楊 亮，林 原，林鴻飛

（大連理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，遼寧 大連116024）

1 引言

隨著Web2.0的發(fā)展，人的參與性不斷提高，網(wǎng)絡(luò)的使用方式發(fā)生了改變，人們不再是被動(dòng)的從網(wǎng)絡(luò)獲取知識(shí)，而是通過(guò)網(wǎng)絡(luò)主動(dòng)地表達(dá)自己的觀點(diǎn)或?qū)ζ渌嘶蚴录膽B(tài)度，微博通過(guò)簡(jiǎn)短的140字更新信息，并實(shí)現(xiàn)多工具即時(shí)分享，使其成為互聯(lián)網(wǎng)上一種新的重要媒體。微博的出現(xiàn)，使信息在微博中呈現(xiàn)出碎片化、即時(shí)化和移動(dòng)化的特性，而不再是具有完整的上下文信息，通過(guò)微博自由、便捷、即時(shí)地抒發(fā)自己的情感，已成為互聯(lián)網(wǎng)上的時(shí)尚，同時(shí)也使得其成為熱點(diǎn)事件產(chǎn)生和談?wù)摰闹匾獔?chǎng)所，其中熱點(diǎn)事件指某一時(shí)間內(nèi)被廣泛關(guān)注、爭(zhēng)論、議論的事件、話題或者信息，因此對(duì)微博平臺(tái)中熱點(diǎn)事件的發(fā)現(xiàn)、監(jiān)控及管理等方面的研究工作也就越發(fā)顯得重要了。

目前國(guó)內(nèi)微博的研究正處于起步階段，不少研究問(wèn)題在該領(lǐng)域中亟待解決?，F(xiàn)今，熱點(diǎn)事件的發(fā)現(xiàn)、監(jiān)控及管理正成為微博宏大信息流中的重要研究領(lǐng)域，當(dāng)某一熱點(diǎn)事件在微博平臺(tái)中出現(xiàn)時(shí)，人們通過(guò)微博來(lái)表達(dá)自身對(duì)該熱點(diǎn)事件的觀點(diǎn)或態(tài)度，用戶群體的情感分布發(fā)生變化，從微博內(nèi)容方面表現(xiàn)為情感詞出現(xiàn)的幾率上升，這種現(xiàn)象為本文的研究工作提供了重要的依據(jù)。近年來(lái)，基于語(yǔ)言模型的地理信息檢索［1］，也在逐步引起許多研究人士的注意，本文依據(jù)情感詞分布情況構(gòu)建語(yǔ)言模型，對(duì)平臺(tái)中用戶群體情感變化進(jìn)行了分析，首次提出了情感分布語(yǔ)言模型（Emotion Distribution Language Model，以下簡(jiǎn)稱(chēng)ELM），用于微博平臺(tái)中發(fā)現(xiàn)熱點(diǎn)事件。

根據(jù)文獻(xiàn)［2］，當(dāng)熱點(diǎn)事件出現(xiàn)時(shí)微博中情感詞數(shù)量增多。具體表現(xiàn)為微博用戶群體的情感波動(dòng)，因此當(dāng)相鄰時(shí)段的情感分布存在差異時(shí)，往往伴有熱點(diǎn)事件的出現(xiàn)。本文利用以上結(jié)論，通過(guò)分析相鄰時(shí)段情感分布語(yǔ)言模型ELM間的差異，實(shí)現(xiàn)對(duì)熱點(diǎn)事件的發(fā)現(xiàn)。

本文的組織結(jié)構(gòu)如下：第1節(jié)介紹論文的研究背景和意義；第2節(jié)介紹一些相關(guān)工作；第3節(jié)介紹情感詞匯本體構(gòu)建技術(shù)和情感分布語(yǔ)言模型ELM；第4節(jié)是實(shí)驗(yàn)流程的介紹及實(shí)驗(yàn)結(jié)果分析；最后，在第5節(jié)中對(duì)研究工作進(jìn)行總結(jié)，同時(shí)提出了下一步的研究方向。

2 相關(guān)工作

2.1 微博領(lǐng)域的研究及趨勢(shì)

目前國(guó)外研究方面，H.Kwak等［3］對(duì) Twitter是一種社會(huì)網(wǎng)絡(luò)還是新媒體進(jìn)行了分析。J.Weng等［4］提出了一種TwitterRank思想，在有影響力的Twitter發(fā)布者中尋找敏感話題。A.D.Sarma［5］對(duì)類(lèi)似Twitter的論壇在其排序機(jī)制方面進(jìn)行了研究。現(xiàn)今國(guó)外對(duì)微博的研究重點(diǎn)在Ranking方面，從時(shí)空角度對(duì)微博平臺(tái)中談?wù)摰氖录l(fā)現(xiàn)、跟蹤和還原正成為微博研究的又一個(gè)聚焦點(diǎn)。國(guó)內(nèi)的研究主要有沈陽(yáng)等［6－7］對(duì)微博的宏大信息流及其蘊(yùn)含的情感進(jìn)行分析。

2.1 話題跟蹤檢測(cè)

話題跟蹤檢測(cè)［8］的技術(shù)被廣泛運(yùn)用到熱點(diǎn)事件發(fā)現(xiàn)中，話題跟蹤檢測(cè)與信息檢索、文本挖掘、信息抽取等交叉學(xué)科相比更側(cè)重對(duì)新信息的發(fā)現(xiàn)，其關(guān)注某一特定話題而不是廣泛的各類(lèi)主題信息［9］。

