APP下载

基于情感语义空间的食品安全舆情情感分析

2020-10-20洪小娟宗江燕黄卫东洪巍

现代情报 2020年10期
关键词:情感分析

洪小娟 宗江燕 黄卫东 洪巍

摘  要:[目的/意义]区别于单一维度的情感强度测度,基于情感语义空间的食品安全舆情情感分析从立体空间角度探析情感的细粒度表征及情感焦点,对政府及有关部门提升舆情治理水平具有重要意义。[方法/过程]运用PAD情感模型构建情感语义空间,以2018年食品安全舆情为例,一方面,将情感词映射至情感语义空间,根据位置判别情感词多维情感强度;另一方面,根据情感语义空间的表现形式划分情感层次,探寻不同情感指向特征。[结果/结论]多维情感语义空间中,食品安全舆情情感的自我认知层愉悦度较高,表明公众认为自身对食品安全有较好的认知;舆情中社会发展和民生民意空间呈现明显的负向情绪,且网民在表达该类情感时的神经生理激活水平较高,应引起政府高度重视。食品安全舆情中的意见领袖对他人情感有较强的影响力,政府应加强与该领域意见领袖的沟通与引导。

关键词:食品安全舆情;情感语义空间;PAD模型;情感强度;情感分析

DOI:10.3969/j.issn.1008-0821.2020.10.014

〔中图分类号〕G206  〔文献标识码〕A  〔文章編号〕1008-0821(2020)10-0132-12

Analysis of Food Safety Public Opinion Emotion

Based on Emotional Semantic Space

Hong Xiaojuan1,2  Zong Jiangyan1  Huang Weidong1  Hong Wei1

(1.Management School,Nanjing University of Posts and Telecommunications,Nanjing 210003,China;

2.Jiangsu Information Service Decision Research Base,Nanjing University of Posts and Telecommunications,

Nanjing 210003,China;

3.School of Business,Jiangnan University,Wuxi 214122,China)

Abstract:[Purpose/Significance]Different from a single-dimensional measure of sentiment intensity,the food safety public opinion sentiment analysis based on sentiment semantic space analyzes the fine-grained representation of sentiment and sentiment focus from the perspective of three-dimensional space,which is of great significance for the government and relevant departments to improve the level of public opinion governance.[Method/Process]The PAD model was used to construct the emotional semantic space.Taking the food safety public opinion events in 2018 as an example,on the one hand,emotional words were mapped to the emotional semantic space,and calculated multi-dimensional emotional intensity of emotional words based on location;on the other hand,the expression form divided the emotion level and explored different emotion-oriented characteristics.[Result/Conclusion]In the multi-dimensional emotional semantic space,the self-awareness level of food safety public sentiment was high,indicating that the public believed that they had a better understanding of food safety;and the social development and peoples livelihood involved had a significant negative development trend.Moreover,the level of neurophysiological activation of netizens in expressing such emotions should be highly valued by the government.Opinion leaders in food safety public opinion had a strong influence on the emotions of others,and the government should strengthen communication and guidance with opinion leaders in this field.

Key words:food safety public opinion;emotional semantic space;PAD model;sentiment intensity;sentiment analysis

当前,新冠肺炎(COVID-19)疫情已经成为全球面临的共同挑战。世卫组织(WHO)专家呼吁重视食品安全,防止新冠病毒通过动物源性食品传播,这一突发公共卫生事件使得公众对食品安全的关注再次徘徊于高位。事实上,党的十八大以来,一系列有关食品安全的重大决策部署得以出台,十九大报告更是重申“实施食品安全战略,让人民吃得放心”的理念[1]。在多重政策高压下,我国食品安全事件数量呈现明显下降态势。但对食品安全担忧、愤怒等的情绪危机并未随之减弱,《中国民生调查2019综合研究报告》指出,食品安全是受访者在社会环境方面的首要担忧问题[2]。心理学研究证实,情绪对行为具有近乎决定性的作用[3],由于食品安全事件自身的涟漪性效应[4],公众舆论往往波及国家政策体制以及医疗、教育、住房等其他民生问题,倾向于将食品安全问题当作对各种社会问题的情绪发泄出口[1]。如果不能进行及时合理的疏导,极有可能诱发公众线下啸聚,为政府舆情治理带来高难度挑战。因此,区别于以往对食品安全舆情的研究视角,本文从情感分析的角度追溯舆论焦点,期望为食品安全舆情治理提供新思路。

