史偉 薛廣聰 何紹義

（1.湖州師范學(xué)院經(jīng)濟(jì)管理學(xué)院，湖州，313000； 2.湖州師范學(xué)院信息工程學(xué)院，湖州，313000； 3.加州州立大學(xué)圣伯納迪諾分校商業(yè)與公共管理學(xué)院，美國，CA 92418）

1 引言

根據(jù)中國互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）發(fā)布的第48次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報告》，截至2021年6月為止，我國網(wǎng)民總數(shù)為10.11億，手機(jī)網(wǎng)民總數(shù)為10.07億，互聯(lián)網(wǎng)普及率達(dá)71.6%。隨著移動互聯(lián)網(wǎng)的發(fā)展和智能設(shè)備的普及，信息獲取和傳遞機(jī)制的改變不僅能使公眾及時地了解國內(nèi)外發(fā)生的突發(fā)事件，也使傳統(tǒng)的社會輿論從線下轉(zhuǎn)移到線上并演變?yōu)榫W(wǎng)絡(luò)輿情。一般說來，網(wǎng)絡(luò)輿情是指在一定的社會空間內(nèi)，網(wǎng)民們通過互聯(lián)網(wǎng)表達(dá)對于某個社會突發(fā)事件的看法、觀點(diǎn)和情感的集合，是社會輿論在互聯(lián)網(wǎng)上的映射與直接反映，并且表現(xiàn)出較強(qiáng)的自由性、多元性和交互性。如何正確處理網(wǎng)絡(luò)輿情不僅是學(xué)術(shù)界重點(diǎn)關(guān)注的范疇，也是社會各界共同面對的問題[1]。

在大數(shù)據(jù)背景下，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)的廣泛應(yīng)用為深層次的網(wǎng)絡(luò)輿情研究提供了方法支持，同時文本、圖片和短視頻等載體也為多維度的網(wǎng)絡(luò)輿情研究提供了豐富的數(shù)據(jù)支撐。由于載體所包含的情感信息是推動輿情傳播和發(fā)酵的重要因素之一，國內(nèi)外學(xué)者逐漸開始從情感角度對網(wǎng)絡(luò)輿情展開研究。通過引入情感分析技術(shù)探究網(wǎng)絡(luò)輿情的情感演變規(guī)律和輿情事件的傳播特征，有助于政府部門正確處置網(wǎng)絡(luò)輿情、及時把控輿情導(dǎo)向，這對我國社會的發(fā)展和進(jìn)步具有重要的現(xiàn)實(shí)意義。

本文系統(tǒng)整理了近些年國內(nèi)外學(xué)者在情感視角下的網(wǎng)絡(luò)輿情研究進(jìn)展并分析了未來的研究趨勢。我們的討論基于Web of Science和中國知網(wǎng)（CNKI）所提供的文獻(xiàn)，使用詞云和CiteSpace軟件作為可視化工具進(jìn)行知識圖譜的構(gòu)建，通過文獻(xiàn)分析法對國內(nèi)外網(wǎng)絡(luò)輿情情感分類、情感演化、情感預(yù)測和網(wǎng)絡(luò)輿情治理四個方面的研究進(jìn)展進(jìn)行歸納與對比，旨在幫助相關(guān)學(xué)者進(jìn)一步了解該領(lǐng)域的研究現(xiàn)狀和發(fā)展趨勢，為將來開展深層次研究提供理論參考和依據(jù)。

2 基于情感視角的網(wǎng)絡(luò)輿情研究文獻(xiàn)統(tǒng)計

2.1 文獻(xiàn)來源

本文采用文獻(xiàn)研究法分析國內(nèi)外網(wǎng)絡(luò)輿情的研究現(xiàn)狀，中英文文獻(xiàn)分別選自CNKI全文數(shù)據(jù)庫和Web of Science數(shù)據(jù)庫。由于網(wǎng)絡(luò)輿情主要由突發(fā)事件引起，并且考慮到2020年爆發(fā)的“新冠肺炎”疫情引起的網(wǎng)絡(luò)輿情，本文分別以“（主題：網(wǎng)絡(luò)輿情）AND（主題：情感）OR（主題：新冠肺炎）AND（主題：情感）OR（主題：突發(fā)事件）AND（主題：情感）”和“sentiment analysis（All Fields）and public opinion（All Fields）”作為CNKI數(shù)據(jù)庫和Web of Science數(shù)據(jù)庫的檢索式進(jìn)行檢索（檢索時間為2020年12月31日），為了保證參考文獻(xiàn)的質(zhì)量，設(shè)置中文期刊來源類別為“北大核心”和“CSSCI”，英文期刊來源為“Web of Science 核心合集”。鑒于2008年國內(nèi)接連發(fā)生諸多重大突發(fā)事件，新老媒體的互動使得網(wǎng)絡(luò)具有巨大的輿論能量，網(wǎng)絡(luò)輿情開始受到學(xué)者們的關(guān)注與研究，因此本文設(shè)置索引時間范圍為“2008-1-1至2020-12-31”，最終檢索出304篇中文文獻(xiàn)和231篇外文文獻(xiàn)。

2.2 文獻(xiàn)時間分布

我們統(tǒng)計了2008年至2020年間CNKI和Web of Science數(shù)據(jù)庫歷年發(fā)表的相關(guān)文獻(xiàn)數(shù)量，如圖1所示，一方面反映出該研究領(lǐng)域歷年來的發(fā)展趨勢，另一方面也體現(xiàn)出學(xué)術(shù)界對網(wǎng)絡(luò)輿情情感主題方面研究的關(guān)注程度。

