摘 "要： 為了能從中文微博中獲取實(shí)時(shí)的熱點(diǎn)話題，設(shè)計(jì)了一種微博輿情系統(tǒng)，能夠有效分析出微博中的熱點(diǎn)話題。系統(tǒng)采用網(wǎng)絡(luò)爬蟲(chóng)算法獲得微博數(shù)據(jù)，然后對(duì)微博數(shù)據(jù)進(jìn)行過(guò)濾，預(yù)處理得出比較純凈的微博數(shù)據(jù)。這里重點(diǎn)是對(duì)微博數(shù)據(jù)進(jìn)行熱點(diǎn)話題分析，采用一種特征向量模型來(lái)分析熱點(diǎn)話題。最后通過(guò)實(shí)驗(yàn)表明該微博輿情系統(tǒng)有一定的可行性和準(zhǔn)確率。

關(guān)鍵詞： 微博; 情感分析; 熱點(diǎn)話題; 微博輿情

中圖分類號(hào)： TN911?34 " " " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A " " " " " " " " " " " " " "文章編號(hào)： 1004?373X（2015）06?0044?03

Application of a hot topic algorithm in Chinese micro?blog popular feelings system

LI Hai?sheng

（Jiangnan Shipyard （Group） Co.， Ltd.， Shanghai 201913， China）

Abstract： In order to get a hot topics from Chinese micro?blog， a Chinese micro?blog popular feelings system was designed， which can analyze the hot topics in the micro?blog. A web crawler algorithm is adopted in the system to obtain micro?blog data， which will be flitered by the system. The focus of this paper is the analysis of micro?blog data in the hot topics. A feature vector model is used in this paper to analyze the hot topics. The experiment results show that the micro?blog popular feelings system has certain feasibility and accuracy.

Keywords： micro?blog; sentiment analysis; hot topic; micro?blog popular feeling

微博作為新時(shí)代的產(chǎn)物，在短短的幾年時(shí)間已經(jīng)得到了迅猛發(fā)展，目前已經(jīng)成為了日常生活必不可少的溝通、分享工具。一般一條中文微博字?jǐn)?shù)限制在140字左右，但僅僅就這140字的微博卻能表達(dá)出一個(gè)人的觀點(diǎn)、思想和情緒，大大方便了信息的傳遞、獲取與共享，微博已經(jīng)一躍成為時(shí)下最方便、最流行的互聯(lián)網(wǎng)應(yīng)用之一。微博作為互聯(lián)網(wǎng)應(yīng)用杰出的代表，在逐步地影響著人們的日常生活，微博每天大約會(huì)產(chǎn)生千萬(wàn)條數(shù)據(jù)，在這千萬(wàn)條數(shù)據(jù)中又會(huì)產(chǎn)生幾萬(wàn)個(gè)話題，如果用戶想要更深入的了解熱點(diǎn)話題的話，就需要不斷地去刷新動(dòng)態(tài)，用自己獨(dú)到的眼光去判斷熱點(diǎn)話題，分析微博傳遞的信息，這顯然是不合理的，而且了解的信息不完全，得不到理想的結(jié)果。怎樣從龐大的熱點(diǎn)話題中檢測(cè)出熱門話題，快速讓讀者了解熱門話題，這是時(shí)下里的一個(gè)熱點(diǎn)研究方向。同時(shí)，微博發(fā)布方式便捷，使得熱點(diǎn)話題得到快速傳播，這些特點(diǎn)也會(huì)使得虛假信息和片面信息容易泛濫，成為社會(huì)的安定的隱患，而且對(duì)于某些部門，他們密切關(guān)注著這些話題的動(dòng)向。所以本文提出一種熱點(diǎn)話題檢測(cè)算法，對(duì)時(shí)下最熱門的微博系統(tǒng)之一的新浪微博做分析，來(lái)幫助相關(guān)人員自動(dòng)檢測(cè)熱門話題，達(dá)到實(shí)時(shí)預(yù)警功能，形成一套微博輿情系統(tǒng)。