舆情情感研究的通用逻辑是通过构建情感词典[5-6],识别自然语言中的情感词,采用人工标注[7]或者机器学习方法[8]进行情感的正负向极性判断[9]。在情感词典构建中,一般是根据开放的语义知识库[10-11]获取情感词的情感极性,也有结合大规模语料库计算情感词的语义相似度[12]来判定未知情感词的情感极性。这种解决思路有利于甄别通用语境下指向比较单一的舆情情感,进行的舆情情感极性的判断也较为笼统。对于复合型事件,相同的情感词在不同的状态空间,不同语境下其情感强度是不同的。食品安全舆情事件中,公众的情绪单纯用正向和负向这两个极性来判断难以探究其复杂的内涵。因为,食品安全事件涉及民生,不仅存在可能殃及自身的担忧与焦虑,还存在着对涉事食品生产经营商生产不合格产品的愤怒和对监管不力的不满,以及延伸出的对其他社会现象的推定等多维发散性情感信息。这种复合类型的情感必须在多维空间进行综合判断,才能准确辨析出食品安全舆情中的立体层次结构情感信息量[13]。数学领域定义的多维立体空间为舆论情感积聚提供存储场所的同时,也为食品安全舆情情感分析提供新的解决思路。此外,情感强度本质上代表人的思维、生理活动和行为倾向的驱动力大小[14],相同的情感词在不同维度上呈现的情感特征也是不同的。为此,本文拟基于情感词在空间位置的坐标来计算舆情情感强度,通过其位置差异反映食品安全舆情情感强度的差别,实现情感强度的多维测度。

为此,本文试图构建能够对食品安全舆情情感强度进行细粒度分析的情感语义空间,在自然语言处理的基础上将食品安全领域情感特征词映射至情感语义空间中的具体位置,力图系统地探寻情感的细粒度表征,对食品安全相关部门、政府和媒体及时应对食品安全突發事件、制定科学合理的策略具有重要意义。

1  相关理论

食品安全舆情事件发展初期,公众首先从自身利益的角度衡量该事件,接着结合自身的类似经历、价值观念等发表评论观点,外界信息的刺激更易导致公众多种情绪化的表现,此时蕴含的语义较为直接、浅显,表现为情感语义空间的主观层面[15];随着公众对舆情事件理解的不断加深,大脑中枢神经活动因被持续刺激而产生生理反应[16],使得个体参与该事件的兴奋活跃度不断提高,不同的个体意见和情绪会交织作用,尤其是有重要影响力的意见领袖的观点会引发海啸般的转发和评论,推动舆情进一步发展,公众会根据已形成的认知对舆情事件表现出一定的立场:不仅对自身经历等做出主观性的评价,更是对社会议题、国家政策等的现实发表观点,表现为情感语义空间中的认知层面[17];随之带来新的意见的产生,极大可能导致次生衍生类舆情的爆发,涉及医疗、教育等其他民生问题,成为客观层的来源[18]。以上3个部分构成情感语义空间3种表现形式:主观层、认知层及客观层[19]。

由舆情情感语义空间的表现形式可知,不同维度不同层次交叉影响着舆情情感强度,对食品安全舆情情感的评价需要从多个维度多个层次进行。心理学领域中,基于语义差异评价方法的维度观测量模型——PAD情感模型[20-23]从愉悦度(Pleasure-displeasure)、激活度(Arousal-nonarousal)以及优势度(Dominance-submissiveness)进行情感强度测度。这3个维度并不仅限于描述情绪的主观体验,与情感的生理唤醒、外部表现都具有较好的映射关系。Mehrabian等人利用这3个维度有效解释42种情感量表中的绝大部分情感[21],因此,以该模型为基础构建舆情情感语义空间。

