基于观点势能测度的网络舆情场极性识别研究-黄微.pdf

《基于观点势能测度的网络舆情场极性识别研究-黄微.pdf》由会员分享，可在线阅读，更多相关《基于观点势能测度的网络舆情场极性识别研究-黄微.pdf（12页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、情报学报 ISSN 10000135第35卷第1 1期1185一1196，2016年11月JOURNAL OF THE CHINA SOCIETY FOR SCIENTIFICAND TECHNICAL INFORMATl0N ISSN 1000一0135Vo35 No1111851196 November 20】6doi：103772jissn10000135201601 1007基于观点势能测度的网络舆情场极性识别研究”黄 微1 高俊峰12(1吉林大学管理学院，长春130022；2北华大学信息资源管理与服务研究所，吉林132013)摘要 提出一种基于受众观点势能测度的网络舆情场极性识别方法

2、，为研判网络舆情受众的情感趋向和的舆情危机态势提供量化方案。研究首先对网络舆情场解构，界定网络舆情场观点势能取值与极性模态关系。其次构建观点强度测度指标体系，提出描述网络舆情受众的观点强度计量与可视化方案，最后通过实证对方法的操作步骤与可行性加以说明。关键词 网络舆情场 情感分析 观点势能计量 极性识别Study on the Polarity Identification of Online Public OpinionField Based on Opinion Potential MeasurementHuang Wei1 and GaoJunfen912(1School ofManag

3、ement，Jilin University，Changchun 130022；2Institute ofInformation Resource Management and Service，Beihua University，Jilin 132013)Abstract The research put forward a kind of method to identify the polarity of online public opinion field based onmeasurement of audiencesopinion potential，providing a qua

4、ntization scheme for analysis the sentiment trend of publicopinion audience and the crisis situation of public opinionFirstly，the structure of online public opinion field had beendeconstructed，the relationship between the value of the potential potential and the polarity modality has been definedSec

5、ondly，the index system for measure opinion intensity has been constructed，measurement and visualization program fordescription the audiencesopinion indensity has been proposedFinaly，Finally，the operation steps and the feasibility of themethod are demons-atedKeywords public opinion field，sentiment an

6、alysis，opinion potential metering，polarity identification1 问题的提出普通民众对所处社会环境中政治经济文化现象做出的反应传导至网络，形成特定时间维、空间维下的舆情发酵、传播与作用区域，即网络舆情场。随着外界敏感事项信息与网民认知性反馈信息的不断交互，代表网络舆情场内部观点势的网络舆情场极性也将随之动态演变。即时监测网络中舆情受众体的事项态度倾向、观点极端程度、受众范围是网络舆情管控的核心内容，通过观点趋势的研析，网监部门能够清晰的从宏观与微观的多层面上勾勒出舆情受众体的认知模式和行为模式，进而基于网络舆情的人为致变特征采取相应的干预策略

7、。学术界已经就网络观点挖掘和情感态度分析、网络舆情的危机等级评价等问题做出了大量的研收稿日期：2016年6月18日作者简介：黄微，男，1967年生，教授，博士生导师，主要研究方向：网络舆情分析，知识管理，信息生态，Email：hw9009souhueom。高俊峰，男，1987年生，博士研究生，主要研究方向：网络舆情分析，信息资源管理。1) 本文系国家自然科学基金项目“大数据环境下多媒体网络舆情信息的语义识别与危机响应研究”(项目编号71473101)研究成果之一。1185万方数据情报学报第35卷第11期2016年11月究。观点挖掘与情感分析方面：有文献通过分析Twitter等政治信息源头，对特

8、定人群有关当前政治事件的效能感受加以统计分析。12I。有文献基于概率潜语义分析(PLSA)构建情感词典，以此来分析网络舆情话题的情感演变规律”。有文献从复杂网络的角度出发分析网民观点的持有自信度、态度倾向转移”1。有文献提出无标度网络特性下的观点形成算法与观点交互算法并以此构建舆情二阶段演化模型。另外有学者以网络舆情中话题的细粒度分割为切人点，通过构建网络舆情中评论的主题抽取与情感识别模型，以此来分析网民对于舆情事项的观点偏好6娟1。基于本体技术的话题领域主题术语识别、网络舆情观点挖掘、情感分类等研究范式也是当前舆情分析的主流p川。有文献指出借助上下文确定网络话题的主题信息，将识别出的事项评论