在傳統(tǒng)的話題跟蹤檢測(cè)中，主要從事實(shí)中檢測(cè)和追蹤事件，多是依據(jù)不同的事件做聚類(lèi)，很少將情感分析用于話題跟蹤檢測(cè)中；而微博中的信息多呈現(xiàn)出碎片化、即時(shí)性、移動(dòng)性等特性，且微博內(nèi)容大多為用戶對(duì)自身情感的抒發(fā)，微博中情感詞所占比重相比于傳統(tǒng)文本信息要大，故傳統(tǒng)的話題跟蹤檢測(cè)技術(shù)不適用于在微博中發(fā)現(xiàn)熱點(diǎn)事件。

時(shí)達(dá)明、林鴻飛［10］提出了一種基于評(píng)論與話題相關(guān)度的方法，通過(guò)對(duì)評(píng)論內(nèi)容進(jìn)行情感分析來(lái)發(fā)現(xiàn)Blog中的熱點(diǎn)話題。L.Ku等［11］提出了一種方法用于反映大眾觀點(diǎn)在某時(shí)刻的變化。該方法通過(guò)獲取觀點(diǎn)信息反映社會(huì)群體在總統(tǒng)選舉過(guò)程中對(duì)各候選人的情感變化。Cuneyt Gurcan Akcora等［2］提出了一種通過(guò)Emotion Centroid（EC）及Set Space Model（SSM）的方法來(lái)發(fā)現(xiàn)Twitter中的輿情。以上研究從不同領(lǐng)域?qū)κ录蜉浨檫M(jìn)行發(fā)現(xiàn)，為本文結(jié)合微博特點(diǎn)提出情感分布語(yǔ)言模型ELM從微博平臺(tái)中發(fā)現(xiàn)熱點(diǎn)事件做出了重要貢獻(xiàn)。

2.3 情感分析

目前情感分析在許多領(lǐng)域被廣泛的應(yīng)用，企業(yè)可以從網(wǎng)絡(luò)上的信息獲取用戶建議和反饋意見(jiàn)，網(wǎng)絡(luò)信息安全和垃圾過(guò)濾也已得到了國(guó)內(nèi)外的廣泛關(guān)注。目前文本傾向性的主要工作是基于人工標(biāo)注語(yǔ)料庫(kù)，利用相關(guān)機(jī)器學(xué)習(xí)算法，分析詞語(yǔ)、句子、篇章的傾向性［11］。由于微博簡(jiǎn)短的特點(diǎn)，每條微博類(lèi)似文章中的句子，故句子級(jí)的情感傾向性分析為本文研究提供了一定的基礎(chǔ)。Pang［13－14］等利用人工標(biāo)注訓(xùn)練語(yǔ)料，采用貝葉斯、最大熵等方法分析電影評(píng)論傾向性。Liu［15］等從用戶評(píng)價(jià)中挖掘用戶的觀點(diǎn)。這些都為本文對(duì)微博的情感波動(dòng)分析提供了重要依據(jù)。

3 關(guān)鍵技術(shù)

本文主要是通過(guò)分析微博平臺(tái)中微博所含的情感詞，對(duì)微博中的文本信息進(jìn)行研究。主要工作分為以下三步：

第一步：識(shí)別微博中情感詞，并構(gòu)建情感詞匯本體庫(kù)。微博中情感詞的發(fā)現(xiàn)是建立情感分布語(yǔ)言模型的基礎(chǔ)，對(duì)于微博中的情感詞，通常分為兩類(lèi)，一類(lèi)是通常情況下的情感詞，如喜歡、心疼等，另一類(lèi)為在微博等網(wǎng)絡(luò)平臺(tái)中被用于情感詞的詞語(yǔ)，如稀飯（喜歡）、走召弓雖（超強(qiáng)）、果醬（過(guò)獎(jiǎng)）等。本文通過(guò)大連理工大學(xué)情感詞匯本體（以下簡(jiǎn)稱(chēng)DUTIR情感詞匯本體）結(jié)合網(wǎng)絡(luò)平臺(tái)中常用的情感詞實(shí)現(xiàn)對(duì)微博中情感詞匯的獲取。

第二步：情感分布語(yǔ)言模型的提出及建立。當(dāng)熱點(diǎn)事件出現(xiàn)時(shí)，情感出現(xiàn)波動(dòng)是微博用戶的直接反映，在微博中表現(xiàn)為情感詞增多，造成情感詞的分布發(fā)生變化。本文從情感詞的分布角度出發(fā)，將每個(gè)時(shí)段全部微博對(duì)應(yīng)為語(yǔ)言模型中的文章d，每條微博對(duì)應(yīng)為文章d中的一個(gè)句子s，通過(guò)微博中情感詞的概率分布變化反映情感波動(dòng)。通過(guò)對(duì)各個(gè)時(shí)段建立情感分布語(yǔ)言模型ELM，對(duì)比相鄰時(shí)段間ELM的差異來(lái)發(fā)現(xiàn)熱點(diǎn)事件。