從圖1中可以看出國內(nèi)外對該領(lǐng)域的研究趨勢大致相同，2008年到2011年間該領(lǐng)域研究在國內(nèi)鮮有人關(guān)注，直至2012年關(guān)注度才有所上升，“7.23溫州動車事故”“雅安地震”“南方各地洪澇災(zāi)害”和“上海外灘踩踏事件”等突發(fā)事件在網(wǎng)絡(luò)上不斷發(fā)酵，致使更多學(xué)者從輿情情感的角度出發(fā)對突發(fā)事件網(wǎng)絡(luò)輿情的演化和傳播進(jìn)行深入研究。2018年以來機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等技術(shù)被大量應(yīng)用在網(wǎng)絡(luò)輿情的情感分析中，使得情感分類和情感演化得到更加精確的研究結(jié)果，2019年“涼山州森林火災(zāi)事件”和2020年“新冠肺炎疫情”的發(fā)生，使得該領(lǐng)域的關(guān)注度直線上升。相較于國內(nèi)研究進(jìn)展，國外學(xué)者從情感角度對網(wǎng)絡(luò)輿情的研究起步較晚，直至“MH370航班失聯(lián)事件”“埃博拉病毒肆虐”“拉斯維加斯槍擊案”和“印尼海嘯”等突發(fā)事件發(fā)生后該領(lǐng)域研究熱度才逐漸上升，并在2018年以后呈現(xiàn)爆發(fā)式增長。2020年爆發(fā)的新冠肺炎疫情更是成為引爆網(wǎng)絡(luò)輿情的導(dǎo)火索，網(wǎng)絡(luò)輿情迅速在全球范圍內(nèi)產(chǎn)生并不斷傳播，使得該領(lǐng)域的關(guān)注度達(dá)到頂峰，同時也激發(fā)了更多學(xué)者對網(wǎng)絡(luò)輿情的關(guān)注和研究。

圖1 ?國內(nèi)外網(wǎng)絡(luò)輿情情感研究論文發(fā)表數(shù)量趨勢圖Fig.1 The Trend Chart of the Number of Published Research Papers on Network Public Opinion at Home and Abroad

2.3 文獻(xiàn)關(guān)鍵詞分析

關(guān)鍵詞作為文獻(xiàn)的關(guān)鍵信息和知識標(biāo)簽?zāi)軌蚍从吵鑫恼碌闹行膬?nèi)容，本文統(tǒng)計了國內(nèi)外文獻(xiàn)中的關(guān)鍵詞信息并進(jìn)行詞云可視化構(gòu)建（如圖2所示）。TFIDF是一種常用的信息檢索與數(shù)據(jù)挖掘方法，具有很強(qiáng)的適用性和魯棒性，其中詞頻（Term Frequency，TF）用于統(tǒng)計詞語在語料庫中出現(xiàn)的頻次，逆文件頻率（Inverse Document Frequency，IDF）則考察詞語在多條評論中的共現(xiàn)情況，進(jìn)而判斷候選詞對文章的刻畫能力。某個詞語對文章的重要性與它的TF-IDF值成正比，因此通過計算詞語的TF-IDF值可以較客觀地提取出文章高頻詞。我們抽取TF-IDF值排名前10的關(guān)鍵詞進(jìn)行比較，如表1所示，通過關(guān)鍵詞對比可以看出，國內(nèi)外學(xué)者在該領(lǐng)域的研究主要基于三種方法，即機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和情感詞典；同時，國內(nèi)學(xué)者傾向于研究網(wǎng)絡(luò)輿情的輿情分析、輿情監(jiān)測、情感演化和情感分類，而國外學(xué)者對大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)輿情數(shù)據(jù)挖掘研究較多。

表1 ?國內(nèi)外網(wǎng)絡(luò)輿情情感研究文獻(xiàn)關(guān)鍵詞排序Table 1 Keywords’Ranking of Domestic and Foreign Research Literatures in Network Public Opinion

2.4 國內(nèi)外網(wǎng)絡(luò)輿情情感主題研究熱點(diǎn)分析

研究相關(guān)文獻(xiàn)主題的變遷趨勢能夠反映出不同時期學(xué)者重點(diǎn)研究的方向以及該領(lǐng)域的知識發(fā)展歷史和現(xiàn)狀，因此我們利用CiteSpace軟件繪制國內(nèi)外相關(guān)文獻(xiàn)的時間軸視圖（如圖3和圖4所示）。該視圖能夠反映出各個聚類發(fā)展演變的時間跨度和研究進(jìn)程，為各個子領(lǐng)域的演變路徑提供了直觀而準(zhǔn)確的參考。從左到右依次表示關(guān)鍵詞出現(xiàn)的先后時間順序，從上到下依次表示遞減的聚類信息，通過時間軸視圖可以梳理出研究熱點(diǎn)的歷史來源及其發(fā)展脈絡(luò)。網(wǎng)絡(luò)輿情和情感分析研究從2010年到2020年一直是學(xué)術(shù)界研究的熱點(diǎn)話題，早期研究方法主要以情感詞典為主，隨著大數(shù)據(jù)和新媒體的發(fā)展，研究方法逐漸多元化，如機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、認(rèn)知情感評價模型、社會網(wǎng)絡(luò)分析、主題建模等。

3 基于情感視角的國內(nèi)外網(wǎng)絡(luò)輿情研究綜述

目前文本情感分析技術(shù)主要應(yīng)用在電子商務(wù)、市場競爭和在線評論等領(lǐng)域，隨著網(wǎng)絡(luò)輿情研究熱度逐漸升高，情感分析也逐漸延伸到網(wǎng)絡(luò)輿情領(lǐng)域。由于網(wǎng)絡(luò)輿情受輿情主體、輿情客體和外部環(huán)境等多種因素的影響，因此對網(wǎng)絡(luò)輿情進(jìn)行情感分析是一個復(fù)雜的過程，圖5描述了網(wǎng)絡(luò)輿情情感分析的整個過程，包括網(wǎng)絡(luò)輿情情感分類、網(wǎng)絡(luò)輿情情感演化、網(wǎng)絡(luò)輿情情感預(yù)測和網(wǎng)絡(luò)輿情治理，下文將分別從這四個方面總結(jié)國內(nèi)外網(wǎng)絡(luò)輿情的研究現(xiàn)狀。