1 "相關(guān)工作

目前提及話題檢測(cè)通常都會(huì)提及 TDT，TDT 的英文全稱是 Topic Detection and Tracking[1]，最早的研究主要是針對(duì)事件的檢測(cè)，通常的話題檢測(cè)是面向正式的新聞媒體信息流，其主要任務(wù)是識(shí)別當(dāng)前話題，搜集相關(guān)話題和對(duì)已經(jīng)檢測(cè)的話題進(jìn)行追蹤。TDT中的話題識(shí)別與跟蹤的基本思想源于1996 年，來(lái)自 DARPA、卡內(nèi)基?梅隆大學(xué)、Dragon系統(tǒng)公司以及麻薩諸塞大學(xué)的研究者開(kāi)始定義話題識(shí)別與跟蹤研究的內(nèi)容，并開(kāi)發(fā)用于解決問(wèn)題的初步技術(shù)。目前國(guó)內(nèi)也有一些類似的系統(tǒng)，例如北大方正技術(shù)研究院推出的方正智思輿情預(yù)警輔助決策支持系統(tǒng)，其成功地實(shí)現(xiàn)了針對(duì)互聯(lián)網(wǎng)海量輿情自動(dòng)實(shí)時(shí)的監(jiān)測(cè)分析，有效地解決了政府部門以傳統(tǒng)的人工方式對(duì)輿情監(jiān)測(cè)的實(shí)施難題。

就目前來(lái)看，微博輿情熱點(diǎn)發(fā)現(xiàn)的研究主要是在對(duì)中文信息的處理中和數(shù)據(jù)挖掘領(lǐng)域。在中文信息處理中，涉及到的技術(shù)有中文分詞技術(shù)、多維向量空間技術(shù)。而在數(shù)據(jù)挖掘技術(shù)方面，有輿情信息采集、自動(dòng)分類、自動(dòng)聚類等。黃曉斌在分析文本挖掘技術(shù)的基礎(chǔ)上提出網(wǎng)絡(luò)輿情信息挖掘分析模型[2]，并以實(shí)例說(shuō)明文本挖掘在網(wǎng)絡(luò)輿情分析中的應(yīng)用;錢愛(ài)兵分析了網(wǎng)絡(luò)輿情的基本情況，設(shè)計(jì)了一個(gè)基于主題的網(wǎng)絡(luò)輿情分析模型[3];郭建永等結(jié)合劃分聚類和凝聚聚類的優(yōu)點(diǎn)提出了一種增量層次聚類算法應(yīng)用于主題發(fā)現(xiàn)[4];于滿泉等將自然語(yǔ)言處理與信息檢索技術(shù)相結(jié)合，提出針對(duì)事件特點(diǎn)的切實(shí)有效的單粒度話題識(shí)別方法[5];劉星星等設(shè)計(jì)了一個(gè)熱點(diǎn)事件發(fā)現(xiàn)系統(tǒng)，該系統(tǒng)面向互聯(lián)網(wǎng)新聞報(bào)道流，能自動(dòng)發(fā)現(xiàn)任意一段時(shí)間內(nèi)網(wǎng)絡(luò)上的熱點(diǎn)事件[6];王偉根據(jù)對(duì)網(wǎng)絡(luò)輿情分析的需求，構(gòu)建了基于聚類的網(wǎng)絡(luò)輿情熱點(diǎn)問(wèn)題發(fā)現(xiàn)及分析系統(tǒng)[7]。對(duì)于海量的網(wǎng)絡(luò)輿情信息，如何提高分析處理的效果和效率，提高網(wǎng)絡(luò)輿情熱點(diǎn)分析的準(zhǔn)確度和效率，仍然是目前研究熱點(diǎn)。

2 "系統(tǒng)總體設(shè)計(jì)