9、主题定义为观点持有者对客观世界的实体或抽象的概念的指向，以此消除对评论观点主题的片面解读3。网络舆情的危机等级评价方面：有文献通过分析网络舆情建构人民群众对政府信息服务的满意度指标体系，将粗糙集条件信息熵等思想引入进满意度样本数据的处理流程中，并对指标体系进行了实例验证-“。有文献从网络舆情信息生命周期演变的视角建立舆情时间、内容、对象三个维度下的网络舆情监测框架，为网络舆情预警工作提供理论依据。1 3|。有文献从网络舆情信息的传播媒体、传播范围、传播速度、受众情绪倾向程度及相关度几个方面设计出网络舆情影响程度的量化指标，为量化测度综合评价网络舆情波及程度提供操作范式4|。有文献基于国内外舆情

10、危机评价研究成果，提出突发事件网络舆情信息流风险的模糊综合评价模型，并且以“邓正加事件”为例对模型效用进行了实证研究151。通过文献综述不难发现，网络危机事件发生的主要推力是舆情信息受众持有观点与情感的对抗分化，因此对网络舆情受众体的极化程度进行测度评价毫无疑问构成舆情分析的基础。舆情受众极化的前提是以观点聚合为条件，单纯考量受众个体的态度倾向无法就舆情极化的整体态势加以把握，需要从更为宏观的整体视角去综合分析微观层面上受众个体情绪、看法与立场等隐式信息。有鉴于此，本研究引入网络舆情场极性概念，为宏观微观融合的研究视角评估网络舆情危机态势提供一个操作方案，使其对科学研判网络舆情受众的态度倾向性

11、与观点激烈度，有的放矢地引导化解负面煽动性情绪有所裨益。2研究边界界定与网络舆情场极性识别机理21研究边界界定网络舆情场的极性演化与呈现模态是由客观世界中介性事项的敏感程度、负面程度所决定。形成网络舆情的社会中介性事项按其属性特征可被区分为政治事项(例如钓鱼岛问题)、个人伦理道德困惑事项(例如摔倒老人讹诈搀扶者)、恶性恐怖刑事事项(例如昆明31事件)、经济性事项(例如金融市场动荡)、生态危机事项(例如厦门PX项目)、公权部门公信失衡(例如呼格案)、娱乐起哄及造谣(例如“某星陪睡门”)等类别，网民就不同类别的舆情中介事项所产生情绪态度的倾向性与强度也具有显著差异。对于负面属性清晰、良恶定性无争议

12、的舆情事项，受众的观点情绪通常出现“一边倒”的现象。例如近来发生的“北大高材生弑母”一案，从2015年3月3日出现于网络以来，除了部分受众对北大高材生犯下如此暴行表示惋惜之外，笔者并未发现网络中存在任何支持弑母行为的观点言论，因为该类舆情事项的性质超越了多元主观认知的临界，受众对无争议恶性舆情事项的主观判断受社会契约、文化习俗与伦理道德，而非知识结构、心理认知方式的统驱。在此种形式下网络舆情场的主流情绪以声讨谴责为基准，即使存在诸如深刻反思，挖掘事项结构性成因的声音，也决然无法与舆情场中受众的主流情感构成对冲，因此该类舆情事项所产生的网络舆情场极性遵循“单极一多极一无极”的演进模式。另一类舆情

13、中介性事项中，虽然也存在着明显的负面恶意质性，然而伴随着非良性内涵的是事项本身的网络呈现方式模糊、话题争议性显著，可引申方向多维度，使得理性思维与对立的情绪化泄愤观点同时并存于网络舆情场，导致网络舆情场极性态势难以识别把握。例如，2015年因教育方式不当引发的“331南京虐童案”。在“虐童人”主观恶意低，且当事双方的司法免责愿望强烈的前提下，司法机关扔对当事人做出了严惩判决。从而引发了对司法判决必要性与否的双方舆论支持。该类舆情事项中，社会习俗与主观认知方式等舆情观点形成元素万方数据基于观点势能测度的网络舆情场极性识别研究交互博弈，致使相对立的观点情绪均可引起广泛共鸣，舆情场极性的演进时序节点

