洪小娟 宗江燕 黃衛(wèi)東 洪巍

摘? 要：[目的/意義]區(qū)別于單一維度的情感強度測度，基于情感語義空間的食品安全輿情情感分析從立體空間角度探析情感的細粒度表征及情感焦點，對政府及有關(guān)部門提升輿情治理水平具有重要意義。[方法/過程]運用PAD情感模型構(gòu)建情感語義空間，以2018年食品安全輿情為例，一方面，將情感詞映射至情感語義空間，根據(jù)位置判別情感詞多維情感強度;另一方面，根據(jù)情感語義空間的表現(xiàn)形式劃分情感層次，探尋不同情感指向特征。[結(jié)果/結(jié)論]多維情感語義空間中，食品安全輿情情感的自我認知層愉悅度較高，表明公眾認為自身對食品安全有較好的認知;輿情中社會發(fā)展和民生民意空間呈現(xiàn)明顯的負向情緒，且網(wǎng)民在表達該類情感時的神經(jīng)生理激活水平較高，應(yīng)引起政府高度重視。食品安全輿情中的意見領(lǐng)袖對他人情感有較強的影響力，政府應(yīng)加強與該領(lǐng)域意見領(lǐng)袖的溝通與引導(dǎo)。

關(guān)鍵詞：食品安全輿情;情感語義空間;PAD模型;情感強度;情感分析

DOI：10.3969/j.issn.1008-0821.2020.10.014

〔中圖分類號〕G206? 〔文獻標(biāo)識碼〕A? 〔文章編號〕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

當(dāng)前，新冠肺炎（COVID-19）疫情已經(jīng)成為全球面臨的共同挑戰(zhàn)。世衛(wèi)組織（WHO）專家呼吁重視食品安全，防止新冠病毒通過動物源性食品傳播，這一突發(fā)公共衛(wèi)生事件使得公眾對食品安全的關(guān)注再次徘徊于高位。事實上，黨的十八大以來，一系列有關(guān)食品安全的重大決策部署得以出臺，十九大報告更是重申“實施食品安全戰(zhàn)略，讓人民吃得放心”的理念[1]。在多重政策高壓下，我國食品安全事件數(shù)量呈現(xiàn)明顯下降態(tài)勢。但對食品安全擔(dān)憂、憤怒等的情緒危機并未隨之減弱，《中國民生調(diào)查2019綜合研究報告》指出，食品安全是受訪者在社會環(huán)境方面的首要擔(dān)憂問題[2]。心理學(xué)研究證實，情緒對行為具有近乎決定性的作用[3]，由于食品安全事件自身的漣漪性效應(yīng)[4]，公眾輿論往往波及國家政策體制以及醫(yī)療、教育、住房等其他民生問題，傾向于將食品安全問題當(dāng)作對各種社會問題的情緒發(fā)泄出口[1]。如果不能進行及時合理的疏導(dǎo)，極有可能誘發(fā)公眾線下嘯聚，為政府輿情治理帶來高難度挑戰(zhàn)。因此，區(qū)別于以往對食品安全輿情的研究視角，本文從情感分析的角度追溯輿論焦點，期望為食品安全輿情治理提供新思路。

輿情情感研究的通用邏輯是通過構(gòu)建情感詞典[5-6]，識別自然語言中的情感詞，采用人工標(biāo)注[7]或者機器學(xué)習(xí)方法[8]進行情感的正負向極性判斷[9]。在情感詞典構(gòu)建中，一般是根據(jù)開放的語義知識庫[10-11]獲取情感詞的情感極性，也有結(jié)合大規(guī)模語料庫計算情感詞的語義相似度[12]來判定未知情感詞的情感極性。這種解決思路有利于甄別通用語境下指向比較單一的輿情情感，進行的輿情情感極性的判斷也較為籠統(tǒng)。對于復(fù)合型事件，相同的情感詞在不同的狀態(tài)空間，不同語境下其情感強度是不同的。食品安全輿情事件中，公眾的情緒單純用正向和負向這兩個極性來判斷難以探究其復(fù)雜的內(nèi)涵。因為，食品安全事件涉及民生，不僅存在可能殃及自身的擔(dān)憂與焦慮，還存在著對涉事食品生產(chǎn)經(jīng)營商生產(chǎn)不合格產(chǎn)品的憤怒和對監(jiān)管不力的不滿，以及延伸出的對其他社會現(xiàn)象的推定等多維發(fā)散性情感信息。這種復(fù)合類型的情感必須在多維空間進行綜合判斷，才能準確辨析出食品安全輿情中的立體層次結(jié)構(gòu)情感信息量[13]。數(shù)學(xué)領(lǐng)域定義的多維立體空間為輿論情感積聚提供存儲場所的同時，也為食品安全輿情情感分析提供新的解決思路。此外，情感強度本質(zhì)上代表人的思維、生理活動和行為傾向的驅(qū)動力大小[14]，相同的情感詞在不同維度上呈現(xiàn)的情感特征也是不同的。為此，本文擬基于情感詞在空間位置的坐標(biāo)來計算輿情情感強度，通過其位置差異反映食品安全輿情情感強度的差別，實現(xiàn)情感強度的多維測度。

