面向短文本的网络舆情话题

龙永深 彭冲 陈卫弥

摘要    本文的目的即是自动从海量社交短文本中，自动发现热点事件或热点话题，利用Python编程对短文本中的词语进行处理，进一步提取出候选词组，最后再进行话题的话题精筛，从而可以挖掘出相关人群重点关注的内容。

【关键词】网络舆情 话题分析 贝叶斯平均 注意力机制

随着社交网络的发展和积累，内容的产生、传播、消费等已经根深蒂固地融入在人们的生活里。随之内容分析的工作也就走进了人们的视野。信息的流动不再是单方向的，报纸的信息流动是从报纸到读者，而在互联网应用中，可以方便地通过“评论”、“回复”等技术手段，使信息流动变成双向的，甚至评论和回复成为信息中的有机组成部分，进一步地丰富原有信息的内容。因此，从互联网上主动地收集信息，用数据挖掘方法或者自然语言处理的方法来分析信息中用户的观点，成为当前舆情分析的一种非常重要和直接的手段，也就是“网络舆情分析”。

1 热词处理

本文从以下的一些方面进行热词提取工作。首先是文本的预处理，这里主要包括文本去重、广告识别等方法，对数据进行一些去躁的工作。

其次进行热度分数计算：利用贝叶斯平均对梯度分数进行修正。贝叶斯平均的典型应用包括用户投票排名，产品评分排序，广告点击率的平滑等等。以用户投票排名为例，用户投票评分的人很少，则算平均分很可能会出现不够客观的情况。这时引入外部信息，假设还有一部分人（C人）投了票，并且都给了平均分（m分）。把这些人的评分加入到已有用户的评分中，再进行求平均，可以对平均分进行修正，以在某种程度或角度上增加最终分数的客观性。容易得到，当投票人数少的时候，分数会趋向于平均分;投票人数越多，贝叶斯平均的结果就越接近真实投票的算术平均，加入的参数对最终排名的影响就越小。

再通过频繁项集、word2vector等方法，发现出共现词语的关系。利用共现词语的信息，对热词进行一轮筛选，提取出最有价值的热词，避免信息冗余。通过对词频进行时间序列分析，可以更详细地区分短期、长期与周期性热点;对一些更有价值的热词做热度预警;对热词的增长趋势进行分析等。

综上，本文在周期时间间隔内，通过贝叶斯平均修正的词语梯度分数来分析词语热度，并利用语料中词语的共现信息，进一步筛选得出热词。通过时间序列分析，得出热词的特性和增长趋势等。

2 话题提取

话题提取的工作也分为两步，第一步先找出一些候选的话题词组;第二步利用Attention的思想，从候选词组中找出一个包含的词语更加重要的词组，作为输出话题。

2.1 候选词组提取

信息熵是用来衡量一个随机变量出现的期望值，一个变量的信息熵越大，表示其可能的出现的状态越多，越不确定，也即信息量越大。互信息可以说明两个随机变量之间的关系强弱。定义如下：

公式

对上式做变换可以得到：

公式

则可知表示由X引入而使Y的不确定度减小的量。越大，说明X出现后，Y出现的不确定度减小，即Y很可能也会出现，也就是说X、Y关系越密切。反之亦然。在实际应用中，词组的内部聚合度即为词语间的内部聚合度。对于一个词组，选取使不确定性减少的程度最多的一种词语组合，来说明词组的内部聚合度。

2.2 话题精筛

对于某一个热词，挑选出来一批候选词组后，每个词组所含的词语不同，包含的信息量也不同。筛选的主要依据或思想，其实和Attention机制是一样的，关键是要找出重要的词语。比如与“巴黎”的搭配，“巴萨”、“逆转”、“时装周”比“球迷”、“球员”、“心疼”、

“法国”包含的信息更多，意义更大。可以想到，“巴薩”、“逆转”、“时装周”这些词语在其他无关语料中不常出现，“球迷”、“球员”、“心疼”、“法国”在不同语料中都常会出现，信息不明确。所以，可以通过TF-IDF的思路来确定Attention。

热词的候选词组s的事件或话题表示能力分数可由以下公式求得：

公式

其中，N为候选词组中的词语个数，为候选词组中包含的第i个词语，Corpus（w）表示含有词语w的相关语料。另一方面也需要考虑词组出现的频次，词组出现的次数越多，说明事件越重要。

综上所述，本文通过候选词组的事件或话题表示能力分数以及出现频次，精筛出热词的相关话题。

3 结论

近年来，各种公众趋势分析类产品涌现，各大公司都利用自身资源纷纷抢占一席之地。公众趋势分析平台利用自然语言处理、机器学习方法对数据进行分析，给用户提供舆情分析、竞品分析、数据营销、品牌形象建立等帮助。其中，热点发现问题是公众趋势分析中不可或缺的一部分。本文集中在文本数据方面进行分析，挖掘相关人群重点关注的内容。

参考文献

[1]张群，王红军，王伦文.词向量与LDA相融合的短文本分类方法[J].现代图书情报技术，2016（12）.

[2]刘红兵，李文坤，张仰森.基于LDA模型和多层聚类的微博话题检测[J].计算机技术与发展，2016（06）.

[3]叶成绪，杨萍，刘少鹏.基于主题词的微博热点话题发现[J].计算机应用与软件，2016（02）.