第4章基于社會(huì)熱點(diǎn)事件的用戶情感挖掘與傳播研究4.1基于社會(huì)熱點(diǎn)事件的用戶情感生成與傳播理論4.2微博語言的特點(diǎn)分析4.3基于社會(huì)熱點(diǎn)事件的數(shù)據(jù)收集與分析

4.1基于社會(huì)熱點(diǎn)事件的用戶情感生成與傳播理論

圖4-1為熱點(diǎn)事件情境下微博用戶情感生成與傳播過程及各過程涉及的理論。圖4-1熱點(diǎn)事件情境下微博用戶情感生成與傳播過程及相關(guān)理論

在線社交網(wǎng)絡(luò)中用戶的情緒很難通過生理喚醒、面部表情來判斷和傳播，往往是通過視頻、發(fā)帖、評(píng)論等形式來反映用戶的各種情緒。上述心理學(xué)中的情緒研究理論為認(rèn)識(shí)微博用戶情緒產(chǎn)生過程提供了理論基礎(chǔ)。熱點(diǎn)事件下微博用戶情緒產(chǎn)生過程如圖4-2所示。

4-2熱點(diǎn)事件情境下微博用戶情緒產(chǎn)生機(jī)理

4.1.1UGC動(dòng)因理論

動(dòng)因理論熱點(diǎn)事件下，用戶發(fā)布的帶有情感內(nèi)容的微博廣播文本屬于UGC的一種類型。UGC即用戶生成內(nèi)容，泛指以任何形式在網(wǎng)絡(luò)上發(fā)表的由用戶創(chuàng)作的文字、圖片、音頻、視頻等內(nèi)容，是Web2.0環(huán)境下一種新興的網(wǎng)絡(luò)信息資源創(chuàng)作與組織模式。它的發(fā)布平臺(tái)包括微博、博客、視頻分享網(wǎng)站、維基、在線問答、SNS等社會(huì)化媒體。

4.1.2信息交流和信息傳播理論

1959年，美國社會(huì)科學(xué)家門澤爾提出了交流的“正式過程”和“非正式過程”。前蘇聯(lián)情報(bào)學(xué)家米哈依諾夫?qū)Υ诉M(jìn)行了完善，將科學(xué)交流過程分為“正式交流”和“非正式交流”，兩種交流方式的劃分依據(jù)為是否依靠科學(xué)文獻(xiàn)進(jìn)行交流，依靠科學(xué)文獻(xiàn)進(jìn)行的交流為“正式交流”，而信息發(fā)布人員和接收人員面對(duì)面的交流為“非正式交流”。

4.1.3大眾傳播理論

事件信息在線下往往通過新聞媒體向大眾進(jìn)行傳播，大眾傳播學(xué)經(jīng)過長(zhǎng)時(shí)間的發(fā)展，形成了許多大眾傳播理論，如沉默的螺旋、把關(guān)人理論、議程設(shè)置等。沉默的螺旋理論研究的是輿論對(duì)公眾意見表達(dá)的影響，這一理論認(rèn)為人們都有害怕被孤立的特點(diǎn)，所以在表達(dá)對(duì)事件的看法時(shí)，如果發(fā)現(xiàn)大部分人持有的觀點(diǎn)與自己相反，就會(huì)更趨向于保持沉默，如果發(fā)現(xiàn)大部分人持有的觀點(diǎn)與自己相同，就更愿意積極地站出來表達(dá)自己的觀點(diǎn)。把關(guān)人理論指的是新聞媒體在進(jìn)行信息的發(fā)布與傳播之前，會(huì)對(duì)信息進(jìn)行篩選和編輯，對(duì)信息進(jìn)行把關(guān)。議程設(shè)置指的是大眾傳播具有引導(dǎo)公眾輿論的功能，能夠?yàn)楣娫O(shè)置議事日程。

4.2微博語言的特點(diǎn)分析4.2.1句子簡(jiǎn)短且單句較多

微博的字?jǐn)?shù)限制在140字以內(nèi)，140個(gè)字雖然不多，但是也能寫上一兩段。但是大家發(fā)布的微博普遍字?jǐn)?shù)較少，發(fā)布的內(nèi)容有的是幾個(gè)表情，有的甚至是幾個(gè)符號(hào)，但更多的還是有些許文字。隨意、即興的文字，三言兩語最能真實(shí)地表達(dá)內(nèi)心感受。微博上發(fā)布的內(nèi)容通常以單句居多，而且由于微博只是個(gè)人發(fā)布情感的一個(gè)渠道，不需要使用較為正式的語言，人們更愿意用更加隨意的、口語化的方式表達(dá)自己。