本文是針對(duì)目前主流三大微博之一的新浪微博做的一個(gè)分析和檢測(cè)，旨在反映某個(gè)時(shí)間段內(nèi)的熱點(diǎn)話題，通過(guò)實(shí)時(shí)對(duì)熱點(diǎn)話題的檢測(cè)，達(dá)到一個(gè)輿情預(yù)警的功能。本文構(gòu)建的微博輿情系統(tǒng)架構(gòu)設(shè)計(jì)如圖1所示。

lt;E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)15年38卷第6期＼Image＼33t1.tifgt;

圖1 微博熱點(diǎn)話題分析系統(tǒng)架構(gòu)設(shè)計(jì)

2.1 "微博數(shù)據(jù)采集

微博數(shù)據(jù)采集采用的是網(wǎng)絡(luò)爬蟲(chóng)技術(shù)，主要是針對(duì)新浪微博獲取數(shù)據(jù)源，他能夠遍歷新浪微博范圍內(nèi)整個(gè)Web空間的數(shù)據(jù)源，并采集數(shù)據(jù)，然后通過(guò)索引將網(wǎng)絡(luò)爬蟲(chóng)的數(shù)據(jù)建立索引并保存到索引數(shù)據(jù)庫(kù)，同時(shí)為了保證索引的實(shí)時(shí)更新，網(wǎng)絡(luò)爬蟲(chóng)會(huì)不斷的工作，對(duì)新浪微博中的數(shù)據(jù)源進(jìn)行重新搜索。微博信息采集實(shí)現(xiàn)以下功能：

（1） 對(duì)新浪微博全網(wǎng)的搜索，將有效信息保存，去除一些重復(fù)和無(wú)效數(shù)據(jù);

（2） 網(wǎng)頁(yè)分析、信息存儲(chǔ)，實(shí)現(xiàn)頁(yè)面的去重、去噪，刪除垃圾信息;

（3） 多線程、分布式高速采集;

（4） 增量更新，只采集上次更新數(shù)據(jù)，而不是全部一次采集一遍，從而保證了信息更新的效率。

2.2 "微博數(shù)據(jù)處理模塊

2.2.1 "數(shù)據(jù)預(yù)處理

微博文本有其自身的特點(diǎn)，表達(dá)方式多樣性，且包含網(wǎng)頁(yè)鏈接、圖片、英文字母等等，本文需要對(duì)其進(jìn)行預(yù)處理，步驟如下：

（1） 對(duì)微博數(shù)據(jù)進(jìn)行去重、去噪、標(biāo)簽過(guò)濾等操作，例如此微博，“今天我非常開(kāi)心，巴西首場(chǎng)如愿獲得了勝利，恭喜巴西，巴西世界杯看球攻略http：//t.cn/RvoEUxI”，針對(duì)此微博數(shù)據(jù)，需要對(duì)其進(jìn)行預(yù)處理，去除鏈接、特殊符號(hào)、英文字母，得到純凈的微博數(shù)據(jù)，如“今天我非常開(kāi)心，巴西首場(chǎng)如愿獲得了勝利，恭喜巴西，巴西世界杯看球攻略”。

（2） 去除表情符號(hào)，為后面的分詞處理做準(zhǔn)備。

（3） 對(duì)微博進(jìn)行分詞處理，本文使用中科院ICTCLAS系統(tǒng)[8]進(jìn)行分詞與詞性標(biāo)注。例如“今天我非常開(kāi)心，巴西首場(chǎng)如愿獲得了勝利，恭喜巴西，巴西世界杯看球攻略”，通過(guò)分詞系統(tǒng)可得到{今天/t我/rr非常/d開(kāi)心/a，/wd巴西/nz首場(chǎng)/d如愿/vi獲得/v了 /rr勝利/n，/wd恭喜/v巴西/nz，/wd巴西/nz世界杯/nz看/v球/n攻略/n}。