3.1 網(wǎng)絡(luò)輿情情感分類研究

情感分類是情感分析的基礎(chǔ)和依據(jù)，傳統(tǒng)的文本分類只關(guān)注文本的客觀內(nèi)容，而情感分類更多研究的是文本作者的“主觀因素”，即表達(dá)者的情感傾向。本節(jié)對比了部分網(wǎng)絡(luò)輿情情感分類文獻(xiàn)的研究數(shù)據(jù)、研究方法和研究結(jié)果（如表2所示），并分別從三種技術(shù)層面評述網(wǎng)絡(luò)輿情情感分類相關(guān)研究。

圖2 ?國內(nèi)外網(wǎng)絡(luò)輿情情感研究文獻(xiàn)關(guān)鍵詞詞云Fig. 2 Keywords Word Cloud of Domestic and Foreign Research Literatures in Network Public Opinion Sentiment

圖3 ?國內(nèi)網(wǎng)絡(luò)輿情情感研究文獻(xiàn)時間軸圖譜Fig.3 Timeline Spectrum of Research Literatures in Domestic Network Public Opinion Sentiment

一是基于情感詞典分類方法。情感詞典作為一種重要的情感分類資源，它的分類粒度的粗細(xì)程度直接決定了情感分析結(jié)果的準(zhǔn)確性。有學(xué)者在通用情感詞典的基礎(chǔ)上結(jié)合同義詞表、領(lǐng)域情感詞和網(wǎng)絡(luò)詞匯等詞語構(gòu)建了不同類型的情感詞典，例如表情符號情感詞典（分為7種情感類：樂、哀、怒、驚、懼、好、惡）[2]、消防領(lǐng)域輿情情感詞典（分為3種情感類：積極、中立、消極）[3]和突發(fā)事件領(lǐng)域情感詞典（分為7大類21小類）[4]等。鑒于大多數(shù)研究集中在文本內(nèi)容的淺層特征，而對其內(nèi)在特征關(guān)注不足，曾子明[5]基于改進(jìn)后的情感詞典提出一種融合深層演化特征、淺層詞性特征和情感特征的多層次特征組合模型，將情感進(jìn)行正負(fù)性分類并且準(zhǔn)確度達(dá)到85%；栗雨晴等[6]基于HowNet、WordNet和NTUSD詞典構(gòu)建雙語情感詞典將微博文本情感分為社會關(guān)愛、高興、悲傷、憤怒、恐懼五類，該詞典有效解決了文本情感分析方法多基于單一語種的問題；Xu等[7]結(jié)合基本情感詞、五種場景情感詞和多義情感詞組建新的情感詞典，通過設(shè)計的情感計算規(guī)則有效實(shí)現(xiàn)了文本情感分類。雖然情感詞典無須通過大規(guī)模數(shù)據(jù)的訓(xùn)練來提高情感分類準(zhǔn)確率，但對不同領(lǐng)域的情感分析研究仍需構(gòu)建有針對性的領(lǐng)域情感詞典。

表2 ?國內(nèi)外部分網(wǎng)絡(luò)輿情情感分類研究文獻(xiàn)對比Table 2 Comparison of Some Domestic and Foreign Network Public Opinion Sentiment Classification Research Literature

二是基于機(jī)器學(xué)習(xí)方法。機(jī)器學(xué)習(xí)是一種使用大量有標(biāo)注的或無標(biāo)注的語料進(jìn)行模型訓(xùn)練的學(xué)習(xí)方法，目前已經(jīng)在情感分類方面取得較多不錯的成果。鄧君[8]基于Word2Vec和支持向量機(jī)將微博輿情文本情感分為積極和消極兩類，經(jīng)訓(xùn)練后該模型的分類準(zhǔn)確率達(dá)到93%，但其并未考慮句式和語法結(jié)構(gòu)對情感分類準(zhǔn)確率的影響。C.R.Machuca等[9]運(yùn)用自然語言處理技術(shù)和Logistic回歸算法將新冠肺炎疫情相關(guān)的Twitter文本自動分為積極或消極兩個維度，分類精度達(dá)到78.5%。Kaur等[10]采用N-gram算法和KNN分類器分別進(jìn)行特征提取和情感分類，將文本傾向分為正、負(fù)和中性情感，實(shí)驗(yàn)結(jié)果表明該模型分類性能優(yōu)于現(xiàn)有模型，情感分類準(zhǔn)確率達(dá)到82%。Li等[11]開發(fā)了一種聯(lián)合訓(xùn)練算法，結(jié)合L-BFGS算法和多標(biāo)簽最大熵模型（MME）將短文本情感分為生氣、厭惡、害怕、開心、傷心、驚訝六大類，在微博、推特、BBC論壇等數(shù)據(jù)集上的平均準(zhǔn)確率達(dá)到86.06%。Er等[12]提出一個情感詞典和機(jī)器學(xué)習(xí)方法相結(jié)合的Twitter情感分析模型，根據(jù)用戶頻繁使用的表情符號和非正式英語進(jìn)行情感分類，總體準(zhǔn)確率可以達(dá)到81.9%，優(yōu)于傳統(tǒng)的情感詞典和機(jī)器學(xué)習(xí)方法。楊爽等[13]提出一種基于SVM多特征融合的情感分類模型，從詞性、情感、句式和語義等特征實(shí)現(xiàn)情感的五級分類，該模型在短文本情感分類中取得較高的準(zhǔn)確率。

圖5 ?網(wǎng)絡(luò)輿情情感分析過程Fig. 5 Analysis Process of Network Public Opinion Sentiment

