【技术实现步骤摘要】
本专利技术属于主题识别和情感识别领域，具体涉及一种舆情回应效果测度技术。
技术介绍
1、近年来，突发公共卫生事件愈加频繁。这些突发公共卫生事件往往受关注度高。若不能及时做出合理的回应，往往会在社交媒体上迅速发酵，引发大规模负面舆情。负面舆情是指针对某一特定公共事件，民众对其持有负面、消极的社会态度。若不能及时有效地处理负面舆情，极易使负面舆情扩大化，损害形象，激化社会矛盾。
2、以微博为主的社交媒体是大众关注和讨论负面舆情事件的主流舆情平台，同时也是回应和影响舆情的重要宣传阵地，其兼具信息传播和表征大众情感特征的能力，已成为网络舆情的重要互动渠道。微博平台的博文和评论等数据具有时序性、社交性和丰富性，常被应用于舆情事件的传播机制、演化路径和事前检测研究等领域。
3、在负面舆情中，回应与大众舆论都是以文字符号的形式相互作用，即可以基于“话语-情感”机制来厘清这两个话语体系的相互作用。对于负面舆情中回应的有效性，一方面可以通过对大众舆论关注热点的迁移效果进行评估，另一方面可以通过对大众情感的正向演化作用加以衡量。
4、回应是指针对大众的诉求和提出的问题做出积极且持续的反应和回复的过程。现有技术中，关于回应的研究可以归结为两个角度，一是基于理论机制的角度，二是基于技术方法的角度。基于系统动力学建模方法分析了回应在舆情演化中的影响作用，并建立了包含舆情演化机理；基于情绪评价理论，从回应的角度构建了次生舆情的形成机制；梳理在部分负面舆情中回应失序的机理，提出舆情回应要着重关注大众情绪；基于调查和新闻等数
5、随着自然语言处理技术兴起，大数据分析技术被应用于回应舆情的研究。munizhuang等0提出lda-arma模型，用于大规模的舆情演化分析，并基于微博数据分析了回应在舆情发展中的影响作用。郑石明等基于lda主题模型提取相关文本，分析突发舆情中回应大众关切的互动机制。文宏使用主题抽取和情感分析技术，构建了突发舆情中网民对回应的反馈图谱。邓卫华等使用情感分析的方法分析舆情演化中回应的有效性。
6、综上所述，现有技术着重于分析回应舆情的演化机理，鲜有对负面舆情中回应效果的测度技术研究。
技术实现思路
1、本专利技术的目的在于提供基于主题迁移和情感变化识别的舆情回应效果测度方法，以对回应的效果进行评测，以分析现有回应的优势与不足，为找到回应措施的优化策略提供技术方法支撑。
2、为解决以上技术问题，本专利技术以事件的相关热搜博文和评论信息作为基础数据，主要从热点主题和情感特征两方面构建舆情回应效果的测度框架：采用lda主题模型进行主题抽取，根据bi-lstm模型进行情感值计算，探究时间尺度下的主题演化和情感变化；并结合舆情回应措施，测度回应在舆情演化中的干预效果。采用的具体技术方案如下。
3、基于主题迁移和情感变化识别的舆情回应效果测度方法，其特征在于包括以下步骤：
4、步骤一，信息提取：以事件的相关热搜博文和评论信息作为基础数据
5、1.1回应措施数据提取
6、使用自编的python爬虫程序爬取相关舆情事件的通报，同时爬取媒体相关报道的文本内容，获取具体的回应措施和时间；
7、1.2微博舆情数据提取
8、从事件开始成为舆论热点话题的时间段内，以微博热搜博文及其评论为爬取对象，获取微博正文和微博评论并对其进行数据清洗，使用python的正则表达式操作移除干扰信息，同时清除过短和重复微博文本，得清洗后的微博文本即为微博数据；
9、干扰信息包括https链接、颜文字、标签、@用户；所述的过短是指字数少于10个字；
10、1.3关键性回应措施提取
11、基于关键性回应措施的舆情生命周期，结合其中的一系列舆情回应措施，同时参考该事件的百度指数，针对主流媒体发布的各项回应措施的报道，提取n个关键性回应措施；结合事件发生的节点，将舆情生命周期划分为n+1个阶段，用以结合时间序列分析回应对此次舆情事件的热点主题和大众情感演化的干预作用；n为自然数；
12、步骤二，主题迁移识别
13、舆情事件往往是由一则原生事件和次生事件组成的一系列事件，从热点主题迁移的角度，基于“关注”和“影响”两个指标测度回应效果；“关注”指标体现回应切合大众真实需求的效果，“影响”指标体现回应促使大众舆论热点偏离负面话题的效果；
14、利用lda主题模型提取主题信息，并使用ldavis工具对主题进行可视化展示，即将主题抽取结果在二维空间上加以分析，以便根据其交叠情况对主题数进行微调；lda主题模型利用部分关键词表征主题内容，ldavis工具用不同的圆圈表示主题，圆圈的直径代表该主题内文本的数量；