PAD三维情感模型中各维度上的数值范围为[-1,+1],-1表示该维度的最低值,+1表示该维度的最高值,如图1所示。食品安全舆情中,公众由于受到羊群效应等心理因素的影响[24],大多跟随舆情事件反映的情感趋势表达自身情感,愉悦度可以有效衡量正负情绪状态及程度,反映情感的本质,“高兴”是愉悦度较高的正面情感,“忧伤”是愉悦度较低的负面情感;激活度则是为了刺激个体神经生理水平,促使网民采取进一步的决策行动,如对食品安全舆情事件进行点赞、转发、评论甚至重组,其上限表示情感的投入,下限表示情感的激活点;优势度强调个体情绪的自我控制状态,当发生食品安全事件时,网民最开始的情绪表达往往是分散的,随着意见领袖的出现,分散情绪逐渐向优势意见靠拢,此时意见领袖成为该时期公众的向导[25],其上限表示对他人及情境的控制,下限强调个体对自我情感状态的主观控制。

与传统情感描述方法相比,舆情情感语义空间可以识别情感的不同表现层次,并将每一个情感词对应到PAD空间中的具体位置,每一点的坐标都代表一种情感强度状态。舆情参与者的情感分布在空间中任意位置,通过衡量位置距离表达词语间的差异性与相似性,因此,可以对情感词进行连续化描述,细微情感状态能够得到具体表征。PAD情感坐标是通过一套设计完整的量表体系确定的,目前,量表体系从34个测试项简化至12个测试项[21,26]。PAD情感模型被广泛应用在心理学、市场营销及产品满意度研究中[19],鲜有应用于舆情的情感强度测度,而其连续化情感测度优势可以为食品安全舆情复杂情感强度测度研究提供新思路。

2  研究设计

基于情感语义空间的食品安全舆情情感强度测度方法从情感的不同表现层次探究情感焦点:在文本预处理的基础上提取情感词,利用大连理工情感词汇本体库和同义词词林扩展版构建食品安全领域情感词典,然后将情感特征词映射至情感语义空间,分别计算各个词的PAD坐标值,以此表征情感强度的多维情感状态;根据情感语义空间的表现形式,利用关键词云图识别不同情感层次,依此判别各层次的情感强度。根据上述结果绘制不同情感层次愉悦度(P)、激活度(A)及優势度(D)的趋势图,探析食品安全舆情网民情感强度在情感语义空间中的变化趋势,循证网民情感诱因。

21  特征词PAD值计算

在自然语言处理技术的基础上对文本进行分词、词性标注等操作,提取/adj、/adv、/n等作为情感特征词。以“大连理工情感词汇本体库”为基础情感词典,扩展情感词典利用“同义词词林扩展版”的情感词进行筛选,构建领域特定情感词典[19]。大连理工中文情感词汇本体的情感分类体系中的情感共分为7大类21小类,可以通过代码查找情感特征词,如果查找到相关观点词,则将其加入情感词典中;如果没有查找到该情感特征词,则在同义词词林扩展版中查找该同义词,如能够查找到此词,则将该词以及同义词加入情感词典,如果不能,则通过人工方式将其加入情感词典。经过上述方法,获得约1 800个情感特征词。

为获得情感特征词在情感语义空间中的位置坐标,需将中文情感词映射至OCC情感词。OCC情感词源于OCC情感模型,该模型是早期情感研究中最完整的认知情感模型,也是第一个可以用于计算机的情感模型。OCC情感模型中的认知情感由3部分组成:事件引起、行为引起及对客观事物的看法[27]。该模型的框架结构图如图2所示。

由于情感表达的差异化,目前尚无统一的映射标准。根据同义词映射原理,即两个词是同义词或近义词,则可用OCC情感词替换,以此将情感词映射至PAD空间。为此,将OCC英文情感词对应到中文情感词,再将情感特征词映射至OCC情感词表,最终映射至PAD多维情感空间,从而获得情感词在情感空间中的具体位置,映射流程如图3所示。

Patrick Gebhard在Mehrabian研究的基础上提出“Mapping of OCC Emotions Into PAD Space”,即将OCC情感词映射到PAD情感空间中,部分映射结果如表1所示。

情感词的PAD值主要依据其与中心词汇的语义相似度进行计算。基于同义词词林5层层级结构的词语相似度计算方法[28],利用义项中词语的编号,根据义项的语义距离,计算义项相似度sim(A,B)。PAD情绪状态e在三维空间可以表示为e=[x,y,z],定义:

θ=arccoszr,ψ=arctanyx,r=sim(A,B)

……………

由此,可以得到每个情感词对应的坐标:x=rsinθcosψ,y=rsinθsinψ,z=rcosθ。由上可知,定义e表示情感词的情感强度值,计算方式如式(1)所示。根据OCC情感词表,若P值和D值都为正值,则将其判定为积极情感词,其余均为消极情感词。

e=x2+y2+z2(1)