三是基于深度學(xué)習(xí)方法。該方法主要通過情感標(biāo)注、詞向量訓(xùn)練以及長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory,LSTM）[14]、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）[15-17]和循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）對情感進(jìn)行正負(fù)性或褒貶性等不同程度的分類。認(rèn)知情感評價模型（OCC）被認(rèn)為是第一個以計算機(jī)實(shí)現(xiàn)目的而發(fā)展起來的情感模型，吳鵬等[18]提出一種基于OCC的卷積神經(jīng)網(wǎng)絡(luò)情感識別模型，通過OCC模型進(jìn)行情感標(biāo)注并建立極性計算規(guī)則對輿情文本進(jìn)行情感分類，最高可達(dá)90.98%的準(zhǔn)確率。金占用等[19]應(yīng)用OCC情感規(guī)則能提高模型分類準(zhǔn)確率的特點(diǎn)，基于長短期記憶網(wǎng)絡(luò)模型構(gòu)建了網(wǎng)絡(luò)輿情多情感分類模型，將情感分為積極情感、消極情感和中性情感。為解決傳統(tǒng)模型無法根據(jù)語境對詞語進(jìn)行理解，孫靖超[20]設(shè)計了一種基于優(yōu)化深度雙向自編碼網(wǎng)絡(luò)的情感分類模型，通過偽標(biāo)簽方法、混合池化以及L2正則化提高模型泛化能力，實(shí)驗(yàn)表明該模型在小數(shù)據(jù)集下具有更好的分類性能。郭修遠(yuǎn)等[21]基于神經(jīng)網(wǎng)絡(luò)模型提出一種多輸入多任務(wù)協(xié)同學(xué)習(xí)的情感分類模型，有效地解決了單任務(wù)單輸入模型分類效果不佳的問題。由于循環(huán)神經(jīng)網(wǎng)絡(luò)編碼器受遞歸模型的限制，導(dǎo)致獲取語句序列信息有限，陳珂等[22]提出一種基于情感詞典與Transformer模型的融合特征信息情感分類模型，引入自注意力機(jī)制使得模型在訓(xùn)練過程中能學(xué)習(xí)到豐富的情感特征信息，最后在不同語言的數(shù)據(jù)集上均取得較好的分類準(zhǔn)確率。

綜上，傳統(tǒng)的情感詞典方法主要依賴種子情感詞和人工設(shè)計的規(guī)則，但互聯(lián)網(wǎng)時代信息更新速度加快，不斷涌現(xiàn)出熱門詞語和網(wǎng)絡(luò)特殊用語等，需要不斷擴(kuò)充情感詞典才能滿足需要。為了提高情感分類的準(zhǔn)確率，學(xué)者通過大量有標(biāo)注或無標(biāo)注的語料使用各類機(jī)器學(xué)習(xí)算法進(jìn)行情感分類，雖然情感分類性能一定程度上優(yōu)于情感詞典，但機(jī)器學(xué)習(xí)方法往往忽略了上下文語義信息從而影響情感分類的準(zhǔn)確性。與機(jī)器學(xué)習(xí)不同，深度學(xué)習(xí)具有較強(qiáng)的特征學(xué)習(xí)能力，能更好地融合上下文信息以解決傳統(tǒng)情感分類方法中的缺陷，有效提高情感分類的準(zhǔn)確率，但其訓(xùn)練時間長、可解釋性差的缺點(diǎn)也較明顯。

此外，目前網(wǎng)絡(luò)輿情情感分類的研究數(shù)據(jù)多來自不同領(lǐng)域的文本信息，但是隨著多媒體時代的到來，網(wǎng)民的情感表達(dá)方式逐漸向圖像和視頻轉(zhuǎn)移，結(jié)合多媒體數(shù)據(jù)中的多模態(tài)信息可以挖掘出更加準(zhǔn)確和豐富的情感信息，提高情感分類的準(zhǔn)確率。例如：Cao等[23]基于視覺情感本體（Visual Sentiment Ontology，VSO）提出一種視覺情感主題模型（Visual Sentiment Topic Model,VSTM）對圖像中隱含的情感信息進(jìn)行正面、負(fù)面和中性分類，該模型可以選擇出具有區(qū)別性的視覺情感本體特征來增強(qiáng)視覺情感分析效果；Huang等[24]提出一種新的圖像-文本情感分析模型即深度多模態(tài)注意力融合模型（Deep Multimodal Attention Fusion，DMAF），利用視覺內(nèi)容和文本數(shù)據(jù)之間的區(qū)別特征和內(nèi)在關(guān)聯(lián)進(jìn)行聯(lián)合情感分類，并在四種不同的數(shù)據(jù)集上驗(yàn)證了該模型的有效性；章蓀等[25]提出一種多任務(wù)學(xué)習(xí)的情感分類模型，使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）和雙向門控循環(huán)神經(jīng)網(wǎng)絡(luò)（BiGRU）進(jìn)行模態(tài)特征維度的統(tǒng)一和序列數(shù)據(jù)關(guān)聯(lián)性的挖掘，引入多頭自注意力機(jī)制實(shí)現(xiàn)跨模態(tài)信息的融合，以情感評分作為分類依據(jù)，在公開多模態(tài)基準(zhǔn)數(shù)據(jù)集上測試的模型分類精確度和F1值達(dá)到84.7%；范濤等[25]設(shè)計一種多模態(tài)融合情感識別方法，分別構(gòu)建BiLSTMs模型和基于遷移學(xué)習(xí)的微調(diào)CNNs模型提取文本和圖片的情感特征，在特征層融合后輸入支持向量機(jī)中進(jìn)行情感分類，實(shí)驗(yàn)將數(shù)據(jù)集的情感極性分為正面、負(fù)面和中性三類，所提出的情感分類模型準(zhǔn)確率達(dá)到85.3%。多模態(tài)情感分析領(lǐng)域的復(fù)雜性體現(xiàn)為情感信息之間的關(guān)聯(lián)性，同時也影響對多模態(tài)對象的情感判斷，如何搭配最佳的模態(tài)內(nèi)容進(jìn)行情感分析值得學(xué)者們進(jìn)一步研究。

