, 朱久祺, 汪祖民, 白凤波, 弓箭. 自然语言处理在文本情感分析领域应用综述[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1011-1020.
[4]	潘列, 曾诚, 张海丰, 温超东, 郝儒松, 何鹏. 结合广义自回归预训练语言模型与循环卷积神经网络的文本情感分析方法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1108-1115.
[5]	李美子, 米一菲, 张倩, 张波. 社交网络中基于K核分解的意见领袖识别算法[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 26-35.
[6]	张萌, 李维华. 用户互动表示下的影响力最大化算法[J]. 计算机应用, 2021, 41(7): 1964-1969.
[7]	章荪, 尹春勇. 基于多任务学习的时序多模态情感分析模型[J]. 计算机应用, 2021, 41(6): 1631-1639.
[8]	赖雪梅, 唐宏, 陈虹羽, 李珊珊. 基于注意力机制的特征融合-双向门控循环单元多模态情感分析[J]. 计算机应用, 2021, 41(5): 1268-1274.
[9]	邱宁佳, 王晓霞, 王鹏, 王艳春. 融合语法规则的双通道中文情感模型分析[J]. 计算机应用, 2021, 41(2): 318-323.
[10]	孟祥瑞, 杨文忠, 王婷. 基于图文融合的情感分析研究综述[J]. 《计算机应用》唯一官方网站, 2021, 41(2): 307-317.
[11]	孙鹤立, 徐统, 何亮, 贾晓琳. 融合用户历史行为与社交关系的个性化社交事件推荐方法[J]. 计算机应用, 2021, 41(2): 324-329.
[12]	赵旭剑, 王崇伟. 基于图卷积网络的微博新闻故事线抽取方法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3139-3144.
[13]	郭可心, 张宇翔. 基于多层次空间注意力的图文评论情感分析方法[J]. 计算机应用, 2021, 41(10): 2835-2841.
[14]	杨书新, 张楠. 融合情感词典与上下文语言模型的文本情感分析[J]. 计算机应用, 2021, 41(10): 2829-2834.
[15]	杨璐, 何明祥. 基于门控机制和卷积神经网络的中文文本情感分析模型[J]. 计算机应用, 2021, 41(10): 2842-2848.

基于情感分析和影响力评估的突发事件情感图谱

Emotional map of emergency based on sentiment analysis and influence evaluation

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 28

相关文章 15

编辑推荐

Metrics