為此，本文試圖構(gòu)建能夠?qū)κ称钒踩浨榍楦袕姸冗M行細粒度分析的情感語義空間，在自然語言處理的基礎(chǔ)上將食品安全領(lǐng)域情感特征詞映射至情感語義空間中的具體位置，力圖系統(tǒng)地探尋情感的細粒度表征，對食品安全相關(guān)部門、政府和媒體及時應(yīng)對食品安全突發(fā)事件、制定科學(xué)合理的策略具有重要意義。

1? 相關(guān)理論

食品安全輿情事件發(fā)展初期，公眾首先從自身利益的角度衡量該事件，接著結(jié)合自身的類似經(jīng)歷、價值觀念等發(fā)表評論觀點，外界信息的刺激更易導(dǎo)致公眾多種情緒化的表現(xiàn)，此時蘊含的語義較為直接、淺顯，表現(xiàn)為情感語義空間的主觀層面[15];隨著公眾對輿情事件理解的不斷加深，大腦中樞神經(jīng)活動因被持續(xù)刺激而產(chǎn)生生理反應(yīng)[16]，使得個體參與該事件的興奮活躍度不斷提高，不同的個體意見和情緒會交織作用，尤其是有重要影響力的意見領(lǐng)袖的觀點會引發(fā)海嘯般的轉(zhuǎn)發(fā)和評論，推動輿情進一步發(fā)展，公眾會根據(jù)已形成的認知對輿情事件表現(xiàn)出一定的立場：不僅對自身經(jīng)歷等做出主觀性的評價，更是對社會議題、國家政策等的現(xiàn)實發(fā)表觀點，表現(xiàn)為情感語義空間中的認知層面[17];隨之帶來新的意見的產(chǎn)生，極大可能導(dǎo)致次生衍生類輿情的爆發(fā)，涉及醫(yī)療、教育等其他民生問題，成為客觀層的來源[18]。以上3個部分構(gòu)成情感語義空間3種表現(xiàn)形式：主觀層、認知層及客觀層[19]。

由輿情情感語義空間的表現(xiàn)形式可知，不同維度不同層次交叉影響著輿情情感強度，對食品安全輿情情感的評價需要從多個維度多個層次進行。心理學(xué)領(lǐng)域中，基于語義差異評價方法的維度觀測量模型——PAD情感模型[20-23]從愉悅度（Pleasure-displeasure）、激活度（Arousal-nonarousal）以及優(yōu)勢度（Dominance-submissiveness）進行情感強度測度。這3個維度并不僅限于描述情緒的主觀體驗，與情感的生理喚醒、外部表現(xiàn)都具有較好的映射關(guān)系。Mehrabian等人利用這3個維度有效解釋42種情感量表中的絕大部分情感[21]，因此，以該模型為基礎(chǔ)構(gòu)建輿情情感語義空間。

PAD三維情感模型中各維度上的數(shù)值范圍為[-1，+1]，-1表示該維度的最低值，+1表示該維度的最高值，如圖1所示。食品安全輿情中，公眾由于受到羊群效應(yīng)等心理因素的影響[24]，大多跟隨輿情事件反映的情感趨勢表達自身情感，愉悅度可以有效衡量正負情緒狀態(tài)及程度，反映情感的本質(zhì)，“高興”是愉悅度較高的正面情感，“憂傷”是愉悅度較低的負面情感;激活度則是為了刺激個體神經(jīng)生理水平，促使網(wǎng)民采取進一步的決策行動，如對食品安全輿情事件進行點贊、轉(zhuǎn)發(fā)、評論甚至重組，其上限表示情感的投入，下限表示情感的激活點;優(yōu)勢度強調(diào)個體情緒的自我控制狀態(tài)，當(dāng)發(fā)生食品安全事件時，網(wǎng)民最開始的情緒表達往往是分散的，隨著意見領(lǐng)袖的出現(xiàn)，分散情緒逐漸向優(yōu)勢意見靠攏，此時意見領(lǐng)袖成為該時期公眾的向?qū)25]，其上限表示對他人及情境的控制，下限強調(diào)個體對自我情感狀態(tài)的主觀控制。

與傳統(tǒng)情感描述方法相比，輿情情感語義空間可以識別情感的不同表現(xiàn)層次，并將每一個情感詞對應(yīng)到PAD空間中的具體位置，每一點的坐標(biāo)都代表一種情感強度狀態(tài)。輿情參與者的情感分布在空間中任意位置，通過衡量位置距離表達詞語間的差異性與相似性，因此，可以對情感詞進行連續(xù)化描述，細微情感狀態(tài)能夠得到具體表征。PAD情感坐標(biāo)是通過一套設(shè)計完整的量表體系確定的，目前，量表體系從34個測試項簡化至12個測試項[21，26]。PAD情感模型被廣泛應(yīng)用在心理學(xué)、市場營銷及產(chǎn)品滿意度研究中[19]，鮮有應(yīng)用于輿情的情感強度測度，而其連續(xù)化情感測度優(yōu)勢可以為食品安全輿情復(fù)雜情感強度測度研究提供新思路。