3.2 網(wǎng)絡(luò)輿情情感演化研究

情感演化是通過分析帶有情感色彩的主觀性信息，并基于情感態(tài)度和觀點(diǎn)分析情感在時間和空間上的演化規(guī)律。針對各種突發(fā)事件中此起彼伏的輿論熱潮，國內(nèi)學(xué)者從不同維度對網(wǎng)絡(luò)輿情的情感演化過程進(jìn)行了全面分析和研究，而國外學(xué)者在這方面的相關(guān)研究較少。本節(jié)系統(tǒng)整理了國內(nèi)學(xué)者近年來關(guān)于網(wǎng)絡(luò)輿情情感演化的主要研究內(nèi)容，如表3所示。從表3中可以看出目前國內(nèi)研究所使用的方法有模型構(gòu)建[27]、樸素貝葉斯[28]、態(tài)勢感知理論[29]、K-鄰近算法[30]、生命周期理論[31-32]、深度學(xué)習(xí)[33]、聚類算法[34]、數(shù)據(jù)仿真[35]等，這些方法的應(yīng)用進(jìn)一步拓展了該領(lǐng)域的理論研究和實(shí)踐探索。例如，為了探究移動環(huán)境下網(wǎng)絡(luò)用戶情感演化規(guī)律，王晰巍等[28]應(yīng)用改進(jìn)的樸素貝葉斯模型對用戶評論進(jìn)行情感傾向性識別，分別基于詞頻、地域和時間三個可視化維度探究用戶的情感變化趨勢，深度分析移動環(huán)境下網(wǎng)絡(luò)用戶不同的情感表達(dá)對輿情傳播的影響，但樸素貝葉斯分類器往往會忽略掉特征詞的上下文信息，導(dǎo)致情感文本的信息缺失。在此基礎(chǔ)上，陳凌等[36]利用長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）結(jié)合情感上下文信息，通過多層次時間序列分析臺風(fēng)“利奇馬”事件特性與網(wǎng)民負(fù)面情感之間的關(guān)聯(lián)，研究發(fā)現(xiàn)不同危機(jī)情境下社交化媒體用戶表達(dá)出的負(fù)面情感各不相同，后續(xù)可以關(guān)注情感波動對輿情事件期間社交媒體信息的影響。福島核泄漏事故發(fā)生后，Hasegawa等[37]通過對推文的區(qū)域標(biāo)識符（名詞、地名、郵政編碼和電話號碼等）進(jìn)行分類，然后根據(jù)單個推文的情感傾向（積極或消極）來分析民眾對這些地區(qū)的感受，研究結(jié)果發(fā)現(xiàn)事故發(fā)生后網(wǎng)民對輻射的負(fù)面情緒隨時間推移呈下降趨勢，但對福島縣的負(fù)面情緒卻變得更加極端。

表3 ?國內(nèi)網(wǎng)絡(luò)輿情情感演化研究文獻(xiàn)整理Table 3 Domestic Network Public Opinion Emotion Evolution Research Literature Collation

在輿情主題分析方面，安璐等[33]通過用戶轉(zhuǎn)發(fā)關(guān)系、情感類型和情感強(qiáng)度繪制社會網(wǎng)絡(luò)情感圖譜，結(jié)合輿情話題綜合分析利益相關(guān)者的情感演化過程，結(jié)果表明普通群眾的情感更易受意見領(lǐng)袖的影響，各利益相關(guān)者的主導(dǎo)情感也隨著輿情演化而不斷變化。林永明[38]提出一種動態(tài)主題情感模型（dSLDA）識別輿情主題和網(wǎng)民情感，依據(jù)輿情趨勢、詞匯主題和情感標(biāo)簽分析輿情事件各個話題的情感分布特征和波動趨勢。朱曉霞[39]和Liu[40]針對靜態(tài)情感判斷的局限性提出一個動態(tài)主題—情感演化模型來對整個情感演變過程進(jìn)行動態(tài)情感分析，在主題提取方面相較于傳統(tǒng)方法性能有所提升。劉麗群等[41]從社會計算視角出發(fā)，綜合情感分析結(jié)果和輿情主題總結(jié)了網(wǎng)民關(guān)注的熱門輿情話題，從災(zāi)情情況、政府應(yīng)對、災(zāi)民感受等方面對輿情相關(guān)因素進(jìn)行分析，社會計算技術(shù)提高了網(wǎng)絡(luò)輿情態(tài)勢的分析能力，從結(jié)果上看更貼近輿情本身。此外，F(xiàn)u[42]和Huang[43]研究了個體情緒、網(wǎng)絡(luò)結(jié)構(gòu)、輿情傳播主體與環(huán)境等內(nèi)外因素對網(wǎng)絡(luò)輿情演化的影響。Fang[44]運(yùn)用情感分析技術(shù)和分室模型模擬社交媒體上網(wǎng)絡(luò)輿情信息的傳播過程，根據(jù)公眾情感傾向和模擬結(jié)果對七個社會輿情話題的趨勢進(jìn)行評估。Wang等[45]通過分析網(wǎng)民主流情感強(qiáng)度的突變特征來識別輿情爆發(fā)的關(guān)鍵時間窗口，有助于防止輿情事件進(jìn)一步惡化。Andrea等[46]通過探討Twitter用戶的情感極性與每日推文數(shù)量峰值的對應(yīng)關(guān)系，從中發(fā)現(xiàn)可能會引起公眾興趣或影響公眾輿論的疫苗接種事件，然后根據(jù)相關(guān)事件追蹤公眾對疫苗接種話題立場的變化趨勢。Zhang等[47]研究了大規(guī)模金融輿情中公眾的情緒狀態(tài)是否與時間、股票交易數(shù)相關(guān)，基于網(wǎng)絡(luò)輿情空間信息生成多維時間序列，采用格蘭杰因果分析和信息論的方法研究社交媒體情感對金融輿情演變過程的影響。

目前網(wǎng)絡(luò)輿情情感演化研究大多從時空關(guān)聯(lián)、輿情主題和傳播特征等方向出發(fā)，從文本中提取信息進(jìn)行情感演化分析，往往忽略了社交網(wǎng)絡(luò)中用戶親密度、用戶影響力等多種因素對輿情演化的影響，而這些用戶特征可能包含著提高模型解釋性和準(zhǔn)確性的提示。輿情演化過程作為網(wǎng)絡(luò)輿情的核心研究內(nèi)容已經(jīng)得到國內(nèi)外學(xué)者們的全方位關(guān)注，未來可以從深層次、多維度等方向?qū)W(wǎng)絡(luò)輿情演化進(jìn)行分析。