14、变得模糊不清，针对该类舆情场极性识别是本研究着重解决的目标。网络舆情场极性的外在表征是舆情受众体针对舆情事项的倾向性情感、态度与观点在时间序列下的显性化阐述，相似的观点情绪通过网络舆情场加以聚合，对立的观点态度经由网络舆情场异化区分。随着不断酝酿累积，受众群体之问异化对立的观点情绪在网络舆情场内形成一个“观点势能差”，网络舆情场极性状态的数理表征为观点势能差的取值区间变化，某一时间态势下网络舆情场的观点势能可通过测度舆情信息受众体所发布的网络意见强度得出。因此本文将以测度舆情受众体观点意见倾向性与强度为研究逻辑起点，提出基于观点势能测度的网络舆情场极性识别机理框架。22 网络舆情场极性识别机理

15、如果说观点传播、分化、聚合与劝服的网络舆情时空区域形成了网络舆情场，那么某一事项生成的网络舆情场能够被解构为无数个网络舆情子场(舆情事项网络讨论平台)，网络舆情子场的范畴可以是微博、贴吧论坛、博客、社交媒体群等多种形式。各舆情子场内受众体的观点极性之和建构出时问维度内的网络舆情场极性形态，网络舆情场解构示意如图1所示。子场内被公开发布的信息笔者称其为“根源观点(Rooting opinion)”，舆情受众体在各舆情子场内以根源观点为中心所发出的留言评价、转载争论等堆砌形成“观点势能”。设Wp、Wo、Wn分别代表网络舆情受众体对于当前根源观点所持有并公开的观点倾向，Wp代表对根源观点内能引发舆论

16、的描述行为呈赞同情绪，Wo表示客观中立情绪，Wn表示厌恶反对情绪。相应地，舆情场极性根据观点场势能的情况可被定义如表1所示。表1 网络舆情场观点势能取值与极性模态关系界定观点势能取值域 网络舆情场极性1WxWy。l And WzWx一(0，双极0)And WzWy一(0，0)2WyWx一(n，+)And Wy 单极Wz-+(n，+)3WxWyll And WzWy。1 多极And WxWz14Wx_O And Wy。O And无极Wz+0笔者采用“Wx、Wy、Wz”三个未知数来表示“Wp、Wo、Wn”，例如观点势能取值域1中“Wx图1 网络舆情场解构万方数据情报学报第35卷第11期2016年1

17、 1月图2识别框架wy一1 And wzo”则表示赞同中立反对三种观点倾向中的任意两类观点在网络舆情场中的比值，当比值无限趋近于1，且与第三类观点取值比不高于比例阈值0时，网络舆情场极性呈现出双极化。而当任意两类观点与第三类观点的比值区间在(Q，+)中时(Q为比值阈值)，网络舆情场极性呈现单极化。当网络舆情场中三类观点倾向取值较为平均亦或是主观性观点趋近于0而客观性观点仍在网络舆情场中保有相应的值域，此时网络舆情场呈现出多极化。当三类观点在网络舆情场中都消弭隐迹，网络舆情场极性形态为无极化。通过测度和计算时间维度中的网络舆情子场受众观点的势能差值，能够勾勒出网络舆情子场的过往或者当前极性，通过

18、各网络舆情子场的极性叠加，使得窥探某一网络舆情事项的受众情感激烈程度变得有迹可循。网络舆情场极性识别框架如图2所示。3 基于观点势能测度的网络舆情场极性识别方法图2描述了网络舆情场极性识别的框架，然而在识别流程中仍然有诸多问题需要解决，第一，如何从语义分析的维度下对附着在受众评论词汇、短语和句式中的即时情感、情感强度、情感倾向加以解读?第二，如何从传播的维度下量化某一受众观点的扩散程度?第三，如何将上述两个维度的指标加一1 188一权融合形成观点势能测度的指标体系?上述问题将在下文中逐步化解。31观点强度指标体系构建一方面考虑到网络舆情受众面向根源观点作出的主观评论语句所体现出的强度主要被语句

19、中情感激烈程度和语句被他人接受和认同程度所反映。另一方面本研究所提出的网络舆情场极性识别其本质是即时对时间序列下的受众进行立场情绪快照，因此观点强度指标体系不易复杂繁琐，以迅速可靠描述当前的受众倾向状态为基准。具体指标体系如表2所示。表2观点强度测度指标体系目标指标层 一级指标层 二级指标层评论语句中的 评论句中倾向词附着的良网络舆情 语义情感激烈 恶程度(N11，权重：075)受众面向 程度(M1，权评论句中倾向词的数量根源观点重：O65) (N12，权重：025)的显性立场情绪强 评论语句被他 回复量(N21，权重：014)度测度指 人接受和认同点赞量(N22，权重：043)标(S)的程度