（4） 對(duì)分詞后的文本進(jìn)行粗降維，即將停用詞，低頻詞從文檔中去除。

2.2.2 "特征選取

由于抽取樣本網(wǎng)頁(yè)正文的內(nèi)容作為網(wǎng)頁(yè)的特征向量待選集合，分詞后的特征向量空間維度很大，導(dǎo)致算法效率會(huì)受到影響。 特征選取的目的就是進(jìn)一步過(guò)濾掉信息量不大，對(duì)輿情熱點(diǎn)發(fā)現(xiàn)影響不大的詞，達(dá)到對(duì)網(wǎng)頁(yè)特征向量降維的效果，從而提高處理的效率和降低計(jì)算復(fù)雜度。 這里采用的降維方式是通過(guò)統(tǒng)計(jì)方法構(gòu)造網(wǎng)頁(yè)主題評(píng)價(jià)函數(shù)，對(duì)每個(gè)特征向量進(jìn)行評(píng)估，選擇那些符合預(yù)定閾值的詞作為網(wǎng)頁(yè)的特征項(xiàng)。

常見(jiàn)的特征選取方法有很多：信息增益法，互信息法，統(tǒng)計(jì)量法，交叉熵，優(yōu)勢(shì)率和文檔頻率法等。 其中文檔頻率是最簡(jiǎn)單，同時(shí)也是最有效的文本特征選取方法之一，在此采用它作為特征選取的方法。 在運(yùn)用該方法時(shí)，首先計(jì)算各個(gè)征詞的文檔頻率，然后通過(guò)網(wǎng)頁(yè)主題評(píng)價(jià)函數(shù)進(jìn)行評(píng)估（評(píng)估依據(jù)為文檔頻率低的特征不包含對(duì)分類（或聚類）有用的鑒別信息，因而對(duì)分類結(jié)果沒(méi)有什么影響），高于預(yù)定閾值的那些特征詞保留作為特征項(xiàng)。 特征詞出現(xiàn)的頻率 P（k）定義為：

[p（k）=freq（k）k=1.2..nfreq（k）] （1）

式中freq（k）為網(wǎng)頁(yè)特征詞語(yǔ)頻率。

2.2.3 "向量表示

特征提取之后，在此采用目前應(yīng)用最廣泛的向量空間模型VSM（Vector Space Module），該模型基本思想是：經(jīng)過(guò)文本預(yù)處理后，將文本看作一系列無(wú)序詞條的集合，繼而表示為高維空間向量。將文本中每個(gè)詞條Ti作為惟一特征用來(lái)表示，權(quán)值Wi表示一個(gè)文本中的第i個(gè)元素或特征的重要性，這樣每條微博m就可以映射為此空間中的一個(gè)點(diǎn)，用向量表示為Vm=（T1W1，T2W2，…，TnWn）。再通過(guò)句子相似度計(jì)算獲得文本之間的差距，然后我們就可以判斷微博之間的相似性。用向量空間模型表示微博消息的優(yōu)點(diǎn)：將文本內(nèi)容用向量化表示，使得自然語(yǔ)言能夠被計(jì)算機(jī)理解，具有可操作性和可計(jì)算性;模型概念容易理解，應(yīng)用過(guò)程易于實(shí)現(xiàn);通過(guò)對(duì)權(quán)值的計(jì)算能夠體現(xiàn)不同詞語(yǔ)在微博語(yǔ)句中的重要性;在計(jì)算文本相似度時(shí)有更大選擇空間。該模型的缺點(diǎn)：將微博消息中的詞條離散化，詞的次序、詞與詞之間的關(guān)系等因素將不被考慮，因此當(dāng)以詞為向量基本單位時(shí)，可能造成空間維數(shù)較高，影響效率，所以需要進(jìn)行降維處理。