3.3 網(wǎng)絡(luò)輿情情感預(yù)測研究

目前網(wǎng)絡(luò)輿情情感預(yù)測的研究普遍基于統(tǒng)計學(xué)、機(jī)器學(xué)習(xí)和情感分析等方法，通過對已有情感信息分析來預(yù)測未來短期內(nèi)的網(wǎng)民情感狀態(tài)，但是網(wǎng)絡(luò)輿情演化過程中網(wǎng)民情感會受到內(nèi)外因素作用的影響而產(chǎn)生偏差。我們分別從研究數(shù)據(jù)、研究方法和研究結(jié)果三個側(cè)面對國內(nèi)外相關(guān)文獻(xiàn)進(jìn)行了梳理（見表4）。在情感態(tài)勢預(yù)測方面，李彤[48]以創(chuàng)新的集成學(xué)習(xí)思路為指導(dǎo)，構(gòu)建了微博情感走勢時間序列提取情感序列特征，然后結(jié)合ARIMA、BPNN等回歸模型和SVM模型對微博情感趨勢進(jìn)行預(yù)測，雖然在特征選擇上仍采用了傳統(tǒng)的方法，但比單一使用ARIMA模型的預(yù)測誤差更小。吳青林等[49]通過設(shè)置特征詞相似度閾值、增加相關(guān)特征詞數(shù)量，克服了短文本相似度的漂移問題，基于微博話題聚類、情感強(qiáng)度計算和灰度模型跟蹤并預(yù)測了公眾所關(guān)注熱點(diǎn)話題的情感變化趨勢，實(shí)驗(yàn)表明只有個體情感穩(wěn)定的情況下情感預(yù)測結(jié)果才比較準(zhǔn)確。Zhang等[50]將文本情感分為20種細(xì)粒度情感類，結(jié)合文檔頻率和信息增益原則提取文本特征，基于最大熵模型（MaxEnt）對微博評論進(jìn)行情緒成分分析和網(wǎng)絡(luò)輿情趨勢預(yù)測，該方法收斂時間短，在預(yù)測民意的準(zhǔn)確性方面優(yōu)于樸素貝葉斯和支持向量機(jī)基線方法。以上研究雖然取得較高的預(yù)測準(zhǔn)確性，但是并沒有考慮到除輿情文本以外其他因素對預(yù)測效果的影響。在此基礎(chǔ)上，郭韌[51]運(yùn)用關(guān)聯(lián)函數(shù)和可拓聚類理論將輿情事件的情感傾向、輿情演化上升期日均提及量和關(guān)注度單位時間內(nèi)的增長率三種因素封裝為一個整體進(jìn)行輿情演化預(yù)測，實(shí)現(xiàn)了定量分析和定性分析的有機(jī)結(jié)合。

在情感傾向預(yù)測方面，鑒于已有方法大多側(cè)重于從文本本身挖掘信息而很少研究用戶自身特征，Li等[52]提出了一個“時間序列+用戶”的雙重關(guān)注機(jī)制模型，將文本情感特征與時間序列特征相結(jié)合，實(shí)現(xiàn)了單位時間內(nèi)多用戶多文檔的情感預(yù)測，所提出的雙重關(guān)注機(jī)制模型可以更好地關(guān)注強(qiáng)關(guān)聯(lián)信息，弱化噪聲數(shù)據(jù)的影響，對提高預(yù)測結(jié)果起到一定的作用；X.Dong等[53]利用阻尼振蕩模型測量公眾情感的自我衰變過程，討論模型中彈簧系數(shù)、阻尼系數(shù)和情感臨界值等關(guān)鍵參數(shù)對輿情動態(tài)的影響，使用粒子群優(yōu)化算法調(diào)整模型，并引入自我情感適應(yīng)機(jī)制對意見領(lǐng)袖和極端情緒化個體的情感傾向進(jìn)行實(shí)時預(yù)測；Gupta和Halder[54]提出了一種混合情緒和行為的預(yù)測系統(tǒng)，通過分析文本極性的不同標(biāo)志確定作者的態(tài)度，使用SenticNet4.0詞典和人工配置的文件詞典評估輸入文本并預(yù)測文本所傳達(dá)的情感，以此識別作者的行為和情感模式。在大數(shù)據(jù)背景下，Akhta等[55]提出了一種通過使用多層感知器網(wǎng)絡(luò)組合數(shù)種深度學(xué)習(xí)和經(jīng)典特征模型來預(yù)測情感傾向和情感強(qiáng)度的堆疊集成方法，具有較好的性能。Thota[56]結(jié)合深度學(xué)習(xí)和主題嵌入技術(shù)開發(fā)了一個主題情感檢測框架，實(shí)驗(yàn)結(jié)果表明該框架具有高準(zhǔn)確性。唐曉波構(gòu)造了一個情感強(qiáng)度時間序列分析方程來預(yù)測公眾情感傾向，但未考慮到文本相似度漂移、情感強(qiáng)度模糊性等問題，王秀芳等[57]針對這些不足對話題聚類和情感強(qiáng)度量化方法進(jìn)行改進(jìn)并建立了隨時間變化的公眾情感傾向趨勢分析模型，其預(yù)測精確度達(dá)到88.97%。

表4 ?基于情感的網(wǎng)絡(luò)輿情預(yù)測研究文獻(xiàn)歸納Table 4 Literature Summary of Emotion-based Network Public Opinion Prediction

情感預(yù)測研究可以有效地對網(wǎng)絡(luò)輿情情感的未來趨勢進(jìn)行分析，以便預(yù)先提出針對性的輿情應(yīng)對措施。上述研究大多基于文本單一模態(tài)，結(jié)合時間序列特征和情感特征對輿情情感態(tài)勢和用戶情感傾向進(jìn)行預(yù)測，但是單模態(tài)數(shù)據(jù)容易存在信息不全面、噪聲干擾等問題，使得情感預(yù)測系統(tǒng)的魯棒性和精確性等不能得到保證。因此未來可以結(jié)合圖像、視頻和語音等多種模態(tài)數(shù)據(jù)中的情感特征，合理利用多模態(tài)信息互為補(bǔ)充、互為印證的關(guān)系提高情感預(yù)測模型的性能。