22  情感值计算

中文文本中,情感特征词反映主体对舆情事件的情感态度,否定词影响评论文本的情感极性,程度副词则会对评论文本的情感程度产生影响,因此,对现有的否定词以及程度副词进行收集并赋予一定的权重值,通过程序识别匹配更准确地得出评论文本的情感强度及情感倾向。其中,程度词词典、否定词词典的部分词语权重如表2所示。

基于情感词典的情感倾向性分析主要包括情感值计算和情感倾向判断。其中,情感值计算的结果是情感倾向判断的依据:若情感值为零,则为中性情感;若其大于零,为正向情感,小于零为负向情感。采用不同词语情感强度相乘的方式计算评论文本的情感强度,如式(2)所示。其中,一条评论由j个情感词组成,包含k个程度副词,修饰情感词的程度副词的权重值为dgValue、否定词的个数为notCount。此外,以同样的方式计算每条评论文本的愉悦度(P)、激活度(A)及优势度(D),分别如式(3)~(5)所示。

e=∑nj=1∏hk=1dgValuek×(-1)notCount×ej(2)

eP=∑nj=1∏hk=1dgValuek×(-1)notCount×ePj(3)

eA=∑nj=1∏hk=1dgValuek×(-1)notCount×eAj(4)

eD=∑nj=1∏hk=1dgValuek×(-1)notCount×eDj(5)

23  情感语义空间表现形式层次划分

传统心理学角度对情感的划分主要基于情感种类、情感转换等维度[29],而大数据网络环境下的食品安全舆情情感具有较为丰富的情感特征,仅从上述维度区分情感较为片面。情感语义空间层次划分从情感指向维度考量情感,结合多维情感强度测度方法对舆情情感进行细粒度分析,以全面识别食品安全舆情情感主体不同层次的情感类型[30],从而把握舆论情感焦点,对危机级别较高的情感及时进行网络舆情预警与监测。

关键词云图即标签云图,是对关键词集合及其频次运用“云图类”可视化技术进行可视化展示的结果。其中,聚类标签云图是按照某种方式进行聚类,以标签之间的距离衡量其相关程度,具有相同特征的标签通常排列在一起[31]。因此,本文根据词语间的共现关系绘制聚类词云图,并按照聚类特征识别情感语义空间表现形式的不同层次。关键词抽取基于图模型的TextRank算法[32],其核心是根据词语间的共现关系构造网络G(V,E),V为节点即词语集合,E为两个共现词语间形成的边集合,词语i的权重S(Vi)取决于指向该点的各个点Vj与该点Vi形成的边权重,以及节点Vj指向其他所有点的权重之和,计算方式如式(6)所示。ln(Vi)为指向该点的点集合,Out(Vj)为点Vj指向的点集合。最后,根据权值对关键词进行降序,从而生成关键词云图。

S(Vi)=(1-d)+d*∑j∈ln(Vi)1Out(Vj)S(Vj)(6)

此外,依据划分结果进行情感强度测算时,每个情感层次的平均情感强度分别记为ez、es、em,如式(7)~(9)所示。其中,epos为正面情感强度值,eneg为负面情感强度值。

ez=1N∑ni=1e(zi)pos+1N∑mj=1e(zj)neg(7)

es=1N∑ni=1e(si)pos+1N∑mj=1e(sj)neg(8)

em=1N∑ni=1e(mi)pos+1N∑mj=1e(mj)neg(9)

3  实证结果与分析

31  数据获取与预处理

食品安全领域的极端敏感性[33]导致一旦发生食品安全事件,便会引发公众感同身受事件主体情绪,在地域、身份、内容等方面产生联想[34-35],进而对舆情事件进行转发、评论,因此,运用网络爬虫工具,以“食品安全”为关键词在微博平台抓取相关内容,信息源发布时间设定为2018年1月1日0点至2018年12月31日23∶59∶59,爬取微博文本共25 472条,筛选出网民对相关微博既转发又评论的文本内容,删去与该主题无关的评论数据、进行去重以及表情转文字处理,得到有效转评文本共计4 367条,部分样本如表3所示。

