推特上中国形象的主题与情感分析

肖明+易红发

国家形象是一个国家的综合实力（即硬实力和软实力的总和）和核心价值观的体现，是一个国家在国际社会中所展示的整体面貌，以及国际社会对其综合实力、核心价值观和整体面貌的感受和评价。

传统的国家形象研究有两种途径，一是对媒体上特别是主流报纸上有关中国的报道进行内容分析，二是针对民众进行调查，来了解外国民众对中国的评价。

自2006年推特（Twitter）诞生以来，自媒体或称社交媒体成了传统媒介机构与公众发表意见的新平台。本研究中，我们采用文本挖掘技术，对推特上涉及中国的英文热门推文进行了分析。研究目的是了解和描述推特英语用户在发布的热门推文中，涉及中国时关注的是哪些主题，呈现出来的态度及情感又是怎样的，以期对对外传播工作有所启示。

一、研究方法

推特平台上共有超过30种的语言版本，但主要语言为英语，本研究以英文版本为研究范围，研究对象是海外媒体及公众所发布的涉及中国、中国人的热门推文。采用新兴的文本挖掘方法，对非结构化的推文文本进行挖掘和处理，工作流程包括了文本的获取、分词与过滤、主题建模、情感分析四个步骤。

1.文本数据的获取

在获取文本数据过程中，我们不区分大小写，以“China”或者“Chinese”为关键词对热门推文进行了检索。热门推文是被转推或被收藏过的推文。搜索热门推文而不是全部推文，主要是考虑到了热门推文的影响力以及工作量问题。所搜索语言为英语，这主要是考虑到推特用户的主要语言为英语，用户所发布的推文也多为英文。推特是在2006年3月开始运营的，本研究的数据收集时间是在2014年初，所以搜索的时间周期为2006年3月到2013年12月。

利用爬虫软件GooSeeker对检索出来的热门推文进行了抓取。GooSeeker是火狐浏览器的插件，包括两个部分：定义提取规则的MetaStudio和用于信息采集DataScraper。利用爬虫技术获得的原始数据包括四个字段，分别是“用户名”“昵称”“推文发布日期”，以及“推文文本”。其中“用户名”和“昵称”是用户属性数据；“推文发布日期”是推文属性数据；“推文文本”属于内容数据，是文本形式的，“推文发布日期”是我们要进行分析的非结构化数据。

第一条含关键词“China”或“Chinese”的热门推文发布于2006年4月30日，推文内容如下：

picking up two out-of-state twitterers， heading out for the best Chinese in SF - Elizas.

因为本研究所关心的是外国人如何呈现中国形象，所以去除了中国人或中国机构所发布的推文。首先，我们认定“昵称”中含中文字符的用户是中国人，删除他们所发的推文，共计26，318条。其次，我们认定用户名或昵称中含“China”或“Chinese”的用户也与中国有关，去除他们所发的推文，共计53，212条。最终获得有效的热门推文一共是842，917条。

2.文本预处理

对推文的预处理包括了分词和过滤，主要运用自然语言处理技术（NLP），利用Python的nltk包进行了操作。

我們的研究对象是推特上的英文的涉华推文，分词方法就是简单的基于空格和标点符号的英文分词法。

过滤是指过滤掉文本中的html链接、@人名、标点符号，以及不必要的空格。同时过滤掉非英文字母、数字、小于或等于三个字符的词（这些词，如the、or、and等绝大多数为无意义的虚词），同时在停用词（Stop Words）表的基础上，过滤掉停用词。最后将所有英文字母转换为小写。

3.主题建模及主题命名

主题建模（topic modeling）是本研究中最为关键的一步，利用Stanford TMT 0.4.0软件对涉华推文的主题进行LDA（狄利克雷分配模型）建模。Stanford TMT由斯坦福自然语言处理小组（The Stanford Natural Language Processing Group）开发，基于JAVA，用Scala编写，有完整的API文档。LDA建模方法是基于无监督的机器学习技术，不采用任何的主观方法去标识推文，能够更为客观地发现文本中是否存在着潜在主题。

经过了反复的测试，本研究最终选择最大迭代次数为1000，常见词过滤数量为20的结果，最终从80多万条推文中提取了30个主题。

对于所提取的30个主题，软件输出结果中会给出每个主题所对应的前20个关键词以及每个关键词的贡献度。根据各个主题所包含的关键词的特点，经过反复讨论，最终对各个主题进行了命名。

4.情感分析

本研究的情感分析（sentiment analysis）应用机器学习技术，采用朴素贝叶斯（Naive Bayes）算法，对每一条推文的极性与情感进行识别。具体的操作采用了R语言中的sentiment包。

R语言中的sentiment包在识别极性（polarity）时，会先为每条推文的每种可能极性打分。即每条推文都有两种可能性negative（消极、负向、否定）和positive（积极、正向、肯定）的得分。当两种极性得分相差较大时，则极性拟合为得分较高的极性类别。当两种极性得分相差不大时，则拟合一种新的极性类别，即neutral（中立）。

R语言中的sentiment包在识别情感时，共有六种情感：anger（愤怒）、disgust（厌恶）、fear（恐惧）、joy（喜悦）、sadness（悲伤）和surprise（惊奇）。在分析时会先为每条推文的每种可能情感打分。当六种情感可能性中有一种可能性的得分特别突出，那么该推文的实际情感就拟合为该类别。如果六种情感可能性得分相差不大时，则情感类别拟合为unknow（未知）。如此可知，如果某条推文被拟合得到某一类情感，则该情感一定是强烈的情感。

