基于自然语言处理的高校舆情情感倾向分析模型的研究
2020-08-10王啸楠尹辉平
王啸楠,尹辉平
(1.安徽信息工程学院 计算机与软件工程学院,安徽 芜湖 241000;2.苏州科大讯飞教育科技有限公司,江苏 苏州 215000)
教育部于2019年2月举行新闻发布会，介绍了2018年全国教育事业发展基本情况，2018年我国共有普通高校2 663所，含独立学院在内.其中，本科院校1 245所，高职(专科)院校1 418所，另有研究生培养单位815个，各种形式的高等教育在学总规模高达3 833万人.伴随着高校学生数量大幅上升而来的是高校网络舆情的爆发，高校学生成为高校舆情的主要传播体.高校舆情影响力的增强在为高校思政工作带来发展机遇的同时，也带来了不容小觑的冲击和负面影响.
因此，如何快速收集、整理网络舆论信息，及时发现学生关注热点话题，抑制消极情绪，纠正错误舆论，降低突发事件对高校产生的负面影响，成为各大高校所面临的重要课题之一[1].
基于上述思考，面向全国各大高校贴吧网站，设计一种高校舆情情感倾向分析模型，该模型通过网络爬虫进行定时采集，以用户评论为主要分析对象，通过自然语言处理技术，发现舆情热点话题，并针对热点话题评论进行情感正负倾向分析，将分析结果可视化，达到高校舆情情感倾向分析的目的.
1 模型架构
整个模型按照工作流程顺序进行划分，共分为5个阶段：语料库准备、数据预处理、舆情监测分析、性能评估、结果可视化，如图1所示.
(1)语料库准备：通过网络爬虫技术完成原始数据和新数据的采集，同时完成原始数据的整理，为后期数据训练做准备.
(2)数据预处理：针对已采集文本数据进行清洗，去除脏数据，并通过NLPIR中文分词系统完成分词、词性标注等预备工作，为后期数据特征分析做准备.
(3)舆情监测分析：完成两个核心功能分析，分别是热词分析以及发帖内容评论的情感倾向分析.
(4)性能评估：将通过分类器的准确率、召回率和F值对模型情感倾向分析进行评估.
(5)结果可视化：通过搭建网站页面对分析后的数据进行可视化展示.
图1 模型工作流程顺序展示图
2 算法实现
2.1 语料库准备
语料库分为两个组成部分：原始数据和新数据.原始数据主要扮演训练集和测试集角色，用于训练和测试计算模型的准确度，为选择情感倾向分类器提供数据基础；新数据为真实评价数据，为可视化展示阶段提供真实数据来源[2].
两种数据均来源于网络爬虫爬取，区别在于，以X年X月X日为分界线，原始数据为一次性爬取，将该日之前某一区间段数据爬取保存，保存后针对原始数据进行评论分类，分为积极评论文本和消极评论文本；而新数据则在该日之后，以日为单位，每天定时爬取[2].
数据爬取文本主要包含2个，分别是baseURL文本和id文本.baseURL文本为第一爬取文本，包含字段有：id(序号)、title(帖子标题)、link(该主题贴评论链接)；通过链接爬取第二个id文本，顾名思义，以id为文件名，该id与baseURL中的id对应，用于保存该id主题贴的全部信息，包含字段有：id(与文件名一致)、title(帖子标题)、author(作者)、time(发表时间)、floor(评论楼层)、reviewer(评论人)、comment(评论内容).发表时间可用于后期最新发帖排序，评论楼层的多少可用于热门发帖排序，作者和评论人可用于后期统计该人的活跃度，评论内容为舆情情感倾向分析的基础数据.
2.2 数据预处理
首先，将爬取后的文本数据进行清洗，去除信息不全、表情图片、文字乱码等脏数据.针对处理后的文本数据集，采用NLPIR(全称：NLPIR-ICTCLAS汉语分词系统)对文本进行分词，该系统由中科院团队研发，具有对中文英文信息进行分词与词性标注功能.在分词之前准备两张表：停用词表和用户自定义表，通过去除停用词和添加自定义用户词来提高分词的准确性和针对性.停用词表主要用于过滤一些无效、无实质意义或者干扰词汇，例如“阿”“了”“哎呀”“不仅”等字、词或词组；用户自定义表主要用于设置一些主题词汇以及特殊的网络词汇，例如“北大”“挂科”“给力”“真香”等非常规词组，由于该模型用于处理高校舆情，因此自定义用户词将以高校为对象重点添加，例如“高数”“大物”“网课”等.将数据分词后的文本定义为评论单词comments_words文本，该文本用于舆情监测分析中的热词分析以及关联词分析.
2.3 舆情监测分析
舆情监测分析是整个模型的核心部分，以下对热词分析以及评论情感倾向分析进行具体阐述.
2.3.1 热词分析 LDA是一种较为成熟的文档主题生成模型，其本质是三层贝叶斯概率模型，常用于自然语言处理.考虑传统LDA主题模型的局限性，该部分通过在传统的LDA主题模型中融入文本类别的TF-IDF算法实现对文本类别的关键词提取[3，4].