4.2.2模式化句式或短語大面積流行

微博體是一種句子模板化樣式，它是隨著微博的走紅而逐漸興起的，即俗稱的“造句”，和以前常說的仿寫有異曲同工之妙，是指根據(jù)內(nèi)容表達(dá)的需要，依據(jù)微博體已有的固定句式，再重新寫一個(gè)與原句式結(jié)構(gòu)相仿、表達(dá)意義類似的句子。微博體不只是簡(jiǎn)單的調(diào)侃，更多的是表達(dá)一種發(fā)自心底的共鳴，從而能引起全民的熱捧，如表4-1所示。

4.2.3方言語法及外語語法的使用

由于互聯(lián)網(wǎng)的受眾遍布世界各地，大家來自不同國家、不同地區(qū)，每個(gè)地區(qū)都會(huì)有自己的語言習(xí)慣，所以在發(fā)布微博時(shí)可能會(huì)將習(xí)慣帶入。經(jīng)統(tǒng)計(jì)發(fā)現(xiàn)，在帶有方言的微博中，東北方言使用頻率最高，究其原因是東北的喜劇演員較多，如趙本山領(lǐng)導(dǎo)的趙家班，并且一些較有影響的小品皆出自此地。在外文的使用中，英語使用頻率最高，很多微博都是中英文的雜交體。

4.2.4標(biāo)點(diǎn)符號(hào)的不規(guī)范使用

標(biāo)點(diǎn)符號(hào)是輔助文字記錄語言的符號(hào)，是書面語的組成部分，用來表示停頓、語氣以及詞語的性質(zhì)和作用，常常作為表達(dá)情感的一種方式。但是在微博中輸入的無門檻性，導(dǎo)致標(biāo)點(diǎn)符號(hào)的不規(guī)范使用，智能輸入法的發(fā)展也加劇了這一現(xiàn)象。

4.2.5句子成分省略化

較為口語化的微博無法同正規(guī)的書面語相提并論，微博語言是在輕松、隨意的狀態(tài)下發(fā)布出來的，它不需要像書面語一樣斟詞酌句，因此也會(huì)被指責(zé)語法混亂。但是在研究中，必須正視微博中存在的問題。為了使表達(dá)更為簡(jiǎn)潔，微博語言通常是成分殘缺的，其中多包含省略句。省略句通常會(huì)省略句子的主語或者賓語，通常最為常見的是主語的省略。

4.2.6圖片、鏈接、@功能較多

由于自媒體的發(fā)展，微博提供的服務(wù)越來越多，微博輸入的也不僅僅只是文字，還可以上傳圖片、視頻，同時(shí)受到微博140字字?jǐn)?shù)的限制，有的消息不能敘述完全，因此會(huì)將詳細(xì)講述的地址附在微博上。為了加強(qiáng)博友之間的互動(dòng)，微博提供了@功能，@的意思是“向某某人說”，對(duì)方能看到你說的話，并能夠回復(fù)，實(shí)現(xiàn)一對(duì)一的溝通，能夠?qū)崿F(xiàn)增進(jìn)交流的目的。

4.2.7特有的表情符號(hào)

在網(wǎng)絡(luò)世界中，表情符號(hào)一直是用戶比較青睞的一種符號(hào)，也是微博自上線以來一直保留的特色之一。隨著技術(shù)的發(fā)展，微博表情的種類越來越多，在新浪微博平臺(tái)上有近百上千種表情符號(hào)可供大家使用。因表情形象可愛、逼真，人們常將其作為表達(dá)自身感情的一種手段，它能夠較為直接、形象地表達(dá)人們的想法，所以在對(duì)微博進(jìn)行情感分類時(shí)，可將表情符號(hào)作為一個(gè)重要的參考因素。

