基于大规模弹幕数据监听和情感分类的舆情分析模型

doi:10.3969/j.issn.1000-5641.2019.03.010

华东师范大学学报(自然科学版) ›› 2019, Vol. 2019 ›› Issue (3): 86-100.doi: 10.3969/j.issn.1000-5641.2019.03.010

基于大规模弹幕数据监听和情感分类的舆情分析模型

叶健, 赵慧

华东师范大学计算机科学与软件工程学院, 上海 200062

收稿日期:2018-07-26 出版日期:2019-05-25 发布日期:2019-05-30
通讯作者: 赵慧,女,教授,硕士生导师,研究方向为数据管理与分布式计算.E-mail:hzhao@sei.ecnu.edu.cn. E-mail:hzhao@sei.ecnu.edu.cn
作者简介:叶健,男,硕士研究生,研究方向为自然语言处理.E-mail:arthurhappy@qq.com.

A public opinion analysis model based on Danmu data monitoring and sentiment classification

YE Jian, ZHAO Hui

School of Computer Science and Software Engineering, East China Normal University, Shanghai 200062, China

Received:2018-07-26 Online:2019-05-25 Published:2019-05-30

摘要/Abstract

摘要： 随着在线视频平台的快速发展，弹幕逐渐成为人们表达观点的一个重要途径，尤其受到年轻人的欢迎.与常规的文本不同，弹幕文本普遍较短，表达随意，网络词汇较多，一些常规的停用词被用于表达情感.提出了一种基于弹幕数据的舆情分析模型，针对弹幕数据生成和存储特点，提出了热点检测循环自适应弹幕数据获取算法；扩充了情感词典来区分弹幕中情感倾向数据和中性数据，以解决弹幕中出现的网络词汇较多的问题；基于卷积神经网络（Convolutional Neural Network，CNN）建立了情感褒贬分类模型，用来区分情感倾向弹幕的正负情感倾向，在此基础上得到了舆情分析的结果.实验表明，本文的舆情分析模型能有效地表达新闻类弹幕数据的舆情分析结果.

关键词: 弹幕情感, 网络舆情, 情感分类, 深度学习, 网络爬虫

Abstract: With the rapid development of online video platforms, Danmu has gradually become an important way for people to express their opinions, and it is particularly welcomed by young people. Unlike conventional texts, Danmu texts are generally short, unstructured, and involve Internet slang as well as conventional stop words to express emotions. In this paper, a public opinion analysis model based on Danmu data is proposed. According to the data generation and storage characteristics of Danmu, a hotspot detection-based loop algorithm is proposed for Danmu data collection. Moreover, the sentiment dictionary to distinguish emotional tendencies is expanded to include network vocabularies commonly appearing in Danmu. Finally, based on the convolutional neural network (CNN), we build a classification model to distinguish positive and negative emotions. Experiments show that the public opinion analysis model of this paper can effectively demonstrate public opinion analysis of Danmu data.

Key words: Danmu emotion, Internet sentiment, emotion classification, deep learning, web crawler

中图分类号:

TP391

叶健, 赵慧. 基于大规模弹幕数据监听和情感分类的舆情分析模型[J]. 华东师范大学学报(自然科学版), 2019, 2019(3): 86-100.

YE Jian, ZHAO Hui. A public opinion analysis model based on Danmu data monitoring and sentiment classification[J]. Journal of East China Normal University(Natural Sc, 2019, 2019(3): 86-100.