1国内出于食品安全考虑,小学都不准带加餐吧。可是学校统一提供的加餐质量和受欢迎度又如何呢?如何监督,又如何引入公开透明的监督呢03-16  11∶49∶50

2政府要严管04-21  10∶56∶42

3京物美超市大成东店销售过期食品,真的让人很失望,这么大企业销售过期食品,而没有提前下架,超市的员工都在玩的吗05-26  20∶35∶19

4又想起以前的案例,我也不知道自来水安全不……06-16  14∶52∶01

5上学那会卫生法老师讲食品安全的时候说酱油是用头发做的,怪不得现在人的头发,防脱发的食谱完全可以当减肥餐07-29  22∶56∶01

6先把食品安全、医疗、教育搞搞好再怂恿人生孩子吧08-05  02∶29∶39

7唉,什么钱都敢挣!什么监管都形同虚设09-07  22∶37∶33

8食品安全关系到每个人10-11  08∶37∶15

9[吐][吐][吐][吐]原来从奶粉事件到现在,食品安全从来都是遮羞布11-10  13∶34∶29

10奶粉和牛奶都是婴儿货,孩子喝的一定要注意食品安全12-27  14∶19∶24

32  情感语义强度计算

采用ICTCLAS系统对上述转评文本进行分词、词性标注,提取情感特征词构建食品安全领域情感词典,根据情感特征词PAD坐标将其映射至PAD三维情感空间,结果如图4所示。“”代表情感词在PAD情感空间中的位置,情感特征词的愉悦度(P)的映射结果对应标记“”,多分布于负向坐标,表明食品安全领域网民评论采用的情感词多呈现为负向情感状态;而激活度(A)和优势度(D)的映射结果分别对应于标记“”和“”,二者集中分布在对应维度的正方向,一方面说明食品安全舆情事件对公众的神经生理激活程度普遍处于较高水平,刺激网民进行转发、评论,致使舆情进一步升级;另一方面则表明意见领袖较多,其发表的言论及观点能够对情境或他人有较好的控制,从而引导舆论发展方向。

根据式(1)计算情感词的PAD值及其情感强度值,部分统计结果如表4所示。

33  情感指向识别

对转评文本进行文本预处理后,在Python环境中根据式(6)抽取权重值排名前100的关键词作为云图构成元素,并调用Textrank4zh模块实现关键词的聚类排列,关键词云图如图5所示。其中,词语大小表明词频高低,词语的不同权重能够显性表示出食品安全舆情情感不同层次特征。

如图5所示,食品安全网络舆情事件中,以高频关键词“食品安全”“转基因”“食品”为中心的关键词云图在向周边扩展的过程中,词云呈现较

明显的分类。此外,结合黄微等学者的情感维度模型[36],依据权重将关键词云划分为3个类别:权重值大于5为第一类关键词;权重值介于0~2为第二类关键词;权重值介于2~5之间的则为第三类关键词。其中,部分关键词的权重如表5所示。

“外卖”“自己”“造假”等第一类关键词分布在高频关键词四周,主要呈现公众自身对食品安全问题的理解,传达对食品安全的认知。该层面关注自我观察与自我经历,词频较高但词语数量分布较为稀疏,在情感维度模型中属于关注自我的低层次情感[36],界定为“自我认知”。情感语义空间中的主观层包括自我反思、历史记忆等,因此,第一类关键词构成情感语义空间的主观层。

“法律”“监管”“政府”“农业部”等第二类词汇集中分布在词云,词频较低且数量分布最为广泛,存在较为明显的指向性。聚焦相关食品安全监管体制问题、国家食品安全政策问题等,引发民众对于社会发展深层次的评判。此层面的关键词情感级别处于最高层[37],重点关注社会,界定为“社会发展”。情感语义空间的认知层以情绪表现作为外在表现形式,根据舆情发展过程形成特定认知,外情感指向于社會制度、国家政策等方面,由此第二类关键词对应于情感语义空间的认知层。

“老百姓”“医疗”“环境”“教育”等第三类词语的词频较高,传达民众普遍认知。主要对食品安全环境提出质疑,同时牵涉到诸如医疗、教育等其他重要民生问题上,聚焦于民众所处社会环境及民众健康问题。在情感维度模型中位于情感级别的中层次,主要关注他人,界定为“民生民意”。该层面由内部情感驱动与外界环境因素刺激共同作用,极易引致舆情事件爆发,是最受关注的情感指向度量要素[30],与情感语义空间中的客观层的构成元素相同,即意味着第三类关键词构成情感语义空间的客观层。