雖然微博中的常用表情和魔法表情有幾百上千種之多，但是使用頻率最高的還是常用表情中的默認(rèn)系列，共102個(gè)表情，情感傾向十分明顯，如圖4-3所示。

圖4-3微博常用表情——默認(rèn)系列截圖（部分）

4.3基于社會(huì)熱點(diǎn)事件的數(shù)據(jù)收集與分析4.3.1原始數(shù)據(jù)采集

本節(jié)的數(shù)據(jù)來源于新浪微博。微博中的用戶通過收聽、好友、轉(zhuǎn)播和評(píng)論等關(guān)系相互連接，當(dāng)用戶A對(duì)某一事件進(jìn)行廣播后，收聽用戶A的其他用戶會(huì)看到這一廣播并可能對(duì)這一廣播進(jìn)行評(píng)論或轉(zhuǎn)播，如果收聽用戶A的用戶Ｂ對(duì)這一廣播進(jìn)行了轉(zhuǎn)播或評(píng)論，收聽B的其他用戶就會(huì)看到這一廣播，依次將這一廣播的信息傳播開來。信息在微博中的傳播速度可能非?？?，一個(gè)敏感的事件信息可能在數(shù)小時(shí)內(nèi)就擴(kuò)散至整個(gè)社交網(wǎng)絡(luò)。所以本文選擇微博這一社交媒體進(jìn)行用戶在熱點(diǎn)事件情境下的情感傳播研究。

如圖4-4圖4-4利用八爪魚采集微博數(shù)據(jù)

在“和頤酒店女生遇襲”事件中，共采集了14個(gè)字段，如表4-2所示，主要涉及微博發(fā)布的用戶信息及內(nèi)容信息等，用來進(jìn)行社會(huì)網(wǎng)絡(luò)分析、時(shí)間序列分析、情感傾向分析和傳播影響因素分析，數(shù)據(jù)采集結(jié)果存入Excel中，如圖4-5所示。

圖4-5微博數(shù)據(jù)存儲(chǔ)界面1

在“成都女司機(jī)被打”事件中，共采集了11個(gè)字段，如表4-3所示，主要涉及微博發(fā)布的用戶信息及內(nèi)容信息等，用來進(jìn)行社會(huì)網(wǎng)絡(luò)分析、演化分析、情感傾向分析和傳播效果分析，數(shù)據(jù)采集結(jié)果存入Excel中，如圖4-6所示。

圖4-6微博數(shù)據(jù)存儲(chǔ)界面2

在“羅一笑”事件中，共采集了10個(gè)字段，如表4-4所示，主要涉及微博發(fā)布的用戶信息及內(nèi)容信息等，用來進(jìn)行社會(huì)網(wǎng)絡(luò)分析、演化分析、情感傾向分析和傳播效果分析，數(shù)據(jù)采集結(jié)果存入

Excel中，如圖4-7所示。

圖4-7微博數(shù)據(jù)存儲(chǔ)界面3

4.3.2數(shù)據(jù)預(yù)處理

1.數(shù)據(jù)預(yù)處理簡(jiǎn)介

數(shù)據(jù)預(yù)處理是指在處理主要的數(shù)據(jù)以前對(duì)數(shù)據(jù)進(jìn)行的一些處理。

系統(tǒng)的原始數(shù)據(jù)中存在的問題。

(1)雜亂性，原始數(shù)據(jù)是從各個(gè)實(shí)際應(yīng)用系統(tǒng)中獲取的，由于各應(yīng)用系統(tǒng)的數(shù)據(jù)缺乏統(tǒng)一標(biāo)準(zhǔn)的定義，數(shù)據(jù)結(jié)構(gòu)也有較大的差異，因此各系統(tǒng)間的數(shù)據(jù)存在較大的不一致性，

往往不能直接拿來使用。

(2)重復(fù)性，是指對(duì)于同一個(gè)客觀事物在數(shù)據(jù)庫中存在兩個(gè)或兩個(gè)以上完全相同的物理描述。這是應(yīng)用系統(tǒng)實(shí)際使用過程中普遍存在的問題，幾乎所有應(yīng)用系統(tǒng)中都存在數(shù)據(jù)的重復(fù)和信息的冗余現(xiàn)象。

(3)不完整性，由于實(shí)際系統(tǒng)設(shè)計(jì)時(shí)存在的缺陷以及一些使用過程中人為因素所造成的數(shù)據(jù)記錄中可能會(huì)出現(xiàn)某些數(shù)據(jù)屬性的值丟失或不確定的情況，還可能因缺失必需的數(shù)據(jù)而造成數(shù)據(jù)不完整。實(shí)際使用的系統(tǒng)中，存在大量的模糊信息，有些數(shù)據(jù)甚至還具有一定的隨機(jī)性質(zhì)。

常見的數(shù)據(jù)預(yù)處理方法有數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)變換和數(shù)據(jù)簡(jiǎn)化。

(1)數(shù)據(jù)集成：將多文件或多數(shù)據(jù)庫運(yùn)行環(huán)境中的異構(gòu)數(shù)據(jù)進(jìn)行合并處理，解決語義的模糊性。該部分主要涉及數(shù)據(jù)的選擇、數(shù)據(jù)的沖突問題以及不一致數(shù)據(jù)的處理問題。