第三步：對(duì)Cuneyt Gurcan Akcora等［2］提出的Emotion Centroid（EC）、Set Space Model（SSM）等方法進(jìn)行重現(xiàn)，實(shí)現(xiàn)在微博平臺(tái)中發(fā)現(xiàn)熱點(diǎn)事件。

3.1 情感詞匯本體構(gòu)建技術(shù)

本文使用的外部資源由大連理工大學(xué)信息檢索實(shí)驗(yàn)室情感詞匯本體［16］結(jié)合網(wǎng)絡(luò)平臺(tái)中常用的網(wǎng)絡(luò)情感詞匯，如稀飯（喜歡）、辣雞（垃圾）等構(gòu)成，以下簡(jiǎn)稱(chēng)為DUTIR情感本體庫(kù)，該情感本體庫(kù)將情感分為6大類(lèi)。

對(duì)于通用情感詞的獲取，本文首先采用通過(guò)計(jì)算詞匯w與DUTIR情感詞匯本體中的標(biāo)準(zhǔn)詞匯的互信息方法進(jìn)行獲取，計(jì)算公式如下：

其中Sui表示第u類(lèi)情感的第i個(gè)詞，P（w）表示詞w出現(xiàn)的概率，P（Sui）表示第u類(lèi)第i個(gè)情感詞出現(xiàn)的概率，P（w，Sui）表示詞w與第u類(lèi)情感的第i個(gè)標(biāo)準(zhǔn)詞一起出現(xiàn)的概率。

然后結(jié)合情感詞匯的規(guī)律，如詞性規(guī)律、否定詞與程度副詞搭配規(guī)律、共現(xiàn)規(guī)律、上下文規(guī)律等，通過(guò)機(jī)器學(xué)習(xí)的方法進(jìn)行自動(dòng)獲取，再將兩步結(jié)果結(jié)合，實(shí)現(xiàn)DUTIR情感詞匯本體的擴(kuò)充。本文考慮到微博短文本的特性，應(yīng)盡量利用其上下文信息并避免標(biāo)記偏見(jiàn)，故采用條件隨機(jī)域（Conditional Random Field，簡(jiǎn)稱(chēng)CRF）的方法進(jìn)行自動(dòng)獲?。?7］。

對(duì)于網(wǎng)絡(luò)平臺(tái)（主要包括天涯論壇、新浪博客等網(wǎng)絡(luò)平臺(tái)）中常用情感詞匯的獲取，本文通過(guò)網(wǎng)絡(luò)爬蟲(chóng)從網(wǎng)絡(luò)下載并整理第二屆中文傾向性分析評(píng)測(cè)（COAE2009）任務(wù)語(yǔ)料得到18G網(wǎng)絡(luò)文本資源，經(jīng)分詞及去停用詞處理等預(yù)處理得到總詞表。首先利用DUTIR情感詞匯本體去除總詞表中通用情感詞，DUTIR情感詞匯本體格式如下：

情感詞匯本體通過(guò)一個(gè)三元組來(lái)描述：

Lexicon＝（B，R，E）

其中B：表示詞匯的基本信息，主要包括編號(hào)、詞條、對(duì)應(yīng)英文、詞性、錄入者和版本信息。R代表詞匯之間的同義關(guān)系，即表示該詞匯與哪些詞匯有同義的關(guān)系。E代表詞匯的情感信息，包括情感類(lèi)別、情感強(qiáng)度、情感極性，是情感詞匯描述框架中比較重要的一部分。

再利用大連理工大學(xué)情感常識(shí)庫(kù)［18］（以下簡(jiǎn)稱(chēng)情感常識(shí)庫(kù)），對(duì)余下詞語(yǔ)中含常識(shí)、隱喻等情感信息的部分進(jìn)行抽取并結(jié)合部分網(wǎng)絡(luò)常用情感詞匯，最終得到DUTIR情感本體庫(kù)，情感常識(shí)庫(kù)的格式如下：

（“emotion”“subject”“passive，attention”“conditions”）

emotion表示該條常識(shí)的情感，通常用大連理工大學(xué)情感詞匯本體定義的20個(gè)小類(lèi)的情感代碼［16］表示或者賦值為“－1、1”，其中“1”表示積極情感類(lèi)，“－1”表示消極情感類(lèi)。subject表示情感持有者。passive表示被動(dòng)標(biāo)志，取值包括“0、1”，其中“0”表示主動(dòng)，“1”表示被動(dòng)。attention表示常識(shí)部分，包括常識(shí)詞匯或短語(yǔ)。conditions表示條件說(shuō)明，包括時(shí)間、方位等條件。

DUTIR情感本體庫(kù)基本知識(shí)主要來(lái)源于現(xiàn)有的一些詞典、語(yǔ)義網(wǎng)絡(luò)和常用網(wǎng)絡(luò)用語(yǔ)。其中詞典包括《現(xiàn)代漢語(yǔ)分類(lèi)詞典》、《漢語(yǔ)褒貶義詞語(yǔ)用法詞典》、《漢語(yǔ)形容詞用法詞典》、《中華成語(yǔ)大詞典》、《漢語(yǔ)熟語(yǔ)詞典》、《新世紀(jì)漢語(yǔ)新詞詞典》。語(yǔ)義知識(shí)網(wǎng)絡(luò)有知網(wǎng)和WordNet。另外還加入了《漢語(yǔ)情感系統(tǒng)中情感劃分的研究》中的部分詞匯及大量網(wǎng)絡(luò)常用語(yǔ)中的網(wǎng)絡(luò)常用情感詞。因此，DUTIR情感本體庫(kù)不僅適用于微博的情感分析，而且還可用類(lèi)似微博的網(wǎng)絡(luò)平臺(tái)，如Blog、論壇等的情感分析，有較強(qiáng)的適用范圍。