3.4 網(wǎng)絡(luò)輿情治理研究

網(wǎng)絡(luò)輿情治理的研究主要針對政府、企業(yè)和網(wǎng)絡(luò)媒體等不同主體展開（如表5所示）?；谡矫娴难芯浚芯咳藛T利用實(shí)證研究、數(shù)據(jù)仿真等方法分析了不同階段的輿情載體情感狀況，并從信息透明、輿情預(yù)警、態(tài)度引導(dǎo)、時度效等方面提出建議[4,58-59]，這些研究有助于強(qiáng)化政府部門對網(wǎng)絡(luò)輿情監(jiān)控、引導(dǎo)和治理?；谄髽I(yè)方面的研究，所提出的輿情治理措施有：提高企業(yè)輿情響應(yīng)速度，加強(qiáng)核心競爭領(lǐng)域監(jiān)管，及時回應(yīng)民意等[60-61]。基于網(wǎng)絡(luò)媒體方面的研究，由于其具有快捷性、開放性和互動性等特點(diǎn)，相關(guān)研究提出營造良好網(wǎng)絡(luò)氛圍，明確溝通態(tài)度，強(qiáng)調(diào)價值引導(dǎo)等建議[62-64]。此外也有學(xué)者針對多元主體協(xié)同治理提出應(yīng)對策略[65]。

提高輿情治理能力是網(wǎng)絡(luò)時代的必然要求，特別是重大突發(fā)事件發(fā)生期間輿論密度會加劇，政府、企業(yè)和網(wǎng)絡(luò)自媒體等應(yīng)改進(jìn)網(wǎng)絡(luò)輿情的治理方式，現(xiàn)有單一的治理體系并不能有效地引導(dǎo)輿情，政府應(yīng)加強(qiáng)網(wǎng)絡(luò)環(huán)境建設(shè)，與企業(yè)和網(wǎng)絡(luò)媒體等主體形成協(xié)同治理格局。

3.5 其他相關(guān)研究

網(wǎng)絡(luò)輿情不僅具有突發(fā)性，而且蘊(yùn)含著強(qiáng)烈的群體情感極性。隨著微博、Twitter等社交平臺的興起，研究人員不僅研究話題中輿情特征的分布情況，并且開始結(jié)合用戶情感進(jìn)行網(wǎng)絡(luò)輿情事件識別。例如，張魯民等[66]基于FP-growth算法和互信息度量構(gòu)建情感符號模型，利用改進(jìn)Kleiberg算法檢測情感符號序列中的突發(fā)期，采用近鄰傳播AP聚類檢測突發(fā)事件，大大縮短了輿情事件的檢測時間，平均準(zhǔn)確率達(dá)到85%；蘭月薪[67]基于生命周期理論將輿情演化過程劃分為潛伏期、擴(kuò)散期和消退期，并根據(jù)特征突發(fā)詞在不同時期內(nèi)的情感變化規(guī)律來檢測突發(fā)事件；尉永清等[68]結(jié)合具有時序突發(fā)性的網(wǎng)絡(luò)數(shù)據(jù)流事件特征和用戶信息情感特征提出一種融合情感特征的突發(fā)事件識別方法，能夠在相對較早的時間內(nèi)識別在線突發(fā)事件；由于微博通常使用“#”標(biāo)簽來描述事件，Zou等[69]采用情感和標(biāo)簽結(jié)合的模式，基于普魯奇克情感輪[70]和標(biāo)簽傳播算法構(gòu)建離線情感共現(xiàn)圖，通過在線使用互信息和頻繁樹來提取突發(fā)事件關(guān)鍵字，該方法可以在分析微博情感的同時在線檢測突發(fā)事件，但也受限于標(biāo)簽的存在性。

在對突發(fā)事件識別的研究中只考慮網(wǎng)民的情感變化特征還不夠全面，張雄寶等[71]發(fā)現(xiàn)突發(fā)事件相關(guān)微博的發(fā)布地域隨事件演變呈現(xiàn)出一定的變化規(guī)律，因此提出一種基于突發(fā)詞地域分析的突發(fā)事件檢測方法，從評論文本的地域范圍、情感屬性兩個維度識別突發(fā)事件，該方法相較于基于爆發(fā)詞識別的突發(fā)事件檢測方法（Bursty Words Distinguishing，BWD）和基于突發(fā)詞H指數(shù)的突發(fā)事件檢測算法（HIndex，HI）在正確率、召回率和F1均值上都有顯著提高；仲兆滿等[72]也考慮到突發(fā)事件的地域特性和微博評論的時空特點(diǎn)，提出一種地域Top-k突發(fā)事件檢測框架，利用詞出現(xiàn)頻率、詞關(guān)聯(lián)用戶、詞分布地域以及詞社交行為四種指標(biāo)計算網(wǎng)絡(luò)詞突發(fā)值并提取突發(fā)特征集，選用凝聚層次聚類方法獲取突發(fā)詞簇集合，最后融合突發(fā)詞地域、頻率、關(guān)聯(lián)評論、評論影響力以及關(guān)聯(lián)用戶五種指標(biāo)計算Top-k突發(fā)事件熱度，實(shí)現(xiàn)基于網(wǎng)絡(luò)地域的突發(fā)事件識別。

表5 ?國內(nèi)網(wǎng)絡(luò)輿情治理的策略研究Table 5 Domestic Network Public Opinion Management Strategy Research