(2)數(shù)據(jù)清洗：數(shù)據(jù)清洗不只是要消除錯(cuò)誤、冗余和數(shù)據(jù)噪音，其目的是要將按不同的、不兼容的規(guī)則所得的各種數(shù)據(jù)集統(tǒng)一起來。

(3)數(shù)據(jù)變換：找到數(shù)據(jù)的特征表示，用維變換或轉(zhuǎn)換來減少有效變量的數(shù)目或找到數(shù)據(jù)的不變式，包括規(guī)格化、規(guī)約、切換和投影等操作。

(4)數(shù)據(jù)簡(jiǎn)化：在對(duì)發(fā)現(xiàn)任務(wù)和數(shù)據(jù)本身內(nèi)容理解的基礎(chǔ)上，尋找依賴于發(fā)現(xiàn)目標(biāo)的表達(dá)數(shù)據(jù)的有用特征，以縮減數(shù)據(jù)模型，從而在盡可能保持?jǐn)?shù)據(jù)原貌的前提下最大限度地精簡(jiǎn)數(shù)據(jù)量。其主要有屬性選擇和數(shù)據(jù)抽樣兩個(gè)途徑，分別針對(duì)數(shù)據(jù)庫中的屬性進(jìn)行記錄。

2.數(shù)據(jù)預(yù)處理方法

數(shù)據(jù)預(yù)處理方法可分為四種：

(1)手工實(shí)現(xiàn)，通過人工檢查，只要投入足夠的人力、物力、財(cái)力，也能發(fā)現(xiàn)所有的錯(cuò)誤，但效率低下。

(2)通過專門編寫程序?qū)崿F(xiàn)，這種方法能解決某個(gè)特定的問題，但不夠靈活，特別是在清洗過程需要反復(fù)進(jìn)行（一般來說，數(shù)據(jù)清洗一遍就達(dá)到要求的很少）時(shí)，導(dǎo)致程序復(fù)雜，清洗過程變化時(shí)，工作量大。

(3)解決某類特定應(yīng)用域的問題，如根據(jù)概率統(tǒng)計(jì)學(xué)原理查找數(shù)值的記錄，對(duì)姓名、地址、郵政編碼等進(jìn)行清洗，這是目前研究得較多的領(lǐng)域，也是應(yīng)用最成功的一類。如商用系統(tǒng)ＴｒｉｌｌｉｎｍＳｏｆｔｗａｒｅＳｙｓｔｅｍ、

(4)與特定應(yīng)用領(lǐng)域無關(guān)的數(shù)據(jù)清洗，這一部分的研究主要集中在清洗重復(fù)的記錄上，如ＤａｔａＣｌｅａｎｅｒ、ＤａｔａＢｌａｄｅＭｏｄｕｌｅ、Ｉｎｔｅｇｒｉｔｙ系統(tǒng)等。

這四種實(shí)現(xiàn)方法中，后兩種具有某種通用性、較大的實(shí)用性，因此引起了越來越多的注意。但是不管哪種方法，其工作過程大致都由以下三個(gè)階段組成：

(1)數(shù)據(jù)分析、定義錯(cuò)誤類型；

(2)搜索、識(shí)別錯(cuò)誤記錄；

(3)修正錯(cuò)誤。

發(fā)現(xiàn)異常的方法：

(1)基于契比雪夫定理的統(tǒng)計(jì)學(xué)方法。這種方法可以隨機(jī)選取樣本數(shù)據(jù)進(jìn)行分析，加快了檢測(cè)速度，但是這是以犧牲準(zhǔn)確性為代價(jià)的。

(2)模式識(shí)別的方法?；跀?shù)據(jù)挖掘和機(jī)器學(xué)習(xí)算法來查找異常數(shù)據(jù)，主要牽涉關(guān)聯(lián)規(guī)則算法。