二、研究结果

1.涉华推文的主题分布

本研究采用LDA主题建模方法把80多万条涉华热门英文推文凝聚为30个主题，各个主题的名称及其占所有主题的百分比如表1所示。

可以看到，涉华热门推文中有关饮食的主题有三个，根据场景的不同分别为“饮食与家庭生活”“饮食与娱乐”，以及“饮食与学校生活”，三个主题合计为10.98%。即有关中华饮食的推文所占比例最高，推特用户中最关心的中国议题是饮食。

在饮食主题之后的占比数量多的五个主题依次是：“亚洲局势”“美国总统选举”“金融市场”“社会化媒体”，以及“经济增长”，这五个主题累计百分比为26%，超过了四分之一 。

在国家形象研究中，常见的主题分类是政治、经济、社会及文化的四分法，这也是传统调查法和内容分析方法比较经常采用的分类法。

按照政治、经济、社会及文化的四分法，本研究中利用主题模型生成的“亚洲局势”“美国总统选举”“地区争端”“西藏话题”“媒介审查”“人权话题”“港台话题”“政治丑闻”，以及“计划生育”等九个主题属于政治范畴，所占比例为32.6%。

属于经济类的主题包括“金融市场”“经济增长”“奢侈品市场”“苹果产品”“污染与健康”，以及“航天与探月工程”，共六项，所占比例为20%。

属于文化类的包括“大熊猫与长城”“阅读与谚语”“好莱坞电影”“学校学习”“语言学习”“韩流”，以及“传统医学”，共七个主题，所占比例为21%。

属于社会类的主题包括“社会化媒体”“饮食与家庭生活”“自然灾害与治安”“饮食与娱乐”“饮食与学校生活”“奥运会”“城市生活”，以及“篮球与足球”，共计八个，所占比例为26.4%。

2.不同年份及不同议题的极性分析

通过极性分析，我们发现所分析的80多万条英文涉华热门推文中，有54.81%的推文极性为积极正向的；消极负向的推文占31.99%；中立推文比例为13.20%。

历时来看，2006年的数据因为数量很少，忽略不记。从2007年到2013年各年度的极性变化是不大的。负面评价的标准差为1.87%，正面评价的标准差为1.32%，中性评价的变化范围最小，标准差不到1%。

从变化的情况来看，2008年的推文积极正面的评价比例最低，为52%；消极负面评价的比例为35.65%，是历年来最高的。2008年中国发生的重大事件包括北京奥运会、汶川地震、毒奶粉事件，以及全球性的金融危机。

按照政治、经济、文化、社会四个大类别来看，在政治类议题中，积极正面的评价为54.73%，略低于经济、社会及文化议题中正面评价的比例。

3. 不同年份及不同议题的情感分析

总体来看，只有25.54%的推文表现出了强烈的情感。近四分之三的推文都没有表现出强烈的情感，情感拟合为unknown。

历时来看，随着时间的推移，涉华热门推文表现出强烈情感的比例越来越多。在2007年，只有20.1% 表达出了强烈的情感，而2013年，这个比例已经提升到26.5%。这表明，就中国议题而言，推特用户越来越倾向于表达出强烈的情感。

從所表达出来的情感来看，比例最高的情感是喜悦，占比14.19%；其次为愤怒，占3.49%；排在第三位的情感是难过，比例为3.07%。

从居前两位的情感joy和anger的变化来看，joy呈现出逐年提高的趋势，这说明涉华热门推文中，含有喜悦情感的比例越来越多；而anger呈现出小幅上下波动的态势。

从议题来看，社会类和文化类议题中表现出强烈情感的比例都在27%上下；而经济、政治类议题中具有强烈情感的比例都不足25%。

三、结论

本研究着眼于推特上英文用户对有关中国议题的呈现，采用爬虫程序获取数据，利用NLP技术对数据进行预处理，采用主题建模和情感分析两种技术对数据进行处理，得到以下结论：

1.从数量上看，英文涉华热门推文的数量在逐年增加。表明世界对中国及中国相关事物的关注度在持续提高。

2.“饮食”成为英文涉华热门推文中关注度最高的主题，超过十分之一的推文都与中国饮食有关。

3.从政治、经济、文化和社会四大类议题来看，英文涉华热门推文中政治类主题所占比例最高。

4.英文涉华热门推文总体上的极性以积极正向为主。总的来看，推文中只有四分之一表现出了明显的情感，从表现出来的情感的情况来看，喜悦高居第一位，然后依次是生气和难过。从各年度历时来看，表现出喜悦情感的比例有上升的趋势。

（本研究为中国传媒大学亚洲传媒中心资助项目“西方自媒体中的中国形象研究”的阶段性成果）

「参考文献」

1.张培晶、宋蕾：《基于LDA的微博文本主题建模方法研究述评》，《图书情报工作》，2012年第12期。

2.赵妍妍等：《文本情感分析》，《软件学报》，2010年第8期。

3.Hofmann T. （2001）. Unsupervised learning by probabilistic latent semantic analysis [J]. Machine Learning， 42（1）： 177-196.

4.Blei D， Ng A， Jordan M.（2003）. Latent Dirichlet allocation [J]. Journal of Machine Learning Research， 2003（3）：993-1022.

5.OConnor， Brendan； Balasubramanyan， Ramnath； Routledge Bryan R.； and Smith， Noah A.. ‘ From Tweets to Polls： Linking Text Sentiment to Public Opinion Time Series（2010）.Tepper School of Business. Paper 559.