此结果与心理学领域中对情感的划分相契合,心理学认为,情感指向一般包括内指向性情感反应、离散型情感反应以及外指向性情感反应。内指向性情感通常关注自我情绪;外指向性情感反应则上升至更高层面,对正负舆情事件都表现出强烈的情感态度与使命感;离散型情感反应则介于二者之间,主要关注与自身相关的舆情事件[29]。食品安全问题作为民众关注度较高的网络舆情事件,从不同情感表现层次进行分析,可以在较大程度上攫取网民内外指向情感反应焦点。

34  食品安全舆情情感分析

基于情感词典的优化处理后,在Python环境中实现式(2)~(5)的模型算法,计算每条评论文本P值、A值、D值以及情感强度,各个情感表现层次的部分结果如表6所示。且据式(7)~(9),2018年食品安全舆情中自我认知、社会发展、民生民意的平均情感强度分别为00134、-0045、-0083,网民的自我认知呈现出正向情感,表明公众认为自身对食品安全的认知水平较高,但社会发展及民生民意均表现为负向情感,公众负面情绪主要聚集于这两个层次,且民生民意的负向情感强度更高。

根据评论文本的P值、A值、D值,绘制自我认知、社会发展、民生民意每日平均愉悦度(P)、激活度(A)以及优势度(D)的变化趋势图,分别如图6~8所示。

由图6~8所示,食品安全舆情情感语义空间中各维度的PAD情感强度趋势呈现较明显的不同。网民的愉悦度(P)在自我认知中呈现正向分布,而在社会发展及民生民意中正负情感分化现象较为明显,表明公众认为自身对食品安全有较为全面的认知,但公众对国家政策、食品安全监管体制及其他重要民生问题持不同情感态度,部分对其表示期望、信任等正面情感态度,有的则对其产生担忧、愤怒的负面情感。其次,自我认知和民生民意在优势度(D)测度中的每日平均值集中分布在水平轴偏下位置,个体在表达对食品安全的自我认知以及民生民意时难以控制自身情绪状态,导致情绪肆意宣泄。而在社会发展中,意见领袖能够发挥较好的引导作用,加强食品安全工作的正面宣传力度,因此优势度较高。值得注意的是,3个维度中的激活度(A)几乎都是正向发展,食品安全舆情持续刺激着网民神经,使其转发评论行为的情感投入程度较高,体现出公众对食品安全一直保持着较高关注度。

35  结果分析

基于情感语义空间对自我认知、社会发展、民生民意3个维度的每日平均PAD值时序趋势进行分析,得出以下结论:

1)情感语义空间能够反映食品安全舆情细粒度情感。食品安全舆情情感复杂多变,不同于以往的单一维度情感强度测度方式,情感语义空间将网民情感强度从愉悦度(P)、激活度(A)及优势度(D)进行剖析,从不同维度观测网民情感强度变化趋势。此外,根据情感语义空间表现形式对微博评论文本进行层次划分能够快速识别网民情感焦点,凸显食品安全舆论情感指向。通过不同情感表现层次平均PAD值趋势图绘制,可以深入分析网民在参与舆情讨论时的情感正负向性、情感激活水平及对情感的控制状态,以此循证网民情感诱因。

2)情感語义空间中,除自我认知外,网民的愉悦度(P)呈现较为明显的正负情感分化。社会发展及民生民意中的负向情感峰值高于正向情感峰值,且正向激活度(A)较高,表明较高的情感投入使得不同网民的对立观点突出表现在民生民意与社会发展中,导致负向情感集聚。因此,政府应及时捕捉这两个维度的负面情绪并做出回应,为政府引导舆情态势争取主动权。

3)情感语义空间中,各维度的愉悦度(P)与优势度(D)发展趋势趋同。正方向发展在社会发展及民生民意中表现得尤为明显,表明食品安全舆情中意见领袖能够对他人情绪或情境有较好的控制,官方媒体通常转发评论有关食品安全的政策,引导舆论正向发展;而当二者同时负方向发展意味着网民在表达负面情感时无法合理控制自身情绪。因此,政府应注重意见领袖的定位,通过意见领袖的正面宣传树立网民对食品安全的正确认知,同时,公众应加强对食品安全知识的掌握,减少负面情绪宣泄。