目前，DUTIR情感本體庫(kù)收錄情感詞匯共17 243個(gè)，為本文研究微博平臺(tái)中情感波動(dòng)（即情感詞數(shù)量變化）提供了詞匯基礎(chǔ)和分析的依據(jù)。

3.2 情感分布語(yǔ)言模型

統(tǒng)計(jì)語(yǔ)言模型［19］產(chǎn)生于基于統(tǒng)計(jì)方法的自然語(yǔ)言處理系統(tǒng)研究中，統(tǒng)計(jì)語(yǔ)言模型就是表示語(yǔ)言的基本單位（詞、詞組、句子等）的分布函數(shù)，它描述了該語(yǔ)言基于統(tǒng)計(jì)的生成規(guī)則。在語(yǔ)言模型中，文檔在文檔集中的排列通常取決于其與查詢(xún)的相關(guān)度，對(duì)于給定文檔D和查詢(xún)Q，我們通過(guò)計(jì)算查詢(xún)Q中詞在文檔D中的概率來(lái)實(shí)現(xiàn)文檔排序：

其中V為文檔集詞集合，qw為詞w 在查詢(xún)Q中出現(xiàn)的次數(shù)。

相對(duì)熵（亦稱(chēng)KL距離）是評(píng)價(jià)語(yǔ)言模型性能的一項(xiàng)直觀指標(biāo)，相對(duì)熵的差異表示所學(xué)習(xí)的模型與真實(shí)模型間的差異，當(dāng)兩個(gè)模型一致時(shí)，相對(duì)熵值為0，相對(duì)熵值差異越大表明，兩個(gè)模型間的差異越大，在測(cè)試集（即實(shí)驗(yàn)語(yǔ)料）上的相對(duì)熵函數(shù)公式為：

其中P（w｜Q）為詞出現(xiàn)在查詢(xún)Q中的概率，P（w｜C）為詞w在整個(gè)文檔集中出現(xiàn)的概率。

在信息檢索中，根據(jù)“Bag of Words”的思想，對(duì)于文本集D中的每一個(gè)詞都是獨(dú)立的，不依賴(lài)于其他詞是否出現(xiàn)，并且滿足某種分布，因此情感詞匯在微博平臺(tái)中也應(yīng)滿足某種分布。根據(jù)語(yǔ)言模型的思想，結(jié)合微博碎片性的特點(diǎn)，本文對(duì)測(cè)試集（實(shí)驗(yàn)語(yǔ)料）中的微博做如下映射：每日收集的全部微博映射為語(yǔ)言模型中的文章d，故全部語(yǔ)料為文檔集D；每條微博映射為語(yǔ)言模型中的句子S，故微博中的每個(gè)詞即可視為語(yǔ)言模型中的詞w。通過(guò)某時(shí)段微博中情感詞概率變化可反映該時(shí)段微博集合d的情感波動(dòng)?；谝陨纤枷?，本文提出情感分布語(yǔ)言模型的方法，通過(guò)比較相鄰時(shí)段情感分布語(yǔ)言模型差異的方法來(lái)發(fā)現(xiàn)熱點(diǎn)事件。我們可以定義Tn時(shí)段的情感分布語(yǔ)言模型如下：

其中E為DUTIR情感本體庫(kù)，DTn為T(mén)n時(shí)段的全部微博，P（t｜C）為情感詞t在整個(gè)文檔集中出現(xiàn)的概率，qt為情感詞t在Tn時(shí)段中出現(xiàn)的次數(shù)。

考慮到微博簡(jiǎn)短的特性，在一定程度上會(huì)造成情感詞的稀疏，故需要對(duì)實(shí)驗(yàn)語(yǔ)料進(jìn)行平滑處理。本文選用的平滑方法為Dirichlet平滑，其平滑公式如下：

其中Pμ（w｜d）為詞w 平滑后的概率，c（w；d）為詞在文檔d中出現(xiàn)的次數(shù)，p（w｜C）為詞w在整個(gè)文檔集C中的概率。

相對(duì)熵是統(tǒng)計(jì)語(yǔ)言模型的一個(gè)重要的評(píng)價(jià)指標(biāo)，因此我們通過(guò)計(jì)算相鄰時(shí)段Tn和Tn－1情感分布語(yǔ)言模型的相對(duì)熵來(lái)度量?jī)蓚€(gè)模型間的差異，相對(duì)熵的差值越大，表明相鄰時(shí)段間情感分布語(yǔ)言模型的差異越大，這為發(fā)現(xiàn)潛在的熱點(diǎn)事件時(shí)段提供了重要的依據(jù)。具體的計(jì)算公式如下：

其中E為DUTIR情感本體庫(kù)，w為E中的一個(gè)情感詞，DTn為T(mén)n時(shí)間間隔內(nèi)的微博客博文集合，P（t｜DTn）情感詞w出現(xiàn)在Tn時(shí)刻的微博客博文中的概率。