TF-IDF算法由TF算法和IDF算法组合，是一种经典的数据挖掘特征加权算法.TF算法用于获取一个词i在文档j中出现的次数，即词频tf(i,j)，n(i,j)表示单词i在文档j中出现的次数，n(k,j)表示文档j中共含有k个词，则tf(i,j)表示为
(1)
考虑到有些词可能在文档中虽然频繁出现，但往往其重要性并不高，例如“请问”“东西”等词语，因此通过IDF算法可以获取一个词i在文档中普遍重要性的度量权值，即逆文档词频idf(i)，其中，|D|表示语料库中的总文档数，dj表示语料库中词i出现的文档数，则idf(i)可表示为
(2)
则TF-IDF为tf(i,j)和idf(i)相乘所得到的权重越大，则该词成为关键词的概率越高，表示为
(3)
在获得每个词语的权重矩阵基础上，构建LDA模型对象.LDA模型认为通过若干词语可以体现某种主题，而一篇文档可包含多个主题，因此生成一篇文档的过程也就包含两个阶段:由词语到主题，再由主题到文档[5].
设w代表词语，t代表主题，d代表文档.将nti表示文档对应到第i个主题的词语个数，n代表文档中的词语个数，则文档d中第i个主题ti可表示为
(4)
假设形成k个主题，将Pti表示某个文档对应到第i个主题的概率，则每个文档d对应到不同主题的概率:
p(t|d)=θd
设V代表整个文档词语集合，将wi表示主题i中的第i个单词，则每个文档d中都包含一个单词序列
(5)
假设V中有m个不重复的词语，Pwi表示主题t生成V中第i个单词的概率，则对于主题t，生成不同单词的概率：
p(w|t)=φt
以某日的评论数据为例，整个实现过程如下：
(1)载入分词处理过的评论单词comments_words文件；
(2)构建TfidfVectorizer对象，进行多次实验调整找到最大特征值，通过fit_transform函数得到评论文本的TF-IDF权重矩阵.
(3)在获得每个词语的权重矩阵基础上，构建LDA模型对象，通过设置LDA模型对象参数获得Top N的热词，利用fit函数完成对每个词语权重矩阵的数据集训练，最终训练出两个结果向量，即P(w|t)和P(t|d)两个概率分布.
(4)通过TfidfVectorizer对象中的get_feature_names函数获取整个热词的最终权值数据，根据权值降序排序，获取热词列表.
2.3.2 情感倾向分析 情感分类器选择是情感倾向分析功能实现中非常重要的一部分，该部分需要训练原始语料数据，并通过测试数据集的测试结果来完成模型评估.
首先，将原始数据按照评论的正负情感进行分类，整理出积极文本和消极文本，累计语料约6万条评论，利用NLPIR对这两个文本中的数据集进行分词，去掉停用词表，添加用户自定义词表，针对积极词汇设置特征值1，消极词汇设置特征值0，实现两个数据集分类：积极词汇列表pos和消极词汇列表neg.
其次，为了增加分类器选择的准确性，将两个数据集的数据排列随机化后再进行合并，针对合并后的数据集随机划分为训练集x_train和测试集x_test.
接着进行分类器选择，数据集将通过3次比例划分，尝试4种分类器，分别是：BernoulliNB伯努利贝叶斯分类器、MultinomialNB离散型朴素贝叶斯分类器、LogisticRegression逻辑回归分类器和LinearSVC支持向量机线性分类器.为了衡量不同分类器的准确性和实用性，采用3个评测指标来描述测试效果，分别是：准确率、召回率和F值，并对结果进行了计算和总结[5].结果如表1所示.
表1 不同分类器评测指标测试结果
通过表1数据可知，4种分类器中，LogisticRegression逻辑回归分类器和LinearSVC支持向量机线性分类器表现较好，而逻辑回归分类器则表现相对更优.
以某条发帖评论数据为例，整个实现过程如下：
(1)构建线性回归分类器，针对语料库中6万条原始数据构建训练集，通过该训练集完成线性回归分类器训练.
(2)完成某条发帖数据采集与预处理，形成新的发帖评论文本，字段包括发帖id，以及该id下的全部评论comments.读取该帖评论文本，构建该帖下的全部评论集合X.
(3)构建新的评论集合Y，从旧的评论集合X中迭代出每一句评论，生成词袋Di，即字典，Di表示第i条评论的词袋，针对每一句评论进行分词，分词过程中需去除停用词并添加自定义用户词，将分词后的每一个有效词语进行标记，装入词袋，再将Di放入Y中.
(4)通过训练后的分类器针对新的评论集合Y进行分类，返回整个评论分类结果集合，分类积极为1，分类消极为0.假设集合中积极个数为Pn，消极个数为Nm，则该帖评论中积极情感占比r(p)和消极情感占比r(n)可表示为
(6)
(7)
(5)将发帖信息与该主题帖下的评论情感倾向占比结果进行可视化.
3 总结
该模型通过自然语言处理技术，针对高校舆情这一主题进行评论情感倾向分析.由于该模型主要用于实现整个热词分析与评论情感分析流程的贯通，因此对于数据量不做前期要求，后期可大幅度提升舆情数据量，通过采用Hadoop相关技术实现大数据集的分布式存储和数据处理，大大缩短前期数据准备以及预处理速度，从真正意义上实现一个基于Hadoop的高校贴吧舆情监控系统.并且，该模型对于评论中出现的图片、表情等其他载体所包含的舆情信息并无涉及，还有待进一步研究.