2.3 "熱點(diǎn)話題發(fā)現(xiàn)模塊

熱點(diǎn)發(fā)現(xiàn)模塊主要是將經(jīng)過(guò)預(yù)處理的微博數(shù)據(jù)進(jìn)行分析，獲取在一定時(shí)間周期內(nèi)發(fā)布信息流中，一組內(nèi)容相同和相近的話題微博，當(dāng)參與者超過(guò)一定的閾值H時(shí)則認(rèn)定為熱點(diǎn)話題MT。微博話題描述的形式為，MT=（MS，N，T，MF），其中MS表示非空的微博信息集合;N表示參與者的個(gè)數(shù);T表示微博消息發(fā)生的時(shí)間跨度;MF表示抽取時(shí)間的微博特征詞匯表。根據(jù)熱點(diǎn)話題的定義，每次熱點(diǎn)話題提取和分析的對(duì)象，是時(shí)間跨度T內(nèi)微博的集合，表示為CM，MS屬于CM。因此微博的話題發(fā)現(xiàn)就是基于微博內(nèi)容的歸類處理，每一類微博就能說(shuō)明用戶群所關(guān)注的一個(gè)焦點(diǎn)，即熱點(diǎn)話題。

在微博內(nèi)容的劃分上，由于微博數(shù)量巨大且內(nèi)容復(fù)雜，并且在研究中沒(méi)有先驗(yàn)學(xué)習(xí)語(yǔ)料，所以不能直接通過(guò)有監(jiān)督的文本分類方法來(lái)獲得歸類后的微博子集合。因此類別特征能被視為話題的對(duì)應(yīng)體，通過(guò)計(jì)算每個(gè)微博話題的特征詞表就能夠發(fā)現(xiàn)這段時(shí)間內(nèi)微博中的熱點(diǎn)話題。在無(wú)監(jiān)督學(xué)習(xí)條件下直接獲取每一個(gè)話題對(duì)應(yīng)的特征詞表是不現(xiàn)實(shí)的，可以通過(guò)詞頻統(tǒng)計(jì)[9]的方式發(fā)現(xiàn)整個(gè)微博流中的特征集合，根據(jù)內(nèi)容關(guān)聯(lián)度對(duì)這個(gè)特征集合進(jìn)行劃分就能得到每個(gè)微博話題對(duì)應(yīng)的特征詞表，每個(gè)特征詞表對(duì)應(yīng)一個(gè)話題，通過(guò)這樣的方法完成微博的話題發(fā)現(xiàn)。

2.4 "系統(tǒng)管理模塊

任何一個(gè)系統(tǒng)都離不開(kāi)系統(tǒng)管理模塊，本系統(tǒng)管理模塊主要是針對(duì)用戶角色設(shè)定的，實(shí)現(xiàn)用戶、訪問(wèn)權(quán)限、數(shù)據(jù)分離、數(shù)據(jù)安全控制等。主要由用戶管理模塊和角色權(quán)限管理模塊兩個(gè)模塊組成。系統(tǒng)管理模塊是系統(tǒng)的核心，同時(shí)也控制著數(shù)據(jù)訪問(wèn)權(quán)限。

2.5 "測(cè)試指標(biāo)

文本分類算法常用的評(píng)價(jià)指標(biāo)有召回率R、準(zhǔn)確率P和F值，計(jì)算公式如下：

召回率：

[R=CiDi] （2）

準(zhǔn)確率：

[P=CiEi] " " " " " （3）

F值：

[F=2P×RP+R×100%] " " （4）

式中Ci為實(shí)驗(yàn)分類為C的微博數(shù);Di為實(shí)驗(yàn)總的微博數(shù);Ei為微博分類為C的微博條數(shù)，C表示微博類別。

3 "實(shí)驗(yàn)分析

本文利用如上所述的方法采集新浪微博數(shù)據(jù)28 000條，經(jīng)過(guò)預(yù)處理分析，篩選出19 830條數(shù)據(jù)，利用這近2萬(wàn)條數(shù)據(jù)進(jìn)行分析計(jì)算，得到話題有{好聲音，532}，{爸爸去哪兒，453}，{感動(dòng)中國(guó)，344}，{文明出行，298}等，其中的數(shù)字表示詞頻。微博話題檢測(cè)詞頻如表1所示。