2? 研究設(shè)計

基于情感語義空間的食品安全輿情情感強度測度方法從情感的不同表現(xiàn)層次探究情感焦點：在文本預(yù)處理的基礎(chǔ)上提取情感詞，利用大連理工情感詞匯本體庫和同義詞詞林擴展版構(gòu)建食品安全領(lǐng)域情感詞典，然后將情感特征詞映射至情感語義空間，分別計算各個詞的PAD坐標(biāo)值，以此表征情感強度的多維情感狀態(tài);根據(jù)情感語義空間的表現(xiàn)形式，利用關(guān)鍵詞云圖識別不同情感層次，依此判別各層次的情感強度。根據(jù)上述結(jié)果繪制不同情感層次愉悅度（P）、激活度（A）及優(yōu)勢度（D）的趨勢圖，探析食品安全輿情網(wǎng)民情感強度在情感語義空間中的變化趨勢，循證網(wǎng)民情感誘因。

21? 特征詞PAD值計算

在自然語言處理技術(shù)的基礎(chǔ)上對文本進行分詞、詞性標(biāo)注等操作，提取/adj、/adv、/n等作為情感特征詞。以“大連理工情感詞匯本體庫”為基礎(chǔ)情感詞典，擴展情感詞典利用“同義詞詞林擴展版”的情感詞進行篩選，構(gòu)建領(lǐng)域特定情感詞典[19]。大連理工中文情感詞匯本體的情感分類體系中的情感共分為7大類21小類，可以通過代碼查找情感特征詞，如果查找到相關(guān)觀點詞，則將其加入情感詞典中;如果沒有查找到該情感特征詞，則在同義詞詞林擴展版中查找該同義詞，如能夠查找到此詞，則將該詞以及同義詞加入情感詞典，如果不能，則通過人工方式將其加入情感詞典。經(jīng)過上述方法，獲得約1 800個情感特征詞。

為獲得情感特征詞在情感語義空間中的位置坐標(biāo)，需將中文情感詞映射至OCC情感詞。OCC情感詞源于OCC情感模型，該模型是早期情感研究中最完整的認知情感模型，也是第一個可以用于計算機的情感模型。OCC情感模型中的認知情感由3部分組成：事件引起、行為引起及對客觀事物的看法[27]。該模型的框架結(jié)構(gòu)圖如圖2所示。

由于情感表達的差異化，目前尚無統(tǒng)一的映射標(biāo)準。根據(jù)同義詞映射原理，即兩個詞是同義詞或近義詞，則可用OCC情感詞替換，以此將情感詞映射至PAD空間。為此，將OCC英文情感詞對應(yīng)到中文情感詞，再將情感特征詞映射至OCC情感詞表，最終映射至PAD多維情感空間，從而獲得情感詞在情感空間中的具體位置，映射流程如圖3所示。

Patrick Gebhard在Mehrabian研究的基礎(chǔ)上提出“Mapping of OCC Emotions Into PAD Space”，即將OCC情感詞映射到PAD情感空間中，部分映射結(jié)果如表1所示。

情感詞的PAD值主要依據(jù)其與中心詞匯的語義相似度進行計算。基于同義詞詞林5層層級結(jié)構(gòu)的詞語相似度計算方法[28]，利用義項中詞語的編號，根據(jù)義項的語義距離，計算義項相似度sim（A，B）。PAD情緒狀態(tài)e在三維空間可以表示為e=[x，y，z]，定義：

θ=arccoszr，ψ=arctanyx，r=sim（A，B）

……………

由此，可以得到每個情感詞對應(yīng)的坐標(biāo)：x=rsinθcosψ，y=rsinθsinψ，z=rcosθ。由上可知，定義e表示情感詞的情感強度值，計算方式如式（1）所示。根據(jù)OCC情感詞表，若P值和D值都為正值，則將其判定為積極情感詞，其余均為消極情感詞。

e=x2+y2+z2（1）

22? 情感值計算

中文文本中，情感特征詞反映主體對輿情事件的情感態(tài)度，否定詞影響評論文本的情感極性，程度副詞則會對評論文本的情感程度產(chǎn)生影響，因此，對現(xiàn)有的否定詞以及程度副詞進行收集并賦予一定的權(quán)重值，通過程序識別匹配更準確地得出評論文本的情感強度及情感傾向。其中，程度詞詞典、否定詞詞典的部分詞語權(quán)重如表2所示。