根據(jù)文獻(xiàn)［2］的觀察結(jié)論，當(dāng)一個(gè)熱點(diǎn)事件出現(xiàn)時(shí)，該時(shí)段所發(fā)的微博含有情感詞數(shù)量增多，由于下時(shí)段該事件熱度降低，但仍可能被談?wù)?，故所用詞可能會(huì)存在部分重復(fù)，因此對(duì)于Tn時(shí)段若其DKL滿足如下條件時(shí)，則認(rèn)為該時(shí)段為潛在熱點(diǎn)事件發(fā)生時(shí)段。具體判斷條件如下：

對(duì)實(shí)驗(yàn)語(yǔ)料采用Dirichlet方法平滑，μ取值分別為50，100，500，1 000，2 000進(jìn)行實(shí)驗(yàn)，當(dāng)取值為2 000時(shí)，實(shí)驗(yàn)結(jié)果較好，故μ取值為2 000。隨后計(jì)算實(shí)驗(yàn)語(yǔ)料中各個(gè)相鄰時(shí)段間的相對(duì)熵，并結(jié)合判別條件（7）、（8），對(duì)所有潛在熱點(diǎn)事件發(fā)生時(shí)段進(jìn)行檢驗(yàn)，從而發(fā)現(xiàn)該時(shí)段的熱點(diǎn)事件。

3．3 Emotion Centroid（EC）and Set Space Model（SSM）

3．3．1 Emotion Centroid（EC）

對(duì)于每一條微博客博文，利用DUTIR情感本體庫(kù)，將情感分為六大類(lèi)，E＝（喜，怒，哀，懼，惡，驚），每一類(lèi)情感代表空間模型中的一維，我們?cè)诿恳粭l微博客博文中查找情感詞，如果存在則該維為1，否則為0。

對(duì)于每個(gè)固定時(shí)間間隔T的所有微博客博文，計(jì)算并獲得所有相應(yīng)情感向量的EC［2］，將EC看作是此時(shí)間段微博客博文的情感反映，包含N條微博，V＝（v1，v2，…，vn）表示該時(shí)段所有情感向量集合，則T時(shí)間間隔的EC定義為：

其中Vk為K 時(shí)段的Emotion Centroid，N為該時(shí)間間隔內(nèi)所含的微博數(shù)量。

T1、T2兩個(gè)相鄰間隔EC相關(guān)度為二者的cosine相似度，此相關(guān)度越小，表明相鄰時(shí)段間內(nèi)的用戶所發(fā)的微博博文話題差異越大，則熱點(diǎn)事件出現(xiàn)的幾率越大。

3.3.2 Set Space Model（SSM）

在潛在熱點(diǎn)事件時(shí)段，SSM方法如下，實(shí)驗(yàn)語(yǔ)料經(jīng)過(guò)預(yù)處理和去除停用詞，收集各個(gè)時(shí)間間隔的所有詞，再通過(guò)T1和T2的Jaccard相似性來(lái)定義相鄰時(shí)間間隔的相關(guān)度，計(jì)算公式為：

當(dāng)熱點(diǎn)事件出現(xiàn)時(shí)，所發(fā)微博與前一時(shí)段微博的Jaccard相似性降低，由于該話題可能仍被討論，則下一階段Jaccard相似性提高，則該時(shí)段應(yīng)為一個(gè)潛在的熱點(diǎn)事件發(fā)生時(shí)段，將符合條件的時(shí)間段記錄并統(tǒng)計(jì)。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 語(yǔ)料來(lái)源、相關(guān)實(shí)驗(yàn)及實(shí)驗(yàn)流程

4.1.1 語(yǔ)料來(lái)源

本文的實(shí)驗(yàn)語(yǔ)料來(lái)自新浪微博廣場(chǎng)（http：／／t.sina.com.cn／pub／），從微博廣場(chǎng)中進(jìn)行語(yǔ)料收集是為了能更好地反映多個(gè)不同的微博用戶可能同時(shí)在談?wù)摶驘嶙h一個(gè)或幾個(gè)話題。語(yǔ)料時(shí)間為2010年6月7日至2010年6月13日，每日8點(diǎn)到22點(diǎn)，每小時(shí)手工下載500條新浪微博，共52 500條微博，并統(tǒng)一格式保存，一條微博的存儲(chǔ)及定義格式如下：

其中＜name＞表示微博用戶名，＜text＞表示微博客內(nèi)容，＜rt＞表示其他用戶對(duì)該條微博的回復(fù)，＜time＞表示所發(fā)微博的時(shí)間信息。

經(jīng)預(yù)處理及人工事件標(biāo)注，發(fā)現(xiàn)該語(yǔ)料所在時(shí)間內(nèi)共發(fā)生熱點(diǎn)事件23例。具體事件分布見(jiàn)表1。

表1 熱點(diǎn)事件分布表

4.1.2 實(shí)驗(yàn)流程

本文實(shí)驗(yàn)流程如下：

（1）從網(wǎng)絡(luò)獲取實(shí)驗(yàn)語(yǔ)料，通過(guò)人工標(biāo)注發(fā)現(xiàn)并統(tǒng)計(jì)熱點(diǎn)事件。

（2）將網(wǎng)絡(luò)常用情感詞匯與DUTIR情感詞匯本體結(jié)合得到DUTIR情感詞匯本體庫(kù).