4  结  论

已有的食品安全舆情研究缺少对网民情感的关注,再加上传统的情感研究方法单纯从正负情感维度对情感词进行区分,难以系统描述食品安全舆情中的多维立体情感信息。鉴于此,构建基于PAD模型的情感语义空间,根据情感在空间中的位置坐标进行情感强度测度,从而实现食品安全舆情情感强度的细粒度情感分析。

以2018年度的食品安全舆情事件进行实证,结果表明,相比于传统情感强度测度方法,网络舆情情感语义空间具有较强的主观性,且由于情感的复杂多变性,该空间由人的心理、生理和行为倾向等多种因素相互作用生成,具有多维结构性特征,能够真实反映食品安全舆情情感的多维层次情感信息,并对情感信息进行空间位置排序,从而反映舆情参与者的情感差异及变化。因此,在实证过程中,融入文本挖掘技术及自然语言处理技术,以可视化的方法展示食品安全事件中网民评论的关键词,根据情感语义空间的不同表现形式识别不同情感指向:自我认知、社会发展以及民生民意,结合情感词典进行情感匹配计算。最后,绘制3个维度的每日平均PAD值趋势图,结果表明:网民的负向情感聚焦于社会发展与民生民意,且这两个层次中的网民情感投入程度较高,而且优势度(D)与愉悦度(P)同时负方向发展时表明网民在表达负面情感时无法合理控制自身情绪。同时正方向发展表明意见领袖对舆情情感引导的重要作用。因而根据分析结果对食品安全舆情管控提供指导与建议,使相应部门舆情应对措施更加灵活。

然而,在情感词典的构建过程中,部分情感特征词是网络用语,难以将其准确映射至情感语义空间中,且未强调标点符号对整个评论文本情感强度的影响,在后续工作中将持续优化食品安全领域的情感词典构建,进而提升食品安全舆情细粒度情感分析的准确性。

参考文献

[1]陈伟,霍俊阁.食品安全犯罪重刑化政策的法社会学反思——以食品安全焦虑为视角[J].学术研究,2018,(12):67-72.

[2]国务院发展研究中心“中国民生调查”课题组,张军扩,叶兴庆,等.中国民生满意度继续保持在较高水平——中国民生调查2019综合研究报告[J].管理世界,2019,35(10):1-10.

[3]孙仕秀,关影红,覃滟云,等.青少年社会支持与情绪行为问题的关系:心理弹性的中介与调节作用[J].中国临床心理学杂志,2013,21(1):114-118.

[4]Kasperson R E,Renn O,Slovic P,et al.The Social Amplification of Risk:A Conceptual Framework[J].Risk Analysis,1988,8(2):177-187.

[5]知网.知网Hownet[EB/OL].http://www.keenage.com/html/c_bulletin_2007.htm,2019-11-28.

[6]Piryani R,Madhavi D,Singh V K.Analytical Mapping of Opinion Mining and Sentiment Analysis Research During 2000-2015[J].Information Processing & Management,2016,53(1):S030645731.

[7]田依林,滕广青,黄微.社会化在线评论情感因素测量与有用性分析[J].现代情报,2018,38(6):19-27.

[8]张柳,王晰巍,王铎,等.微博环境下高校舆情情感演化图谱研究——以新浪微博“高校学术不端”话题为例[J].现代情报,2019,39(10):119-126,135.

[9]邢云菲,王晰巍,韋雅楠,等.新媒体环境下网络舆情用户情感演化模型研究——基于情感极性及情感强度理论[J].情报科学,2018,36(8):142-148.

[10]梁晓敏,徐健.舆情事件中评论对象的情感分析及其关系网络研究[J].情报科学,2018,36(2):37-42.

[11]张鹏,崔彦琛,兰月新,等.基于扎根理论与词典构建的微博突发事件情感分析与舆情引导策略[J].现代情报,2019,39(3):122-131,143.

[12]蒋翠清,郭轶博,刘尧.基于中文社交媒体文本的领域情感词典构建方法研究[J].数据分析与知识发现,2019,3(2):98-107.

[13]刘英杰,黄微,闫璐.基于A-V-P的网络舆情信息情感维度空间的模型构建[J].情报资料工作,2017,(6):12-18.