表1 微博話題檢測(cè)詞頻

表1為系統(tǒng)經(jīng)過(guò)分析后的數(shù)據(jù)，近期微博熱點(diǎn)話題為#中國(guó)好聲音#，雖然只有2萬(wàn)條數(shù)據(jù)，但是其占據(jù)了很大比例。對(duì)于這套分析系統(tǒng)采用第2節(jié)所示的測(cè)試指標(biāo)，召回率為0.657 76，準(zhǔn)確率為0.708 53，F(xiàn)值為0.582 35。召回率、準(zhǔn)確率和F值都在0.6左右，所以對(duì)比往常的分析方法還算正常的結(jié)果范圍。利用系統(tǒng)分析出的熱點(diǎn)話題，與當(dāng)下的熱點(diǎn)話題相比確實(shí)差不多，中國(guó)好聲音確實(shí)比較流行。

4 "結(jié) "語(yǔ)

本文利用網(wǎng)絡(luò)爬蟲(chóng)算法結(jié)合新浪微博的API獲取新浪媒體的微博數(shù)據(jù)，然后對(duì)微博數(shù)據(jù)進(jìn)行過(guò)濾，預(yù)處理得出比較純凈的微博數(shù)據(jù)，然后結(jié)合熱點(diǎn)話題算法構(gòu)建了一套微博輿情分析系統(tǒng)，此系統(tǒng)經(jīng)過(guò)試驗(yàn)證明有一定的可行性，能獲得當(dāng)前的微博話題。但是該系統(tǒng)還存在很多問(wèn)題，例如無(wú)法對(duì)熱點(diǎn)話題進(jìn)行實(shí)時(shí)的預(yù)警，對(duì)一些敏感詞匯進(jìn)行追蹤，查詢發(fā)布源頭等，這些都是下一步系統(tǒng)所需要改進(jìn)的地方。

參考文獻(xiàn)

[1] ALLAN James， PAPKA Ron， LAVRENKO Victor. On?line new event detection and tracking [C]// Processing of 21st Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. Amherst： University of Massachusetts， 1998： 37?45.

[2] 黃曉斌，趙超.文本挖掘在網(wǎng)絡(luò)輿情信息分析中的應(yīng)用[J].情報(bào)科學(xué)，2009（1）：94?99.

[3] 錢愛(ài)兵.基于主題的網(wǎng)絡(luò)輿情分析模型及其實(shí)現(xiàn)[J].情報(bào)分析與研究，2008（4）：49?55.

[4] 郭建永，蔡永，甑艷霞.基于文本聚類技術(shù)的主題發(fā)現(xiàn)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2008（6）：1426?1428.

[5] 于滿泉，駱衛(wèi)華，許洪波，等.話題識(shí)別與跟蹤中的層次化話題識(shí)別技術(shù)研究[J].計(jì)算機(jī)研究與發(fā)展，2006，43（3）：489?495.

[6] 劉星星，何婷婷，龔海軍，等.網(wǎng)絡(luò)熱點(diǎn)事件發(fā)現(xiàn)系統(tǒng)的設(shè)計(jì)[J].中文信息學(xué)報(bào)，2008，22（6）：80?85.

[7] 王偉，許鑫.基于聚類的網(wǎng)絡(luò)輿情熱點(diǎn)問(wèn)題發(fā)現(xiàn)及分析[J].情報(bào)分析與研究，2009（3）：74?79.

[8] ICTCLAS Chinese Word Segmentation. Download ICTCLAS [EB/OL]. [2012?07?02]. http：//ictclas.org/ictclas_download.aspx.

[9] 張清亮，徐健.網(wǎng)絡(luò)情感詞自動(dòng)識(shí)別方法研究[J].現(xiàn)代圖書情報(bào)技術(shù)，2011（10）：24?28.