大數(shù)據(jù)環(huán)境下基于語(yǔ)義的網(wǎng)絡(luò)輿情情感強(qiáng)度研究.pdf

1、隨著互聯(lián)網(wǎng)的普及，越來(lái)越多的網(wǎng)民通過(guò)網(wǎng)絡(luò)媒介來(lái)關(guān)注輿情事件。人們通過(guò)網(wǎng)絡(luò)瀏覽自己感興趣的輿情新聞，發(fā)表觀點(diǎn)并表達(dá)情感。由于網(wǎng)絡(luò)的開(kāi)放性和虛擬性等特征，負(fù)面事件的言論的傳播甚至?xí)绊懙缴鐣?huì)的穩(wěn)定。由于同一時(shí)期輿情事件的數(shù)量較多，并且某一輿情事件也包括海量文本信息，相關(guān)部門需要及時(shí)并正確引導(dǎo)網(wǎng)絡(luò)輿情事件，對(duì)于輿情事件情感強(qiáng)度的確定至關(guān)重要。
　　本文基于輿情文本的語(yǔ)義句法分析并結(jié)合文本挖掘技術(shù)，構(gòu)建了網(wǎng)絡(luò)輿情情感強(qiáng)度模型。本文的具體研

2、究?jī)?nèi)容包括以下幾個(gè)方面：
　　1.研究并改進(jìn)了對(duì)于文本主題詞提取的方法。利用大數(shù)據(jù)和網(wǎng)絡(luò)輿情的相似特征性，通過(guò)對(duì)核心技術(shù) MapReduce模型的組合使用對(duì)網(wǎng)絡(luò)輿情文本進(jìn)行挖掘，將Map和Reduce函數(shù)進(jìn)行組合形成組合器，對(duì)文本特征權(quán)重的計(jì)算和主題詞的文本特征提取，提高了準(zhǔn)確率和效率，然后基于 MapReduce的矩陣—向量乘法模型得到熱點(diǎn)輿情事件。
　　2.基于新聞標(biāo)題的稀疏特征向量方法，改進(jìn)了 K-means聚類算法。

3、在對(duì)新聞文本進(jìn)行聚類分析的過(guò)程中，針對(duì)傳統(tǒng)的K-means聚類算法的初始聚類中心的選擇隨機(jī)性，依據(jù)新聞標(biāo)題的簡(jiǎn)短概括性特點(diǎn)，通過(guò)基于新聞標(biāo)題的稀疏特征向量方法來(lái)選擇初始聚類中心，然后和K-means聚類算法相結(jié)合使用，提高了聚類效果的準(zhǔn)確性。
　　3.從客觀和主觀兩個(gè)方面構(gòu)建網(wǎng)絡(luò)輿情情感強(qiáng)度模型。首先是根據(jù)現(xiàn)有的情感詞典構(gòu)建出包括情感極性和情感強(qiáng)度的情感詞典，新的情感詞典中包括修飾詞的詞典，然后基于構(gòu)建的情感詞典進(jìn)行文本的情感傾向