[14]吴青林,周天宏.基于话题聚类及情感强度的中文微博舆情分析[J].情报理论与实践,2016,(1):109- 112.

[15]慕明春.法治与理性的胜利——对“药家鑫案”的舆论影响考量[J].当代传播,2011,(5):41-44.

[16]朱代琼,王国华.基于社会情绪“扩音”机制的网络舆情传播分析——以“红黄蓝幼儿园虐童事件”为例[J].西南民族大学学报:人文社科版,2019,40(3):146-153.

[17]李勇,蒋冠文,毛太田,等.基于情感挖掘和话题分析的旅游舆情危机演化特征——以“丽江女游客被打”事件为例[J].旅游学刊,2019,34(9):101-113.

[18]王丽君,戴建华.网络舆情衍生链的定量分析方法研究[J].情报科学,2016,34(7):59-63.

[19]李吉,黄微,郭苏琳,等.网络口碑舆情情感强度测度模型研究——基于PAD三维情感模型[J].情报学报,2019,38(3):277-285.

[20]张雪英,张婷,孙颖,等.情感语音数据库优化及PAD情感模型量化标注[J].太原理工大学学报,2017,48(3):469-474.

[21]Mehrabian A.Framework for a Comprehensive Description and Measurement of Emotional States[J].Genetic,Social & General Psychology Monographs,1995,121(3):339-361.

[22]Mehrabian A.Pleasure-arousal-dominance:A General Framework for Describing and Measuring Individual Differences in Temperament[J].Current Psychology,1996,14(4):261-292.

[23]Mehrabian A,Wihardja C,Ljunggren E.Emotional Correlates of Preferences for Situation-activity Combinations in Everyday Life[J].Genetic Social & General Psychology Monographs,1997,123(123):461-477.

[24]尹熙成,朱恒民,马静,等.微博舆情话题传播的耦合网络模型——分析话题衍生性特征与用户阅读心理[J].情报理论与实践,2015,38(11):82-86.

[25]朱晓霞,孟建芳.多层网络中意见领袖及跟随者观点演化研究——基于有界信任模型[J].情报科学,2019,37(6):30-36.

[26]吴伟国,李虹漫.PAD情感空间内人工情感建模及人机交互实验[J].哈尔滨工业大学学报,2019,(1):29-37.

[27]吴鹏,李婷,仝冲,等.基于OCC模型和LSTM模型的财经微博文本情感分类研究[J].情报学报,2020,39(1):81-89.

[28]田久乐,赵蔚.基于同义词词林的词语相似度计算方法[J].吉林大学学报:信息科学版,2010,28(6):602-608.

[29]王英,龚花萍.基于情感维度的大数据网络舆情情感倾向性分析研究——以“南昌大学自主保洁”微博舆情事件为例[J].情报科学,2017,35(4):37-42.

[30]洪小娟,张聪,黄卫东,等.突发医暴事件舆论情感能量域空间模型构建[J].现代情报,2018,38(8):27-34.

[31]Lohmann S,Ziegler J,Tetzlaff L.Comparison of TAG Cloud Layouts:Task-Related Performance and Visual Exploration[C]//Gross T.Human-Computer Interaction-INTERACT 2009,Part I,Lecture Notes in Computer Science(LNCS).Berling Heidelberg:Springer,2009:392-404.

[32]Bahdanau D,Cho K,Bengio Y.Neural Machine Translation By Jointly Learning to Align and Translate[C]//arXiv Preprint arXiv,2014:1-15.

[33]顏海娜,聂勇浩.食品安全监管合作困境的机理探究:关系合约的视角[J].中国行政管理,2009,(10):25-29.

[34]吴飞.共情传播的理论基础与实践路径探索[J].新闻与传播研究,2019,26(5):59-76,127.

[35]刘冰.疫苗事件中风险放大的心理机制和社会机制及其交互作用[J].北京师范大学学报:社会科学版,2016,(6):120-131.

[36]黄微,刘英杰,王洁晶,等.大数据网络舆情信息情感维度要素的关联模型构建[J].图书情报工作,2015,(21):15-20.

[37]刘英杰,黄微,李瑞.大数据网络环境下舆情信息情感维度模型构建研究[J].情报理论与实践,2016,(4):32-35.

(责任编辑:郭沫含)

猜你喜欢

情感分析
基于双向循环神经网络的评价对象抽取研究
在线评论情感属性的动态变化