基于情感詞典的情感傾向性分析主要包括情感值計算和情感傾向判斷。其中，情感值計算的結(jié)果是情感傾向判斷的依據(jù)：若情感值為零，則為中性情感;若其大于零，為正向情感，小于零為負向情感。采用不同詞語情感強度相乘的方式計算評論文本的情感強度，如式（2）所示。其中，一條評論由j個情感詞組成，包含k個程度副詞，修飾情感詞的程度副詞的權(quán)重值為dgValue、否定詞的個數(shù)為notCount。此外，以同樣的方式計算每條評論文本的愉悅度（P）、激活度（A）及優(yōu)勢度（D），分別如式（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? 情感語義空間表現(xiàn)形式層次劃分

傳統(tǒng)心理學(xué)角度對情感的劃分主要基于情感種類、情感轉(zhuǎn)換等維度[29]，而大數(shù)據(jù)網(wǎng)絡(luò)環(huán)境下的食品安全輿情情感具有較為豐富的情感特征，僅從上述維度區(qū)分情感較為片面。情感語義空間層次劃分從情感指向維度考量情感，結(jié)合多維情感強度測度方法對輿情情感進行細粒度分析，以全面識別食品安全輿情情感主體不同層次的情感類型[30]，從而把握輿論情感焦點，對危機級別較高的情感及時進行網(wǎng)絡(luò)輿情預(yù)警與監(jiān)測。

關(guān)鍵詞云圖即標(biāo)簽云圖，是對關(guān)鍵詞集合及其頻次運用“云圖類”可視化技術(shù)進行可視化展示的結(jié)果。其中，聚類標(biāo)簽云圖是按照某種方式進行聚類，以標(biāo)簽之間的距離衡量其相關(guān)程度，具有相同特征的標(biāo)簽通常排列在一起[31]。因此，本文根據(jù)詞語間的共現(xiàn)關(guān)系繪制聚類詞云圖，并按照聚類特征識別情感語義空間表現(xiàn)形式的不同層次。關(guān)鍵詞抽取基于圖模型的TextRank算法[32]，其核心是根據(jù)詞語間的共現(xiàn)關(guān)系構(gòu)造網(wǎng)絡(luò)G（V，E），V為節(jié)點即詞語集合，E為兩個共現(xiàn)詞語間形成的邊集合，詞語i的權(quán)重S（Vi）取決于指向該點的各個點Vj與該點Vi形成的邊權(quán)重，以及節(jié)點Vj指向其他所有點的權(quán)重之和，計算方式如式（6）所示。ln（Vi）為指向該點的點集合，Out（Vj）為點Vj指向的點集合。最后，根據(jù)權(quán)值對關(guān)鍵詞進行降序，從而生成關(guān)鍵詞云圖。

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

此外，依據(jù)劃分結(jié)果進行情感強度測算時，每個情感層次的平均情感強度分別記為ez、es、em，如式（7）～（9）所示。其中，epos為正面情感強度值，eneg為負面情感強度值。

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? 實證結(jié)果與分析

31? 數(shù)據(jù)獲取與預(yù)處理

食品安全領(lǐng)域的極端敏感性[33]導(dǎo)致一旦發(fā)生食品安全事件，便會引發(fā)公眾感同身受事件主體情緒，在地域、身份、內(nèi)容等方面產(chǎn)生聯(lián)想[34-35]，進而對輿情事件進行轉(zhuǎn)發(fā)、評論，因此，運用網(wǎng)絡(luò)爬蟲工具，以“食品安全”為關(guān)鍵詞在微博平臺抓取相關(guān)內(nèi)容，信息源發(fā)布時間設(shè)定為2018年1月1日0點至2018年12月31日23∶59∶59，爬取微博文本共25 472條，篩選出網(wǎng)民對相關(guān)微博既轉(zhuǎn)發(fā)又評論的文本內(nèi)容，刪去與該主題無關(guān)的評論數(shù)據(jù)、進行去重以及表情轉(zhuǎn)文字處理，得到有效轉(zhuǎn)評文本共計4 367條，部分樣本如表3所示。

1國內(nèi)出于食品安全考慮，小學(xué)都不準帶加餐吧?？墒菍W(xué)校統(tǒng)一提供的加餐質(zhì)量和受歡迎度又如何呢？如何監(jiān)督，又如何引入公開透明的監(jiān)督呢03-16? 11∶49∶50

2政府要嚴管04-21? 10∶56∶42

3京物美超市大成東店銷售過期食品，真的讓人很失望，這么大企業(yè)銷售過期食品，而沒有提前下架，超市的員工都在玩的嗎05-26? 20∶35∶19

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

5上學(xué)那會衛(wèi)生法老師講食品安全的時候說醬油是用頭發(fā)做的，怪不得現(xiàn)在人的頭發(fā)，防脫發(fā)的食譜完全可以當(dāng)減肥餐07-29? 22∶56∶01