（3）微博客博文的預(yù)處理。

（4）通過(guò)計(jì)算相鄰時(shí)段情感分布語(yǔ)言模型間的差異發(fā)現(xiàn)熱點(diǎn)事件，統(tǒng)計(jì)每日發(fā)現(xiàn)的熱點(diǎn)事件數(shù)。

（5）構(gòu)建各時(shí)段的EC和SSM，分別進(jìn)行實(shí)驗(yàn)，計(jì)算相鄰時(shí)段Cosine相似度差異和Jaccard相似度差異，發(fā)現(xiàn)并統(tǒng)計(jì)熱點(diǎn)事件。

（6）進(jìn)行對(duì)比實(shí)驗(yàn)，并分析結(jié)果的正確率和召回率。

4.2 對(duì)比實(shí)驗(yàn)及實(shí)驗(yàn)結(jié)果分析

Cuneyt Gurcan Akcora等［2］研究發(fā)現(xiàn)，微博客用戶群在熱點(diǎn)事件出現(xiàn)時(shí)會(huì)產(chǎn)生情感波動(dòng)，主要表現(xiàn)為以下兩點(diǎn)：熱點(diǎn)事件時(shí)段所發(fā)微博客博文的情感詞數(shù)量上升，使得微博平臺(tái)內(nèi)的情感詞分布發(fā)生變化；當(dāng)某一熱點(diǎn)事件出現(xiàn)時(shí)，微博客用戶群體的微博所采用的詞的形式會(huì)不同于之前階段，如果在下個(gè)時(shí)段該話題仍在被討論，則相同的詞模式會(huì)重復(fù)出現(xiàn)。若時(shí)間間隔長(zhǎng)度小于1小時(shí)，則微博數(shù)量較少，不足以反映熱點(diǎn)事件；而當(dāng)時(shí)間間隔大于1小時(shí)時(shí)，則可能多個(gè)熱點(diǎn)事件在同一時(shí)間段內(nèi)發(fā)生，不利于多個(gè)熱點(diǎn)事件的發(fā)現(xiàn)。因此，本文提出情感分布語(yǔ)言模型方法在相同實(shí)驗(yàn)語(yǔ)料并選取相同時(shí)間間隔（本文選取時(shí)間間隔為1小時(shí)）的基礎(chǔ)上與Cuneyt Gurcan Akcora等人在Twitter平臺(tái)中發(fā)現(xiàn)熱點(diǎn)事件的方法進(jìn)行比較。在實(shí)驗(yàn)中，為了實(shí)現(xiàn)與Cuneyt Gurcan Akcora方法情感空間一致，本文將情感空間維數(shù)統(tǒng)一定義為六維（即主要考慮DUTIR情感本體庫(kù)的六大類(lèi)情感）。表1中的時(shí)間表示發(fā)生熱點(diǎn)事件的時(shí)段。

本文選取一周的實(shí)驗(yàn)語(yǔ)料中熱點(diǎn)事件，對(duì)其進(jìn)行發(fā)現(xiàn)。實(shí)驗(yàn)中，采取相同實(shí)驗(yàn)語(yǔ)料，選取一小時(shí)為時(shí)間間隔進(jìn)行實(shí)驗(yàn)，發(fā)現(xiàn)并統(tǒng)計(jì)每種方法每日發(fā)現(xiàn)熱點(diǎn)事件數(shù)量，首先采用Cuneyt Gurcan Akcora的EC方法，然后采用Cuneyt Gurcan Akcora的SSM方法，將之前兩種方法結(jié)合為EC＆SSM，最后采用情感分布語(yǔ)言模型ELM方法。通過(guò)四種方法進(jìn)行實(shí)驗(yàn)，統(tǒng)計(jì)結(jié)果并對(duì)不同方法的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比。從實(shí)驗(yàn)結(jié)果看，ELM的實(shí)驗(yàn)結(jié)果在準(zhǔn)確率和F1值方面為四種方法中最高的，實(shí)驗(yàn)結(jié)果也表明本文方法的有效性。具體實(shí)驗(yàn)結(jié)果數(shù)據(jù)見(jiàn)表2，在表2中出現(xiàn)的數(shù)字：括號(hào)外的數(shù)字為方法發(fā)現(xiàn)的正確熱點(diǎn)事件數(shù)，括號(hào)中為方法發(fā)現(xiàn)的錯(cuò)誤熱點(diǎn)事件數(shù)，準(zhǔn)確率、召回率、F1值等具體數(shù)值對(duì)比見(jiàn)圖1。

表2 事件發(fā)現(xiàn)數(shù)表

由表2和圖1可知，四種方法均能有效地從實(shí)驗(yàn)語(yǔ)料中發(fā)現(xiàn)熱點(diǎn)事件，Emotion Centroid（EC）方法在獲得最高召回率的同時(shí)準(zhǔn)確率卻最低，問(wèn)題在于對(duì)于不同的熱點(diǎn)事件，當(dāng)相鄰時(shí)段含有較少情感詞時(shí)，EC可能被錯(cuò)誤改變，因此當(dāng)Cosine相似度閾值設(shè)置較低時(shí)，在發(fā)現(xiàn)正確結(jié)果的同時(shí)錯(cuò)誤率也相應(yīng)提高了。