20、(M2，权重：035) 转发量(N23，权重：043)指标权重赋予本着“语义强度优先，语用广度协同”的原则，将两个一级指标的权重分别设为065与035。因为只有在受众所持有的情感观点万方数据基于观点势能测度的网络舆情场极性识别研究极度强烈同时具有一定说服力的前提下，围绕其所陈述的主题才有可能形成群体的聚集与对立，而感情色彩稀缺且观点毫无吸引力的言论(并非客观中立的观点就无法引起抗辩)注定无法获得广泛的关注，因此笔者通过阈值的设定区分出二者对于受众观点强度的主次作用。对于评论语句语义层面的计量，本研究将句式中倾向词的良恶程度与倾向词的数量权重分别设为075和025，而对于受众观点传播维度的考量中

21、，笔者将“点赞量”与“转发量”两个二级指标的权重设为043，将“回复量”指标权重设为014，这是由于除极端异常情况之外，点赞与转发行为能被确定认为是对待测观点的认同和支持，而直接回复的行为除了支持以外，更有可能是对待测观点的批判与否定，某种意义上回复行为也是引起网络舆情场观点迅速聚合与对抗的直接原因之一，因此赋予其较低权重值。笔者构建的指标体系中，满足了观测点的可测可得性，虽然并非所有的观点评论都包含完整的指标观测点，然而却能够体现出受众观点强度的核心要素，实践中可根据待测度的网络舆情子场质性进行相应的微调以满足不同的任务目标。32 网络舆情受众的观点强度计量基于对大量的网络舆情数据分析研判，

22、笔者发现舆情观点的语义模式主要包括四类元素，即、。不同于句法成分的主语和宾语，与在舆情信息陈述的过程中经常的出现逆置，例如“小学生搀扶摔伤老人，反被老人讹诈”一句中，“小学生”与“老人”分别两次作为事项的与出现，另外舆情事项中包含一方或多方的情况也并不鲜见，因此与从根本上代表的是舆情事项的应事实体(人、物、情景、事件)。元素是对与动作状态的陈述，除了自身的标签化属性以外，应事实体所作出的行为是促使网络舆情形成的重要动因。一些情况下舆情受众在选择行为实体的词汇时会附着明显的情绪倾向(如例句中“讹诈”)，个别情况下表达行为实体的词汇语义倾向性模糊不明，无助于识别观点的良恶状态。是对、元素形容修饰的

23、非实体性助词，通常伴随着情感倾向。、的多元组配形成评论文本的语义特征，舆情受众的评论观点也紧密围绕上述元素阐明立场、表露情绪。因此语义层面观点强度计量将首先解析根源观点，抽取其中的实体形成观点分析的基准词汇，明晰根源观点的情感倾向约束，而后分析受众针对根源观点所陈述的评论句式语义，区分其中的实体指代词和实体的描述词汇，将根源观点中的实体与评论句式中的实体指代词进行映射，构建时间序列内面向受众评论的“实体一倾向性描述”关联矩阵，构建“实体一倾向性描述”关联矩阵的目的是挖掘出受众评论句中情感词与根源观点的基准词之间的语义组配强度，再根据生成的强语义关系提出实体指示词与实体间的映射规则，进而对受众个

24、体的观点立场强度加以量化。设T=t，t：，t 3，一，t。为单位时间舆情受众抛出舆情评论文档集的语义标签化处理结果，集合r内的元素属性涵盖应事实体、行为实体、实体指代词和描述助词四类。设OT=ot，ot：，ot3，ot。为待测度网络舆情场中某根源观点的文本语义标签化处理结果，集合OT的元素类型包含应事实体、行为实体两类。研究首先对包含“ot”的评论文本进行分析，引入邻近算法(Adjacent method)按标点符号切割文本，而后基于情感词典计量行为描述词的倾向趋势与程度，得出评论文本持有受众对根源观点中的行为实体所持立场态度，以此初步充实矩阵。而后围绕根源观点的行为实体，按“ot+ot”或“

25、ot+ot”的语义模式进一步获得根源观点的情感倾向约束，所谓约束是为了便于从舆情受众对待舆情事项中行为实体的立场倾向中推断出受众对待应事实体(施体受体)的惯常性情感态度，在对评论文本进行语义倾向累加值计算时，如果评论持有受体的情绪倾向出现异常，则需进一步分析评论句语气以及描述助词的否定前缀等，以此降低语义识别复杂度并确保观点倾向性计量的准确性。在此本文定义如下(表3)规则。通过根源观点的情感约束规则制定，可基于行为实体的情感倾向延伸判断出受众评论句(无指代词汇)中包含的应事实体情感倾向。“实体一倾向性描述”关联矩阵是一种2模矩阵，包含OT集合的全部元素与r集合中的描述助词，其中value是预设