6先把食品安全、醫(yī)療、教育搞搞好再慫恿人生孩子吧08-05? 02∶29∶39

7唉，什么錢都敢掙！什么監(jiān)管都形同虛設(shè)09-07? 22∶37∶33

8食品安全關(guān)系到每個人10-11? 08∶37∶15

9[吐][吐][吐][吐]原來從奶粉事件到現(xiàn)在，食品安全從來都是遮羞布11-10? 13∶34∶29

10奶粉和牛奶都是嬰兒貨，孩子喝的一定要注意食品安全12-27? 14∶19∶24

32? 情感語義強度計算

采用ICTCLAS系統(tǒng)對上述轉(zhuǎn)評文本進行分詞、詞性標(biāo)注，提取情感特征詞構(gòu)建食品安全領(lǐng)域情感詞典，根據(jù)情感特征詞PAD坐標(biāo)將其映射至PAD三維情感空間，結(jié)果如圖4所示?！啊贝砬楦性~在PAD情感空間中的位置，情感特征詞的愉悅度（P）的映射結(jié)果對應(yīng)標(biāo)記“”，多分布于負向坐標(biāo)，表明食品安全領(lǐng)域網(wǎng)民評論采用的情感詞多呈現(xiàn)為負向情感狀態(tài);而激活度（A）和優(yōu)勢度（D）的映射結(jié)果分別對應(yīng)于標(biāo)記“”和“”，二者集中分布在對應(yīng)維度的正方向，一方面說明食品安全輿情事件對公眾的神經(jīng)生理激活程度普遍處于較高水平，刺激網(wǎng)民進行轉(zhuǎn)發(fā)、評論，致使輿情進一步升級;另一方面則表明意見領(lǐng)袖較多，其發(fā)表的言論及觀點能夠?qū)η榫郴蛩擞休^好的控制，從而引導(dǎo)輿論發(fā)展方向。

根據(jù)式（1）計算情感詞的PAD值及其情感強度值，部分統(tǒng)計結(jié)果如表4所示。

33? 情感指向識別

對轉(zhuǎn)評文本進行文本預(yù)處理后，在Python環(huán)境中根據(jù)式（6）抽取權(quán)重值排名前100的關(guān)鍵詞作為云圖構(gòu)成元素，并調(diào)用Textrank4zh模塊實現(xiàn)關(guān)鍵詞的聚類排列，關(guān)鍵詞云圖如圖5所示。其中，詞語大小表明詞頻高低，詞語的不同權(quán)重能夠顯性表示出食品安全輿情情感不同層次特征。

如圖5所示，食品安全網(wǎng)絡(luò)輿情事件中，以高頻關(guān)鍵詞“食品安全”“轉(zhuǎn)基因”“食品”為中心的關(guān)鍵詞云圖在向周邊擴展的過程中，詞云呈現(xiàn)較

明顯的分類。此外，結(jié)合黃微等學(xué)者的情感維度模型[36]，依據(jù)權(quán)重將關(guān)鍵詞云劃分為3個類別：權(quán)重值大于5為第一類關(guān)鍵詞;權(quán)重值介于0～2為第二類關(guān)鍵詞;權(quán)重值介于2～5之間的則為第三類關(guān)鍵詞。其中，部分關(guān)鍵詞的權(quán)重如表5所示。

“外賣”“自己”“造假”等第一類關(guān)鍵詞分布在高頻關(guān)鍵詞四周，主要呈現(xiàn)公眾自身對食品安全問題的理解，傳達對食品安全的認知。該層面關(guān)注自我觀察與自我經(jīng)歷，詞頻較高但詞語數(shù)量分布較為稀疏，在情感維度模型中屬于關(guān)注自我的低層次情感[36]，界定為“自我認知”。情感語義空間中的主觀層包括自我反思、歷史記憶等，因此，第一類關(guān)鍵詞構(gòu)成情感語義空間的主觀層。

“法律”“監(jiān)管”“政府”“農(nóng)業(yè)部”等第二類詞匯集中分布在詞云，詞頻較低且數(shù)量分布最為廣泛，存在較為明顯的指向性。聚焦相關(guān)食品安全監(jiān)管體制問題、國家食品安全政策問題等，引發(fā)民眾對于社會發(fā)展深層次的評判。此層面的關(guān)鍵詞情感級別處于最高層[37]，重點關(guān)注社會，界定為“社會發(fā)展”。情感語義空間的認知層以情緒表現(xiàn)作為外在表現(xiàn)形式，根據(jù)輿情發(fā)展過程形成特定認知，外情感指向于社會制度、國家政策等方面，由此第二類關(guān)鍵詞對應(yīng)于情感語義空間的認知層。

“老百姓”“醫(yī)療”“環(huán)境”“教育”等第三類詞語的詞頻較高，傳達民眾普遍認知。主要對食品安全環(huán)境提出質(zhì)疑，同時牽涉到諸如醫(yī)療、教育等其他重要民生問題上，聚焦于民眾所處社會環(huán)境及民眾健康問題。在情感維度模型中位于情感級別的中層次，主要關(guān)注他人，界定為“民生民意”。該層面由內(nèi)部情感驅(qū)動與外界環(huán)境因素刺激共同作用，極易引致輿情事件爆發(fā)，是最受關(guān)注的情感指向度量要素[30]，與情感語義空間中的客觀層的構(gòu)成元素相同，即意味著第三類關(guān)鍵詞構(gòu)成情感語義空間的客觀層。