15、根据舆情生命周期内的关键性回应措施进行切片，获得每一回应措施对大众舆论的影响，并以词云的方式将每一阶段的所有主题进行可视化；确定舆情生命周期内每一阶段包含最佳主题数即m个主题，将每个主题的若干主题词作为语料制作词云，以表征该阶段的所有主题内容；若所选取的m个主题在二维空间上无交集，且间隔较远，表明预先选定的m个主题数量是可接受的；在舆情生命周期的时间序列上进行主题信息提取，从而识别出主题迁移情况；m为自然数；
16、步骤三，情感变化识别
17、从大众情感变化的视角，运用“反转”和“缓解”两个指标测度回应效果；“反转”指标体现回应使得大众的负面情感转移为正面情感的效果，“缓解”指标体现回应平缓大众情感的负向波动的效果；
18、基于清洗后的微博评论数据，以一个小时为基本单位，绘制舆情事件的大众情感趋势折线图，分析事件中大众情感总体处于消极区间还是积极区间、波动是剧烈还是平缓、情感波动的最大值和最小值、舆情热议高峰阶段处于时间段、对应时段的回应措施发布情况。
19、步骤四，根据主题迁移和情感变化情况测度舆情回应效果
20、根据识别出的主题迁移情况判断回应是否起到“关注”或“影响”作用：当大众舆论关注热点在回应前后保持一致时，表示起到关注效果；当大众舆论关注热点在回应前后有较大的差异时，表示未起到关注效果；当大众舆论偏离负面话题时，表示起到影响效果，当公共舆论热点始终围绕负面话题时，表示未起到影响效果；
21、根据识别出的情感变化情况判断回应效果是否起到“反转”或“缓解”作用：当大众的负向情感转变为正向情感时，表示起到反转效果；当大众的情感始终为负向情感时，表示未起到反转效果；当大众情感变化值呈上升趋势时，表示起到缓解效果，当大众情感变化值呈现负向波动时，表示未起到缓解效果。
22、所述的关注效果的测度方法具体为：
23、为了更好地发掘负面舆情中回应切合大众真实需求的效果即关注效果，将清洗后的微博文本划分为回应前即舆情爆发和回应后即回应措施两部分，分别提取这两部分的主题，根据其结果判断回应的“关注”效果；
24、对主题可视化本文档来自技高网...
【技术保护点】
1.基于主题迁移和情感变化识别的舆情回应效果测度方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于主题迁移和情感变化识别的舆情回应效果测度方法，其特征在于所述的关注效果的测度方法具体为：
3.根据权利要求1所述的基于主题迁移和情感变化识别的舆情回应效果测度方法，其特征在于所述的影响效果的测度方法为更为直观地体现不同回应措施影响大众舆论偏离负面话题的效果，利用时间窗口函数将清洗后的微博文本按关键性回应措施划分为I个部分，分别对其进行主题分析并归纳梳理，以此来测度回应的影响效果，具体做法为：
4.根据权利要求1所述的基于主题迁移和情感变化识别的舆情回应效果测度方法，其特征在于所述的反转效果的测度方法为根据提取的N个关键性回应措施，从舆情爆发开始，分别计算各个节点的大众情感均值，以此来观测回应舆情对大众情感的反转效果，具体做法为：
5.根据权利要求1所述的基于主题迁移和情感变化识别的舆情回应效果测度方法，其特征在于所述的缓解效果的测度方法为以舆情爆发节点的情感值为起始点，将当前关键性回应措施节点与上一节点的情感值求差得到当前节点
6.根据权利要求1所述的基于主题迁移和情感变化识别的舆情回应效果测度方法，其特征在于所述的LDA主题模型是Blei等于2003年提出的一种文档主题生成模型，包括文档、主题和词项3个层级结构，将其用于识别语料中潜在的主题信息、揭示舆情事件的内容结构、发掘舆情主题的演化趋势；
7.根据权利要求1所述的基于主题迁移和情感变化识别的舆情回应效果测度方法，其特征在于所述的情感变化识别的具体思路方法如下：
...【技术特征摘要】
1.基于主题迁移和情感变化识别的舆情回应效果测度方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于主题迁移和情感变化识别的舆情回应效果测度方法，其特征在于所述的关注效果的测度方法具体为：
3.根据权利要求1所述的基于主题迁移和情感变化识别的舆情回应效果测度方法，其特征在于所述的影响效果的测度方法为更为直观地体现不同回应措施影响大众舆论偏离负面话题的效果，利用时间窗口函数将清洗后的微博文本按关键性回应措施划分为i个部分，分别对其进行主题分析并归纳梳理，以此来测度回应的影响效果，具体做法为：
4.根据权利要求1所述的基于主题迁移和情感变化识别的舆情回应效果测度方法，其特征在于所述的反转效果的测度方法为根据提取的n个关键性回应措施，从舆情爆发开始，分别计算各个节点的大众情感均值，以此来观测回应舆情对大众情感的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。