而相比于EC，在Set Space Model（SSM）方法中，不少熱點(diǎn)事件的發(fā)生并未對(duì)應(yīng)明顯的全局詞匯變化，而只是引起情感詞的變化，而SSM方法只能對(duì)前者進(jìn)行識(shí)別，在一定程度上影響了SSM方法的結(jié)果，因此其的召回率較低。

EC＆SSM方法（即在EC方法召回的結(jié)果集上進(jìn)行SSM方法）綜合考慮了EC方法和SSM方法的優(yōu)缺點(diǎn)后，首先進(jìn)行Cosine相似度分析發(fā)現(xiàn)潛在的熱點(diǎn)事件，在通過(guò)分析Jaccard相似度進(jìn)行驗(yàn)證，在保證一定召回率的基礎(chǔ)上，使準(zhǔn)確率得到一定的提高，表明EC＆SSM方法可有效地用于熱點(diǎn)事件發(fā)現(xiàn)，且相比于EC、SSM兩種單獨(dú)方法準(zhǔn)確率和F1值都有明顯提高。

圖1 實(shí)驗(yàn)結(jié)果數(shù)值圖

情感分布語(yǔ)言模型ELM相比于Cuneyt Gurcan Akcora提出的EC方法，盡管損失了一定的召回率，但在準(zhǔn)確率和F1值上都有大幅度的提高，可見(jiàn)ELM方法比EC方法更能準(zhǔn)確地從微博平臺(tái)中發(fā)現(xiàn)熱點(diǎn)事件；對(duì)于Cuneyt Gurcan Akcora提出的SSM方法，ELM方法在各項(xiàng)指標(biāo)都有較大提高，盡管熱點(diǎn)事件出現(xiàn)可用微博中詞集合的變化來(lái)反映，但ELM方法表現(xiàn)的更準(zhǔn)確且全面；而在同Cuneyt Gurcan Akcora提出的EC＆SSM綜合方法對(duì)比之后發(fā)現(xiàn)，ELM同樣在各項(xiàng)指標(biāo)上都有所提高，且在四種方法中有最高的準(zhǔn)確率和F1值。

圖2 6月13日相鄰兩時(shí)段情感詞的相對(duì)熵

結(jié)果表明在微博平臺(tái)中熱點(diǎn)事件出現(xiàn)時(shí)，ELM方法通過(guò)情感詞的概率分布變化結(jié)合語(yǔ)言模型相比于Cuneyt Gurcan Akcora提出的前三種方法能更好更準(zhǔn)確地反映微博用戶群體的情感波動(dòng)，而用戶的情感變化方面又是發(fā)現(xiàn)熱點(diǎn)事件的重要依據(jù)，因此在相比于EC＆SSM方法召回率提高的同時(shí)，又使準(zhǔn)確率有了一定的提高。例如：6月13日相鄰兩時(shí)段情感詞相對(duì)熵值見(jiàn)圖2（其中如8＆9表示8時(shí)和9時(shí)的情感詞相對(duì)熵值）。根據(jù)圖2中數(shù)據(jù)并結(jié)合判斷條件（7）、（8），可知9時(shí)、13時(shí)、20時(shí)三個(gè)時(shí)段滿足判斷條件（7）、（8），且其都是當(dāng)日熱點(diǎn)事件發(fā)生的時(shí)段，可見(jiàn)本文提出的ELM方法實(shí)現(xiàn)了對(duì)當(dāng)日微博平臺(tái)中熱點(diǎn)事件的發(fā)現(xiàn)。

分析原因可知，ELM方法中引入的語(yǔ)言模型與語(yǔ)言客觀事實(shí)之間的關(guān)系是取得預(yù)期實(shí)驗(yàn)結(jié)果的關(guān)鍵，客觀語(yǔ)言經(jīng)過(guò)語(yǔ)言模型的描述更適合自然語(yǔ)言處理，而在語(yǔ)言模型基礎(chǔ)上的情感分布語(yǔ)言模型也就近似地反映了實(shí)驗(yàn)語(yǔ)料的客觀事實(shí)，即近似地反映了實(shí)驗(yàn)語(yǔ)料中的情感波動(dòng)，因此在熱點(diǎn)事件的發(fā)現(xiàn)過(guò)程中ELM方法的各項(xiàng)指標(biāo)相對(duì)于EC＆SSM方法都有了一定的提高。當(dāng)然ELM方法中也存在著一定不足，ELM隱含著情感詞間的相互獨(dú)立關(guān)系，沒(méi)有考慮情感詞相互間的影響，且當(dāng)情感詞所占比重較低時(shí)，即微博多為記敘類(lèi)微博時(shí)，也會(huì)在一定程度上影響ELM的結(jié)果，以上所述都需要本文在未來(lái)做進(jìn)一步的分析和處理。

5 結(jié)束語(yǔ)

本文通過(guò)對(duì)微博特點(diǎn)進(jìn)行分析，發(fā)現(xiàn)當(dāng)熱點(diǎn)事件出現(xiàn)時(shí)，微博用戶情感產(chǎn)生波動(dòng)，所發(fā)微博中情感詞的數(shù)量增多，在此基礎(chǔ)上，提出了情感分布語(yǔ)言模型ELM，用于對(duì)微博平臺(tái)中的熱點(diǎn)事件發(fā)現(xiàn)。實(shí)驗(yàn)中與Cuneyt Gurcan Akcora提出的三種方法進(jìn)行對(duì)比，實(shí)驗(yàn)表明本文提出的方法可有效地從微博平臺(tái)中發(fā)現(xiàn)熱點(diǎn)事件，有助于對(duì)微博中熱點(diǎn)事件的管理和監(jiān)控。