26、定的一个数值型变量取值区间为(一9，9)1，行列交叉处的value值代表评论句中的某倾向性情感词对根源观点中实体的倾向性与强度，如表4所示。一1】89万方数据情报学报第35卷第11期2016年1 1月表3根源观点的情感倾向约束规则受众对 受众对约束 语义 受众所持态度 j规则 良恶属性 所持情感倾向 所持情感倾向规则1 恶性 赞同 j Positive Negative规则2 恶性 反对 j Negative Positive规则3 良性 赞同 j Positive U ncertain规则4 良性 反对 j Negative Uncertain表4“实体一倾向性描述”关联矩阵of Dt2 D

27、t3 O。1 (+)value2 (一)value (一)value3 (+)value (4-)valuet。 (一)value (+)value关联矩阵构建的目的是针对评论文本中实体标签稀疏的情况下有效识别受众的观点倾向而设计，一些受众抛出的评论文本仅仅含有描述性词汇，无法辨析其所附着的实体，通过揭示关联矩阵中的描述词汇与实体的高频组配规则，推测上述情况下的描述性词汇所附着的实体。为此本文设计了“实体一描述关联算法(EntityDescription AssociationAlgorithm)。” EDAA=揣式中，妒(t扪ot。)表示评论集合中某描述性标签t如与根源观点中某实体ot。在矩

28、阵中共现的频次，(T。，OT)表示评论集合中强情感型标签与根源观点中实体的全部组配次数，当EDAA的结果大于预设定阈值叼，则认为该描述标签与该实体的组配成强关联，并将该实体赋予文本中出现该标签同时又未出现任何实体的评论语句中。将上述各步骤整合出语义维度下的观点情感强度计量核心算法如下：Input：情感约束规则：ACR，情感词典：sL，根源观点：RO，评论文本集：SCTOutput：舆情受众评论中的标签语义倾向度：SREA【Stepl】对SCT的所有元素进行分词处理，获取标签集r。对RO进行分词处理，获取标签集OT；【Step2】对标签集r中元素按进行属性分类；对标签集OT中元素按进行属性分类；

29、【Step3】对SCT的任一元素sct。进行元素属性蕴含判断，如果r。，则调用邻近算法“adjacent method()”，识别出r。中每个实体元素附着的标签，调用情感分值词典SL，对标签的情感倾向进行量化得出取值value；【step4】调用情感约束规则ACR，比较sct。倾向性与ACR的匹配结果，如果匹配成功，则将value写入关联矩阵AM。否则检查标签的否定前缀和sct。的语气类型，重新得出情感倾向值value，写入关联矩阵AM；【Step5】如果Tn=，调用情感分值词典SL，则将r。标记后写人集合X；【Step6】重复执行【Step3】【step4】【Step5】，直到完成时间序列下

30、的所有数据分析工作；【Step7】调用“EDAA()”算法，设定关联阈值叼，将推导出的强关联实体赋予sct。，对标签的情感倾向进行量化，写入关联矩阵AM；|【Step8】输出标签倾向结果集“SREA”。由此得出语义维度下的评论语句的sct，的情感倾向性计算公式“Sentiment Orientation(sct。)，”如下所示：万方数据基于观点势能测度的网络舆情场极性识别研究SO(sct，)秽alue(f。)075+fre(ti)025，(。一啪cHtor)J=Inq秽alue(t。)075+fre(t，)025，(f，一actio凡)J=InpFalue(t，)075+fre(f，)025，

31、(，rec咖据n)=Isct。代表某舆情受众针对根源观点的评论文本，标签ti，t。，t。分别是对施体、受体和行为的倾向性描述，value(t。，t，t，)是其倾向值，血(t。，t，t。)是标签的出现频次。由于并非所有的受众所发评论都将根源观点实体完全包含，因此本研究选择舆情受众的行为实体观点倾向为判断准绳，即调用情感倾向约束规则，将一切非行为实体描述标签按规则转换成对行为实体的描述，取值不变。对行为实体的描述标签语义倾向值进行累加，如此可获得舆情受众观点倾向的三元组：Triple(set。)=Orientation，Entity，Range，其中元素“Orientation”取值包括，Posi