(3)基于距離的聚類方法。聚類分析是一種新興的多元統(tǒng)計(jì)方法，是當(dāng)代分類學(xué)與多元分析的結(jié)合。

(4)增量式的方法。如果數(shù)據(jù)源允許，可以采取隨機(jī)的方法獲取元組。

異常的清洗過程主要分為以下六個(gè)步驟：

(1)元素化，將非標(biāo)準(zhǔn)的數(shù)據(jù)統(tǒng)一格式化成結(jié)構(gòu)數(shù)據(jù)。

(2)標(biāo)準(zhǔn)化，將元素標(biāo)準(zhǔn)化，根據(jù)字典消除不一致的縮寫等。

(3)校驗(yàn)，對(duì)標(biāo)準(zhǔn)化的元素進(jìn)行一致性校驗(yàn)，即在內(nèi)容上修改錯(cuò)誤。

(4)匹配，在其他記錄中尋找相似的記錄，發(fā)現(xiàn)重復(fù)異常。

(5)消除重復(fù)記錄，根據(jù)匹配結(jié)果進(jìn)行處理，可以刪除部分記錄或者將多個(gè)記錄合并為一個(gè)更完整信息的記錄。

(6)檔案化，將前五個(gè)步驟的結(jié)果寫入元數(shù)據(jù)存儲(chǔ)中心。

常用的算法有如下兩種。

(1)基本字段匹配算法。

(2)遞歸字段匹配算法。

3.實(shí)現(xiàn)數(shù)據(jù)預(yù)處理的框架及流程

系統(tǒng)的實(shí)現(xiàn)采用靈活的處理流程，預(yù)處理過程首先接受已經(jīng)選好的數(shù)據(jù)樣本，然后根據(jù)情況進(jìn)行有選擇的預(yù)處理工作。在進(jìn)行數(shù)據(jù)預(yù)處理過程中，可以執(zhí)行違規(guī)、聚集、過濾異常值或刪除重復(fù)記錄中的一項(xiàng)或幾項(xiàng)功能，但一般是要先進(jìn)行違規(guī)、聚集后再進(jìn)行過濾異常值或刪除重復(fù)記錄處理。當(dāng)然也可以根據(jù)需要直接進(jìn)行過濾異常值或刪除重復(fù)記錄處理，而不經(jīng)過違規(guī)、聚集等環(huán)節(jié)。系統(tǒng)的框架及流程如圖4-8所示。

圖4-8系統(tǒng)的框架及流程圖

1)數(shù)據(jù)選取

數(shù)據(jù)選取是從用戶的原始數(shù)據(jù)庫中由用戶指定選出用戶感興趣的與知識(shí)發(fā)現(xiàn)任務(wù)相關(guān)的數(shù)據(jù)表項(xiàng)，用戶在選擇過程中可以通過查看所選數(shù)據(jù)表的記錄數(shù)據(jù)，來作出進(jìn)一步的選擇判斷。

2)數(shù)據(jù)表屬性一致化

當(dāng)待挖掘的數(shù)據(jù)表已經(jīng)選取完畢時(shí)，開始對(duì)這些數(shù)據(jù)表中的數(shù)據(jù)進(jìn)行挖掘前的預(yù)處理。

3)數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理方法應(yīng)根據(jù)不同的數(shù)據(jù)情況有選擇地選取，比如對(duì)于商店銷售記錄來說，一般應(yīng)先進(jìn)行違規(guī)操作，去掉操作員、商品描述信息、備注等字段，因?yàn)檫@些信息可能對(duì)數(shù)據(jù)挖掘沒有意義，但對(duì)于商品銷售信息聚集卻有著十分重要的意義。

4.3.3數(shù)據(jù)時(shí)序變化收集

通過八爪魚采集器對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，其中“和頤酒店女生遇襲”事件的微博數(shù)據(jù)共171415條，以小時(shí)為統(tǒng)計(jì)最小時(shí)間窗進(jìn)行廣播數(shù)統(tǒng)計(jì)。首先刪除采集錯(cuò)誤的微博數(shù)據(jù)，即刪除空數(shù)據(jù)或殘缺數(shù)據(jù)；其次刪除微博廣告數(shù)據(jù)，即刪除借由“和頤酒店女生遇襲”事件熱度加入話題而發(fā)布的廣告微博，實(shí)際上這些微博內(nèi)容與話題不相關(guān)，對(duì)本文的情感分析并無意義；最后通過反復(fù)瀏覽，完成數(shù)據(jù)清洗工作。

采用基于語義詞典的情感分析法，利用八爪魚采集軟件和MATLAB軟件對(duì)海量微博數(shù)據(jù)進(jìn)行采集和時(shí)間序列分析，對(duì)社交網(wǎng)絡(luò)用戶對(duì)某一事件的態(tài)度和情感進(jìn)行判斷和分類，并對(duì)不同類型的態(tài)度演化過程進(jìn)行描述，情感分析框架如圖4-9所示。通過時(shí)間序列分析，可以更直觀地了解事件的發(fā)生、發(fā)展和演化過程。

圖4-9社交網(wǎng)絡(luò)用戶情感分析框架

1.“和頤酒店女生遇襲”事件的演化階段

在“和頤酒店女生遇襲”事件中，相關(guān)微博有效數(shù)