Web2.0時(shí)代，人的參與性不斷提高，微博平臺(tái)已成為輿情產(chǎn)生和傳播的重要場(chǎng)所。簡(jiǎn)短、即時(shí)的微博，讓用戶快速實(shí)時(shí)地表達(dá)自己的觀點(diǎn)和對(duì)其他人或事進(jìn)行評(píng)論，對(duì)熱點(diǎn)事件發(fā)現(xiàn)是將事件由時(shí)空等不同角度還原的前提，這也是未來(lái)的研究目標(biāo)之一。當(dāng)然目前對(duì)于微博方面研究的語(yǔ)料還很有限，語(yǔ)料的擴(kuò)充及規(guī)范化也是亟待解決的工作之一；同時(shí)DUTIR情感本體庫(kù)和情感常識(shí)庫(kù)也都需進(jìn)一步完善；情感詞之間的相互影響也應(yīng)做進(jìn)一步的分析，以上所述都有待通過(guò)未來(lái)詳盡研究工作來(lái)完成。

［1］黎志升，王煦法.基于Language Model的地理信息檢索模型［J］.中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào)，2010，40（2）：203－209.

［2］C Akcora，M Bayir，M Demirbas，H Ferhaosmanoglu.Identifying Breakpoints in Public Opinion［C］／／Proceedings of KDD Workshop on Social Media Analytics.Washington，July 2010.

［3］H.Kwak，C.Lee，H.Park，and S.B.Moon.What is twitter，a social network or a news media？［C］／／Proceedings of WWW，Raleigh North Carolina，USA，2010，591－600.

［4］J.Weng，E.P.Lim，J.Jiang，Q.He.TwitterRank：Finding Topic sensitive Influential Twitterers［C］／／Proceedings of WSDM.New York，USA，F(xiàn)ebruary 2010.

［5］A.D.Sarma.Ranking Mechanisms in Twitter－like Forums［C］／／Proceedings of WSDM.New York，USA，F(xiàn)ebruary 2010.

［6］沈陽(yáng)，田晨耕，李舒晨，劉世超.閑言碎語(yǔ)中的宏大信息流：微博客研究［C］／／第六屆全國(guó)搜索引擎和網(wǎng)上信息挖掘?qū)W術(shù)研討會(huì)，大連，2009.

［7］Yang Shen，Shuchen Li，Xiaodong Ren，Xiaolong Cheng.Emotion Mining Research on Micro－blog［C］／／Proceedings of 1st IEEE Symposium on Web Society.Lan Zhou，China，2009.

［8］Allen J，Larenko V，Connell M E.A month to Topic Detection and Tracking in Hindi.ACM Transactions on Asian Language Processing［J］，2003，2（2）：85－100.

［9］李保利，俞士汶.計(jì)算機(jī)識(shí)別與跟蹤研究［J］.計(jì)算機(jī)應(yīng)用，2003，39（17）：7－10.

［10］時(shí)達(dá)明.Blog熱點(diǎn)話題發(fā)現(xiàn)及其作者聲譽(yù)度研究［D］，大連：大連理工大學(xué)，2007.

［11］L Ku，Y Liang，and H Chen.Opinion extraction，summarization and tracking in news and blog corpora［C］／／Proceedings of AAAI－2006Spring Symposium on Computational Approaches to Analyzing Weblogs.California，USA.2006，100－107.

［12］劉康，趙軍.基于層疊CRFs模型的句子褒貶度分析研究［J］.中文信息學(xué)報(bào)，2008，22（1）：123－128.

［13］Pang B，Lee L，Vaithyanathan S.Thumbs up？sentiment classification using machine learning techniques［C］／／Proceedings of EMNLP'2002，University of Pennsylvania Philadelphia，USA，2002，79－86.

［14］Pang B，Lee L.A Sentimental education：sentiment analysis using subjective summarization based on minimum cuts［C］／／Proceedings of the 42ndAnnual Meeting on Association for computational Lingusitics，Barcelona Spain.2004，271－278.

［15］M Hu，B Liu.Mining and summarizing customer reviews［C］／／Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery ＆Data Mining，Seattle，Washington，USA.2007.

［16］徐琳宏，林鴻飛，潘宇，等.情感詞匯本體的構(gòu)造［J］.情報(bào)學(xué)報(bào)，2008，27（2）：180－185.

［17］陳建美，林鴻飛，楊志豪.基于語(yǔ)法的情感詞匯自動(dòng)獲?。跩］.智能系統(tǒng)學(xué)報(bào)，2009，4（2）：100－106.

［18］陳建美，林鴻飛.中文情感常識(shí)知識(shí)庫(kù)的構(gòu)建［J］.情報(bào)學(xué)報(bào)，2009，28（4）：492－498.

［19］邢永康，馬少平.統(tǒng)計(jì)語(yǔ)言模型綜述［J］.計(jì)算機(jī)科學(xué)，2003，30（9）：22－26.