此結(jié)果與心理學(xué)領(lǐng)域中對情感的劃分相契合，心理學(xué)認為，情感指向一般包括內(nèi)指向性情感反應(yīng)、離散型情感反應(yīng)以及外指向性情感反應(yīng)。內(nèi)指向性情感通常關(guān)注自我情緒;外指向性情感反應(yīng)則上升至更高層面，對正負輿情事件都表現(xiàn)出強烈的情感態(tài)度與使命感;離散型情感反應(yīng)則介于二者之間，主要關(guān)注與自身相關(guān)的輿情事件[29]。食品安全問題作為民眾關(guān)注度較高的網(wǎng)絡(luò)輿情事件，從不同情感表現(xiàn)層次進行分析，可以在較大程度上攫取網(wǎng)民內(nèi)外指向情感反應(yīng)焦點。

34? 食品安全輿情情感分析

基于情感詞典的優(yōu)化處理后，在Python環(huán)境中實現(xiàn)式（2）～（5）的模型算法，計算每條評論文本P值、A值、D值以及情感強度，各個情感表現(xiàn)層次的部分結(jié)果如表6所示。且據(jù)式（7）～（9），2018年食品安全輿情中自我認知、社會發(fā)展、民生民意的平均情感強度分別為00134、-0045、-0083，網(wǎng)民的自我認知呈現(xiàn)出正向情感，表明公眾認為自身對食品安全的認知水平較高，但社會發(fā)展及民生民意均表現(xiàn)為負向情感，公眾負面情緒主要聚集于這兩個層次，且民生民意的負向情感強度更高。

根據(jù)評論文本的P值、A值、D值，繪制自我認知、社會發(fā)展、民生民意每日平均愉悅度（P）、激活度（A）以及優(yōu)勢度（D）的變化趨勢圖，分別如圖6～8所示。

由圖6～8所示，食品安全輿情情感語義空間中各維度的PAD情感強度趨勢呈現(xiàn)較明顯的不同。網(wǎng)民的愉悅度（P）在自我認知中呈現(xiàn)正向分布，而在社會發(fā)展及民生民意中正負情感分化現(xiàn)象較為明顯，表明公眾認為自身對食品安全有較為全面的認知，但公眾對國家政策、食品安全監(jiān)管體制及其他重要民生問題持不同情感態(tài)度，部分對其表示期望、信任等正面情感態(tài)度，有的則對其產(chǎn)生擔(dān)憂、憤怒的負面情感。其次，自我認知和民生民意在優(yōu)勢度（D）測度中的每日平均值集中分布在水平軸偏下位置，個體在表達對食品安全的自我認知以及民生民意時難以控制自身情緒狀態(tài)，導(dǎo)致情緒肆意宣泄。而在社會發(fā)展中，意見領(lǐng)袖能夠發(fā)揮較好的引導(dǎo)作用，加強食品安全工作的正面宣傳力度，因此優(yōu)勢度較高。值得注意的是，3個維度中的激活度（A）幾乎都是正向發(fā)展，食品安全輿情持續(xù)刺激著網(wǎng)民神經(jīng)，使其轉(zhuǎn)發(fā)評論行為的情感投入程度較高，體現(xiàn)出公眾對食品安全一直保持著較高關(guān)注度。

35? 結(jié)果分析

基于情感語義空間對自我認知、社會發(fā)展、民生民意3個維度的每日平均PAD值時序趨勢進行分析，得出以下結(jié)論：

1）情感語義空間能夠反映食品安全輿情細粒度情感。食品安全輿情情感復(fù)雜多變，不同于以往的單一維度情感強度測度方式，情感語義空間將網(wǎng)民情感強度從愉悅度（P）、激活度（A）及優(yōu)勢度（D）進行剖析，從不同維度觀測網(wǎng)民情感強度變化趨勢。此外，根據(jù)情感語義空間表現(xiàn)形式對微博評論文本進行層次劃分能夠快速識別網(wǎng)民情感焦點，凸顯食品安全輿論情感指向。通過不同情感表現(xiàn)層次平均PAD值趨勢圖繪制，可以深入分析網(wǎng)民在參與輿情討論時的情感正負向性、情感激活水平及對情感的控制狀態(tài)，以此循證網(wǎng)民情感誘因。

2）情感語義空間中，除自我認知外，網(wǎng)民的愉悅度（P）呈現(xiàn)較為明顯的正負情感分化。社會發(fā)展及民生民意中的負向情感峰值高于正向情感峰值，且正向激活度（A）較高，表明較高的情感投入使得不同網(wǎng)民的對立觀點突出表現(xiàn)在民生民意與社會發(fā)展中，導(dǎo)致負向情感集聚。因此，政府應(yīng)及時捕捉這兩個維度的負面情緒并做出回應(yīng)，為政府引導(dǎo)輿情態(tài)勢爭取主動權(quán)。