32、tive、Negative、Neutral三种，“Entity”取值默认为action，“Range”取值区间为(一，+)。相较于语义维度下的观点强度指标(M1)计量，传播维度下观点扩散强度指标(M2)的处理就容易许多。只需统计出单位时问内每一受众评论的回复量(N21)、点赞量(N22)、转发量(N23)再分别累成其权值即可。观点的传播强度计算公式Diffusion(sct)如下所示：Diffusion(sct，)=Sum(N21)014+Sum(N22)0。43+Sum(N2，)043PDO=f：lim黑意高扎舢m w(orientation=2)W(orientation=髫)f：lim半

33、竿掣。(n，+)，limtI(ortentatton=x)f：lim 彬(orientation=茁)训(orientation2 Y)将语义维度与传播维度相整合，可得出受众情感强度计量公式(Formula of Audience OpinionStrength Measurement)如下所示：FAOSM(sct，)=SO(sct，)065+Diffusion(sct，)03533 观点势能差的计算与网络舆情场极性可视化基于上文的一系列运算，能够对时问节点内网络舆情场中的每一个显性观点持有者的情感立场有所掌握。网络舆情场中观点势能差的计算步骤首先将受众个体的观点按倾向性聚合，形成舆情场观点势

34、中“Orientation”值分别等于“Positive、Negative、Neutral”的三类，观点势能的Range值为三种倾向的各自所含受众情感强度累加之和，即：niOpinion Potential=FAOSM(sct；)， 骨(orentation=?)(timeline=?)而后借助表I中网络舆情场观点势能取值与极性状态关系界定原则，得出观点势能差与网络舆情场极性状态的计算公式(potential difference ofopinion，PDO)：(o，疗)，Alim芈掣掣一(o，口)，then：(p。larity=Bip。l。r) 加l ortentatton=，J 埘(ori

35、entation=y)W(orientation：。) (Q，+)，then：(polarity=Monopole)1，then：(polarity=Muhipole)f：limw(orientation=z)珈，limw(orientation 2，)珈，limw(orientation：z)川，then：(polarity=Nonpole)考虑到网络舆情场极性随时问变迁之于舆情管控实践工作的重要影响，笔者将以可视化的形式更为直观地对时间段内的极性状态展示。能够以图谱形式描述的网络舆情场极性特征包括极性的时序演变、观点倾向的强度对比、实体描述标签频度三方面，面向上述三种舆情场极性的可视化属性

36、，本文所述方法将分别采用舆情场极性趋势时间轴、舆情场极性演变条形图 高频 受众情感标签词云三种工具进行可视化展示堪191，如图3所示：4 实证分析笔者以日前发生的“广东医生被患者砍伤后致死”话题作为实证案例，对前文提出的观点测度与舆情场极性识别方法进行验证。本研究所选取的实验对象须具备观测指标全面、可获得性高，舆情受众万方数据情报学报第35卷第11期2016年1 1月阶层复杂、立场情感多元的特性，有鉴于此笔者采用“网易”新闻站点于2016年5月8日凌晨3点许转载的新京报提名为“广东被砍医生抢救43小时后去世，全身被砍数十刀”的报道作为网络舆情子场极性识别对象。截止到2016年5月1 1日凌晨3

37、点，原帖受众参与评论量已经达到4 978条，剔除重复评论、无关评论数据后剩余3 559条，原始数据集如表5所示。Time sefies#J，十#川一，土二 磷NeSttiv七*Neutr毒I图3 观点势能强度与网络舆情场极性可视化表5实验数据集(部分)序号 受众ID 评论文本 点赞量 回复量 转发量 时间不要简单的看表象、出现这种情况的深层次原20160508l 弹道VS无痕 因是什么、是什么推动了医患矛盾、是什么促 4 501 12 005：04：38进了莆田系的发展壮大莆田系是违法的骗钱，国家的医院是合法的啃 2016一05一082 qq206067448 1 2 336 27 0病人，吸

38、病人的血，合法的让患者人财两空 06：32：26现在还有多少人愿意读医?那些脑残以后生 201605087 deadlykitten !888 O 0病找莆田系的去治吧 06：24：36网易陕西省西 因为二十年前镶的牙变色而杀人自杀?媒体 2016050825 3 0 0安市手机网友 隐瞒了什么?至少是没做深入调查1 07：52：42强词夺理!到杀人份上了，肯定有缘由!但 201605一08516 你的脚好臭 l 0 0是杀人是行为犯罪，怎么说放就放! 19：28：43就现在现实就医看病遭遇，大部分医生该死、 201605082103 伟哥JOT8 15 1 l O该杀 23：37：30-窨髓