参考文献

[1] 燕道成. 新媒体对"95后"青年文化的解构[J]. 当代青年研究, 2017(6):35-40.
[2] HE M, GE Y, CHEN E, et al. Exploring the Emerging Type of Comment for Online Videos:DanMu[J]. ACM Transactions on the Web (TWEB), 2017, 12(1):Article No 1.
[3] JIA A L, SHEN S, CHEN S, et al. An analysis on a YouTube-like UGC site with enhanced social features[C]//Proceedings of the 26th International Conference on World Wide Web Companion. International World Wide Web Conferences Steering Committee, 2017:1477-1483.
[4] 郑飏飏, 徐健, 肖卓. 情感分析及可视化方法在网络视频弹幕数据分析中的应用[J]. 数据分析与知识发现, 2016, 31(11):82-90.
[5] 邓扬, 张晨曦, 李江峰. 基于弹幕情感分析的视频片段推荐模型[J]. 计算机应用, 2017, 37(4):1065-1070.
[6] THELWALL M, BUCKLEY K, PALTOGLOU G. Sentiment strength detection for the social web[J]. Journal of the Association for Information Science and Technology, 2012, 63(1):163-173.
[7] SAIF H, HE Y, FERNANDEZ M, et al. Contextual semantics for sentiment analysis of Twitter[J]. Information Processing & Management, 2016, 52(1):5-19.
[8] YUAN D, ZHOU Y Q, LI R F, et al. Sentiment analysis of microblog combining dictionary and rules[C]//Advances in Social Networks Analysis and Mining (ASONAM), 2014 IEEE/ACM International Conference on. IEEE, 2014:785-789.
[9] 刘志明, 刘鲁. 基于机器学习的中文微博情感分类实证研究[J]. 计算机工程与应用, 2012,48(1):1-4.
[10] 秦锋, 王恒, 郑啸, 等. 基于上下文语境的微博情感分析[J]. 计算机工程, 2017, 34(3):241-246.
[11] 陈龙, 管子玉, 何金红, 等. 情感分类研究进展[J]. 计算机研究与发展, 2017:54(6):1150-1170.
[12] SRIRAM B, FUHRY D, DEMIR E, et al. Short text classification in twitter to improve information filtering[C]//Proceedings of the 33rd International ACM SIGIR Conference on Research and Development in Information Retrieval. ACM, 2010:841-842.
[13] KIM Y. Convolutional neural networks for sentence classification[J] arXiv preprint,2014, arXiv:1408.5882.
[14] LAI S W, XU L H, LIU K, et al. Recurrent convolutional neural networks for text classification[C]//Proceedings of the 29th AAAI Conference on Artificial Intelligence. 2015:2267-2273.
[15] HINTON G E, SRIVASTAVA N, KRIZHEVSKY A, et al. Improving neural networks by preventing co-adaptation of feature detectors[J]. arXiv preprint, arXiv:1207.0580, 2012.

基于大规模弹幕数据监听和情感分类的舆情分析模型

A public opinion analysis model based on Danmu data monitoring and sentiment classification

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 13

编辑推荐

Metrics

本文评价

[1]	黄彩蝶, 王昕萍, 陈良育, 刘勇. 基于堆叠门控循环单元残差网络的知识追踪模型研究[J]. 华东师范大学学报（自然科学版）, 2022, 2022(6): 68-78.
[2]	马依琳, 陶慧玲, 董启文, 王晔. 基于Transformer的多特征融合的航空发动机剩余使用寿命预测[J]. 华东师范大学学报（自然科学版）, 2022, 2022(5): 219-232.
[3]	王泽杰, 沈超敏, 赵春, 刘新妹, 陈杰. 融合人体姿态估计和目标检测的学生课堂行为识别[J]. 华东师范大学学报（自然科学版）, 2022, 2022(2): 55-66.
[4]	刘波, 白晓东, 张更新, 沈俊, 谢继东, 赵来定, 洪涛. 深度学习在认知无线电中的应用研究综述[J]. 华东师范大学学报（自然科学版）, 2021, 2021(1): 36-52.
[5]	张旭, 黄定江. 基于深度学习的铝材表面缺陷检测[J]. 华东师范大学学报（自然科学版）, 2020, 2020(6): 105-114.
[6]	韩程程, 李磊, 刘婷婷, 高明. 语义文本相似度计算方法[J]. 华东师范大学学报（自然科学版）, 2020, 2020(5): 95-112.
[7]	杨康, 黄定江, 高明. 面向自动问答的机器阅读理解综述[J]. 华东师范大学学报(自然科学版), 2019, 2019(5): 36-52.
[8]	陈远哲, 匡俊, 刘婷婷, 高明, 周傲英. 共指消解技术综述[J]. 华东师范大学学报(自然科学版), 2019, 2019(5): 16-35.
[9]	刘恒宇, 张天成, 武培文, 于戈. 知识追踪综述[J]. 华东师范大学学报(自然科学版), 2019, 2019(5): 1-15.
[10]	袁培森, 张勇, 李美玲, 顾兴健. 基于深度哈希学习的商标图像检索研究[J]. 华东师范大学学报(自然科学版), 2018, 2018(5): 172-182.
[11]	余若男, 黄定江, 董启文. 基于深度学习的场景文字检测研究进展[J]. 华东师范大学学报(自然科学版), 2018, 2018(5): 1-16.
[12]	王海涛, 张福蒸, 王义, 梅涛. 通过信息技术提高高校网络舆情引导能力[J]. 华东师范大学学报(自然科学版), 2015, 2015(S1): 18-23.
[13]	杨德仁;顾君忠. 一种知识型网络爬虫的设计与实现[J]. 华东师范大学学报(自然科学版), 2006, 2006(3): 93-98.