3）情感語義空間中，各維度的愉悅度（P）與優(yōu)勢度（D）發(fā)展趨勢趨同。正方向發(fā)展在社會發(fā)展及民生民意中表現(xiàn)得尤為明顯，表明食品安全輿情中意見領(lǐng)袖能夠?qū)λ饲榫w或情境有較好的控制，官方媒體通常轉(zhuǎn)發(fā)評論有關(guān)食品安全的政策，引導(dǎo)輿論正向發(fā)展;而當(dāng)二者同時負方向發(fā)展意味著網(wǎng)民在表達負面情感時無法合理控制自身情緒。因此，政府應(yīng)注重意見領(lǐng)袖的定位，通過意見領(lǐng)袖的正面宣傳樹立網(wǎng)民對食品安全的正確認知，同時，公眾應(yīng)加強對食品安全知識的掌握，減少負面情緒宣泄。

4? 結(jié)? 論

已有的食品安全輿情研究缺少對網(wǎng)民情感的關(guān)注，再加上傳統(tǒng)的情感研究方法單純從正負情感維度對情感詞進行區(qū)分，難以系統(tǒng)描述食品安全輿情中的多維立體情感信息。鑒于此，構(gòu)建基于PAD模型的情感語義空間，根據(jù)情感在空間中的位置坐標(biāo)進行情感強度測度，從而實現(xiàn)食品安全輿情情感強度的細粒度情感分析。

以2018年度的食品安全輿情事件進行實證，結(jié)果表明，相比于傳統(tǒng)情感強度測度方法，網(wǎng)絡(luò)輿情情感語義空間具有較強的主觀性，且由于情感的復(fù)雜多變性，該空間由人的心理、生理和行為傾向等多種因素相互作用生成，具有多維結(jié)構(gòu)性特征，能夠真實反映食品安全輿情情感的多維層次情感信息，并對情感信息進行空間位置排序，從而反映輿情參與者的情感差異及變化。因此，在實證過程中，融入文本挖掘技術(shù)及自然語言處理技術(shù)，以可視化的方法展示食品安全事件中網(wǎng)民評論的關(guān)鍵詞，根據(jù)情感語義空間的不同表現(xiàn)形式識別不同情感指向：自我認知、社會發(fā)展以及民生民意，結(jié)合情感詞典進行情感匹配計算。最后，繪制3個維度的每日平均PAD值趨勢圖，結(jié)果表明：網(wǎng)民的負向情感聚焦于社會發(fā)展與民生民意，且這兩個層次中的網(wǎng)民情感投入程度較高，而且優(yōu)勢度（D）與愉悅度（P）同時負方向發(fā)展時表明網(wǎng)民在表達負面情感時無法合理控制自身情緒。同時正方向發(fā)展表明意見領(lǐng)袖對輿情情感引導(dǎo)的重要作用。因而根據(jù)分析結(jié)果對食品安全輿情管控提供指導(dǎo)與建議，使相應(yīng)部門輿情應(yīng)對措施更加靈活。

然而，在情感詞典的構(gòu)建過程中，部分情感特征詞是網(wǎng)絡(luò)用語，難以將其準確映射至情感語義空間中，且未強調(diào)標(biāo)點符號對整個評論文本情感強度的影響，在后續(xù)工作中將持續(xù)優(yōu)化食品安全領(lǐng)域的情感詞典構(gòu)建，進而提升食品安全輿情細粒度情感分析的準確性。

參考文獻

[1]陳偉，霍俊閣.食品安全犯罪重刑化政策的法社會學(xué)反思——以食品安全焦慮為視角[J].學(xué)術(shù)研究，2018，（12）：67-72.

[2]國務(wù)院發(fā)展研究中心“中國民生調(diào)查”課題組，張軍擴，葉興慶，等.中國民生滿意度繼續(xù)保持在較高水平——中國民生調(diào)查2019綜合研究報告[J].管理世界，2019，35（10）：1-10.

[3]孫仕秀，關(guān)影紅，覃滟云，等.青少年社會支持與情緒行為問題的關(guān)系：心理彈性的中介與調(diào)節(jié)作用[J].中國臨床心理學(xué)雜志，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]知網(wǎng).知網(wǎng)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，滕廣青，黃微.社會化在線評論情感因素測量與有用性分析[J].現(xiàn)代情報，2018，38（6）：19-27.

[8]張柳，王晰巍，王鐸，等.微博環(huán)境下高校輿情情感演化圖譜研究——以新浪微博“高校學(xué)術(shù)不端”話題為例[J].現(xiàn)代情報，2019，39（10）：119-126，135.

[9]邢云菲，王晰巍，韋雅楠，等.新媒體環(huán)境下網(wǎng)絡(luò)輿情用戶情感演化模型研究——基于情感極性及情感強度理論[J].情報科學(xué)，2018，36（8）：142-148.