39、、，、气万方数据基于观点势能测度的网络舆情场极性识别研究续表序号 受众ID 评论文本 点赞量 回复量 转发量 时间201605一092749 小匠 好医生被欺负黑医生赚钱跑路 0 O O08：54：20网易河南省平顶 2016一05103558 你被精神病杀了，你不原谅，你家人原谅? O 0 0山市手机网友 20：23：10为什么医生不能提高诊疗费，这种正当正义的2016一05103559 多一份宽容 凭医术(本事)吃饭?因为医生是、r鬟拿钥 2 0 022：31：12匙不能做主!医生也是给人背黑锅1黼椭黼撇缭，删麓霸潮黼黼、舸濯曝巾懑、脚蠢髓麓囊篡黼黼黼蝴黼删蝴蝴黼黼擞瞰黼脚靴_i，。黼瀚瓣

40、脚叫-燃曩，删_黼黼鼢懒嬲麟。柳鞠慧警馘献黼n；埘封d鞠歌咖I舅黧球c麓黪删棚激删巾劓。黼一誓叶，咖躲制蝴麓黼，侧黼：日勒鼬羽豳_麟黼翻脚，舯I撇簟灞黧脚辫蝴髓。埘一舯钢黼-mI黯蝴黼自粼黼鞭麟侧浙一：柳雄一向I,Jc训p一黼#忡黛。M ss歌，删黼z删黼黼釉瑚删t印一，mq鞠鬃晰数据分词与标注图4根源观点的语义处理由于网易的受众参与机制有别于微博微信等形式，因此各评论转发量指标几乎均为0，另外评论文本的点赞量出现明显的两极分化趋势，要么动辄数千要么无人问津，而这恰好表明舆情场极化状态已然出现。本研究首先利用张华平博士开发的NLPIR汉语分词系统对对原帖的根源观点进行精化拆解。“。，如图4所示

41、。基于语义分析工具的处理结果显然无法满足观点计量的需要，因此笔者根据自动化分词的结果进一步抽取根源观点的语义标签，剔除自动识别所得出的无意义标签，标注标签属性，从而得出根源观点的语义元素集：OT=(广东市民)，(悼念)，(陈仲伟)，(震恸)，(追悼会)，(被砍伤)，(行政主任)，(公安局)，(抢救)，(去世)，(嫌疑人)，(警方)，(作案动机)，(坠楼身亡)，(刘某)，(调查)，(患者)，(牙齿变色)，(赔偿)，(恶性)，(暴力伤医)，(慰问)，(谴责)，(伤医人群)，(治疗)，(卫计委)，(排查)，(防范)，(打击)，(零容忍)，(医疗场所)，(追责)，(不姑息)，(医患矛盾)，(医责险)，

42、(牺牲品)，(坚持)，(理由)，(请给)对受众的评论文本进行同样处理，可得每一受众观点的标签语义属性集，以受众“qq2060674481”为例：Tqq2帕蝴。，=(莆田系)，(骗钱)，(违法)，()，(国家医院)，(啃)，(病人)，(合法)，(人财两空)，(国家医院)，(吸血)，(患者)事实上在口语化、碎片化的评论文本之中语义元素的属性界限变得异常模糊，“一词多性”的情况普遍存在。另外NLPIR系统对句子的切割过于细一1193一，|：一、一：Rk万方数据情报学报第35卷第11期2016年1 1月碎不利于观点倾向性的完整性呈现，因此笔者并未按词性对标签赋予语义元素，而是根据实际情况对切割出的元词

43、进行了连接与合并。然而上文中得出的OT与T标签集中词项粗糙歧义的情况仍然存在，如此构建的关联矩阵过于庞大冗余语义，有鉴于此，笔者在不改变其语义模式的前提下进一步合并了语义相同的标签，例如OT集合中的“陈仲伟”、“行政主任”统一用“被砍医生”替换。调用“大连理工大学情感本体”按上文所述方法对待处理标签进行情感倾向性计算，该本体将情感划分成“乐、好、怒、哀、惧、恶、惊”七类，并对类别进行情感倾向性赋予1，对于现有本体中未覆盖的情感词汇，研究先根据本体所给类别分类，而后计算与该类目下的相似情感词进行映射，进而获得情感强度值。实证案例中根源观点的语义模式可被简化成以下几部分：(1)广东市民悼念被砍医生

44、(2)被砍医生治疗砍人患者(3)砍人患者索赔被砍医生(4)砍人患者跳楼身亡(5)政府部门处理伤医事件(6)社会公知呼吁治理医患矛盾据此可得案例根源观点的情感约束规则，以此为基准扩充受众体评论文本对根源观点中实体、行为描述倾向。调用EDAA算法为实体指代不明情感词赋值，设置阈值7=0081，从而获得“实体一倾向性描述”关联矩阵如表6所示：调用情感倾向性计算公式“SentimentOrientation(set，)，”可得每一受众的观点倾向三元组。例如受众“qq2060674481”的评论文本中语义模式可被化简为：(1)庸医骗钱患者；(2)医生啃患者；其中语义模式(2)可与根源观点的语义模式(2)

45、相映射，那么计算其附着情感倾向词“吸血=一7”，“人财两空=一9”，“合法=+3”，加权计算后可得该受众所持立场q倾向性结果为：Triple(sctqq2060674481)=Orientation：Negative，Entity：治疗，Range：一10，并不违背情感约束规则。进一步调用观点传播强度计算公式得出Diffusion(sct。：咖。，。)=100826，最后得出该受众情感强度FAOSM(sctqq2060674481)=35939 1。网络舆情子场的极性识别时问区间共72小时，笔者将该区间均分为9等份来度量与描述其时间序列下网络舆情子场极性变化特征，设置比例阈值力=15，0=02

46、5，所得出的结果可视化展示如图5、图6所示：表6研究案例的“实体一倾向性描述”关联矩阵广东市民 悼念 被砍医生 警方 作案患者 治疗啃 一7寒心 +5骗钱 一3无辜 +l黑心 一7 7畜生 一9 9不配 一7、 、 、 、 、 、 气 阳Ia小y酾醚i鹾翳骥麟鬻婺麟蘩黼鬻鬻鬻霹鬻鬻湖溺匝Tlmeseries图5 网络舆情场极性演变时间轴万方数据基于观点势能测度的网络舆情场极性识别研究5似】0(oo焉40()00()()o 3()000()o2000000Ii：上二I、1 11rri,)d2 It，1i,t3 Period4 nri,d5 Prriod6 h、r】t17图6 网络舆情场观点势能量

47、化对比示意从5月8日凌晨3时至当日下午13时许，出现案例事件受众的高密度评论现象，其中抨击医疗乱像、对被砍者之死拍手称快的消极言论呈现出井喷之势，虽然其中也不乏对被砍医生之死表示惋惜对施暴患者表示谴责的积极观点出现，然而仍然无法与其他倾向性观点抗衡，网络舆情场极性呈单级化。值得注意的是，在数据分析的过程中，部分受众对事件背后的制度弊端普遍持批判质疑态度，在研究中将其列为中立观点之中。而事件发酵的第二时问段中，对措辞尖刻的负面评论逐渐势微，对事件持理性思考和同情医者的观点量不断回归，网络舆情场呈双极状态。从8日凌晨起，事件受众的观点量呈断崖式下降，三种倾向性立场的对比也接近均势，至此网络舆情场多

48、极化场势极性出现。从5月9日20时开始，事件所产生的舆论风暴骤然平息，不再吸引网络群众的注意力，单位时间序列内受众观点量的增势趋近于0，至此网络舆情场的极性演变成为无极化状态。为了更直观的描述受众对于事件所持有的立场态度，笔者借助标签词语的可视化机制，对受众评论中产生的高频情感词加以展示，如图7所示。词云中的标签除“莆田系”与“魏则西”之外均具附着一定得情感倾向，所描述的实体也昭然若揭。“莆田系”与“魏则西”标签的出现是案例事件之前不久爆发的另一医患舆情中的应事实体，由于两事件的类别、时间相近，使其具有引申情感指代，导致个别受众用其表露自身的观点立场。基于观点势能测度的方法克服了网络舆情场中存在多方应事实体的条件下受众情感指向性模糊的障碍，使得网络舆情场的极性识别、网络群众的群体极化问题研究更事半功倍。#NegativPositiveNeutral图7 网络舆情受众高频情感词云5 结束语本文所提出的基于受众观点势能测度的网络舆情场极性识别具有较强的可操作性，依托该方法能够迅速洞悉网络舆情事项的发酵拐点与受众的情感倾向，为评估网络舆情态势、舆情危机等级评估提供一定依据。然而本文所述方法在舆情管控实践中难免具有一定滞后性