[10]梁曉敏，徐健.輿情事件中評論對象的情感分析及其關(guān)系網(wǎng)絡(luò)研究[J].情報科學(xué)，2018，36（2）：37-42.

[11]張鵬，崔彥琛，蘭月新，等.基于扎根理論與詞典構(gòu)建的微博突發(fā)事件情感分析與輿情引導(dǎo)策略[J].現(xiàn)代情報，2019，39（3）：122-131，143.

[12]蔣翠清，郭軼博，劉堯.基于中文社交媒體文本的領(lǐng)域情感詞典構(gòu)建方法研究[J].數(shù)據(jù)分析與知識發(fā)現(xiàn)，2019，3（2）：98-107.

[13]劉英杰，黃微，閆璐.基于A-V-P的網(wǎng)絡(luò)輿情信息情感維度空間的模型構(gòu)建[J].情報資料工作，2017，（6）：12-18.

[14]吳青林，周天宏.基于話題聚類及情感強度的中文微博輿情分析[J].情報理論與實踐，2016，（1）：109- 112.

[15]慕明春.法治與理性的勝利——對“藥家鑫案”的輿論影響考量[J].當(dāng)代傳播，2011，（5）：41-44.

[16]朱代瓊，王國華.基于社會情緒“擴音”機制的網(wǎng)絡(luò)輿情傳播分析——以“紅黃藍幼兒園虐童事件”為例[J].西南民族大學(xué)學(xué)報：人文社科版，2019，40（3）：146-153.

[17]李勇，蔣冠文，毛太田，等.基于情感挖掘和話題分析的旅游輿情危機演化特征——以“麗江女游客被打”事件為例[J].旅游學(xué)刊，2019，34（9）：101-113.

[18]王麗君，戴建華.網(wǎng)絡(luò)輿情衍生鏈的定量分析方法研究[J].情報科學(xué)，2016，34（7）：59-63.

[19]李吉，黃微，郭蘇琳，等.網(wǎng)絡(luò)口碑輿情情感強度測度模型研究——基于PAD三維情感模型[J].情報學(xué)報，2019，38（3）：277-285.

[20]張雪英，張婷，孫穎，等.情感語音數(shù)據(jù)庫優(yōu)化及PAD情感模型量化標(biāo)注[J].太原理工大學(xué)學(xué)報，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，馬靜，等.微博輿情話題傳播的耦合網(wǎng)絡(luò)模型——分析話題衍生性特征與用戶閱讀心理[J].情報理論與實踐，2015，38（11）：82-86.

[25]朱曉霞，孟建芳.多層網(wǎng)絡(luò)中意見領(lǐng)袖及跟隨者觀點演化研究——基于有界信任模型[J].情報科學(xué)，2019，37（6）：30-36.

[26]吳偉國，李虹漫.PAD情感空間內(nèi)人工情感建模及人機交互實驗[J].哈爾濱工業(yè)大學(xué)學(xué)報，2019，（1）：29-37.

[27]吳鵬，李婷，仝沖，等.基于OCC模型和LSTM模型的財經(jīng)微博文本情感分類研究[J].情報學(xué)報，2020，39（1）：81-89.

[28]田久樂，趙蔚.基于同義詞詞林的詞語相似度計算方法[J].吉林大學(xué)學(xué)報：信息科學(xué)版，2010，28（6）：602-608.

[29]王英，龔花萍.基于情感維度的大數(shù)據(jù)網(wǎng)絡(luò)輿情情感傾向性分析研究——以“南昌大學(xué)自主保潔”微博輿情事件為例[J].情報科學(xué)，2017，35（4）：37-42.

[30]洪小娟，張聰，黃衛(wèi)東，等.突發(fā)醫(yī)暴事件輿論情感能量域空間模型構(gòu)建[J].現(xiàn)代情報，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，聶勇浩.食品安全監(jiān)管合作困境的機理探究：關(guān)系合約的視角[J].中國行政管理，2009，（10）：25-29.

[34]吳飛.共情傳播的理論基礎(chǔ)與實踐路徑探索[J].新聞與傳播研究，2019，26（5）：59-76，127.

[35]劉冰.疫苗事件中風(fēng)險放大的心理機制和社會機制及其交互作用[J].北京師范大學(xué)學(xué)報：社會科學(xué)版，2016，（6）：120-131.

[36]黃微，劉英杰，王潔晶，等.大數(shù)據(jù)網(wǎng)絡(luò)輿情信息情感維度要素的關(guān)聯(lián)模型構(gòu)建[J].圖書情報工作，2015，（21）：15-20.

[37]劉英杰，黃微，李瑞.大數(shù)據(jù)網(wǎng)絡(luò)環(huán)境下輿情信息情感維度模型構(gòu)建研究[J].情報理論與實踐，2016，（4）：32-35.

（責(zé)任編輯：郭沫含）