網(wǎng)絡(luò)輿情在社交媒體上的傳播具有較強(qiáng)的地理位置性、傳播爆炸性、時空相關(guān)性等特點(diǎn)[73]，傳統(tǒng)的網(wǎng)絡(luò)輿情識別研究主要依賴于語義信息和復(fù)雜社會網(wǎng)絡(luò)信息，但網(wǎng)絡(luò)輿情通常是一個從無到有的傳播過程，往往僅涉及社會網(wǎng)絡(luò)的局部區(qū)域，通過對關(guān)鍵結(jié)構(gòu)進(jìn)行監(jiān)控的方法容易存在滯后和遺漏。除了文本形式，網(wǎng)絡(luò)輿情也經(jīng)常以視頻、圖片、聲音等非文本形式存在，基于語義信息的方法無法準(zhǔn)確提煉輿情特征，深度學(xué)習(xí)是近年比較熱門的研究方法，將其與情感分析的研究方法相結(jié)合，可有效提升模型獲取信息、挖掘特征的性能。

4 結(jié)語

近年來，國內(nèi)外網(wǎng)絡(luò)輿情相關(guān)的研究成果主要分為基礎(chǔ)理論、支持技術(shù)和應(yīng)用研究三個層次，所分析的領(lǐng)域已經(jīng)從在線產(chǎn)品評論轉(zhuǎn)向社交媒體文本。除產(chǎn)品評論之外，情感分析的應(yīng)用已經(jīng)拓展到了股票市場、選舉、災(zāi)難、醫(yī)學(xué)、政治和企業(yè)等領(lǐng)域。本文對情感視角下的網(wǎng)絡(luò)輿情情感分類、情感演化、情感預(yù)測和輿情治理四個方面的相關(guān)文獻(xiàn)進(jìn)行了統(tǒng)計分析、歸納和對比，并對未來研究方向作出如下展望：

（1）多方法融合下的情感分類研究

情感分類是情感分析的重要基礎(chǔ)，傳統(tǒng)的方法主要基于情感詞典和機(jī)器學(xué)習(xí)方法，由于語言的多樣性和復(fù)雜性，不同語言在不同領(lǐng)域中的情感表達(dá)可能有所差異，因此構(gòu)建高效的通用情感詞典和情感分析模型是未來的一個研究方向。此外深度學(xué)習(xí)方法也被逐漸應(yīng)用于情感分類領(lǐng)域，該方法的優(yōu)勢在于不依賴人工定義特征，可以實(shí)現(xiàn)端到端的自主學(xué)習(xí)，但其訓(xùn)練時間久、解釋性差等缺點(diǎn)也非常明顯。最近兩年出現(xiàn)的圖神經(jīng)網(wǎng)絡(luò)是從卷積神經(jīng)網(wǎng)絡(luò)拓展而來的一種新型神經(jīng)網(wǎng)絡(luò)，在反映實(shí)體及其之間的關(guān)聯(lián)性方面展現(xiàn)出了巨大的潛力，圖神經(jīng)網(wǎng)絡(luò)方法的可推理性和高解釋性的特點(diǎn)彌補(bǔ)了傳統(tǒng)深度學(xué)習(xí)方法的局限，可以較好地捕獲單詞之間的依賴關(guān)系，提升方面級情感分類性能，在今后的研究中將圖神經(jīng)網(wǎng)絡(luò)模型用于情感分析是非常值得探索的方向。

（2）多重信息載體下的輿情情感研究

目前，國內(nèi)外的網(wǎng)絡(luò)輿情情感研究主要通過對社交媒體中的文本信息進(jìn)行情感挖掘與分析，隨著互聯(lián)網(wǎng)逐漸向移動社交化轉(zhuǎn)變，圖片和視頻等載體因綜合了畫面、色彩、文字等特征成為網(wǎng)民表達(dá)情感的新形式。相較于單模態(tài)信息，多模態(tài)信息情感表達(dá)更加豐富與復(fù)雜，多模態(tài)情感分析也具有更高的準(zhǔn)確性和穩(wěn)定性。目前，多模態(tài)情感分析研究主要包括三種方法：特征級融合、決策級融合和混合融合。雖然已經(jīng)有學(xué)者對圖片和視頻的情感信息進(jìn)行了相關(guān)研究并取得了不錯的進(jìn)展，但如何將這種新載體的情感分析應(yīng)用到網(wǎng)絡(luò)輿情領(lǐng)域，以及在對網(wǎng)絡(luò)輿情情感分析時如何根據(jù)模態(tài)的不同選擇適當(dāng)?shù)哪B(tài)融合方法，將是未來學(xué)者們需要研究的問題。

（3）多角度集成視域下的輿情預(yù)測研究

網(wǎng)絡(luò)輿情的預(yù)測方法普遍基于統(tǒng)計學(xué)、社會學(xué)、信息傳播學(xué)和人工智能等學(xué)科，通過分析網(wǎng)絡(luò)輿情在不同階段下的差異時序特征以及量化傳播過程中用戶的情感極性實(shí)現(xiàn)網(wǎng)絡(luò)輿情的演變趨勢預(yù)測，該過程是一種時空序列預(yù)測[74]，即根據(jù)已獲取的歷史數(shù)據(jù)來預(yù)測未來某個時刻的時空變量值。目前除了從情感角度對網(wǎng)絡(luò)輿情波動情況進(jìn)行研究，還應(yīng)充分考慮輿情數(shù)據(jù)中存在的隱藏信息、關(guān)聯(lián)關(guān)系以及網(wǎng)民的認(rèn)知能力等因素，隨著深度學(xué)習(xí)技術(shù)的蓬勃發(fā)展，如何利用深度學(xué)習(xí)挖掘輿情數(shù)據(jù)中的隱含特征、提高輿情預(yù)測的精確度、解決“數(shù)據(jù)過剩，信息匱乏”的困境是未來需要努力的方向。

（4）多元主體協(xié)同下的輿情治理研究

網(wǎng)絡(luò)輿情治理是政府職能的重要組成部分，對網(wǎng)絡(luò)輿情及時準(zhǔn)確的治理可以有效降低其產(chǎn)生社會風(fēng)險的可能性。有學(xué)者針對傳統(tǒng)治理模式下的政府信息公開不透明、政府“一元主體”等問題提出了相應(yīng)的改進(jìn)建議，但由于網(wǎng)絡(luò)輿情的影響因素具有多樣性特征，未來我們還要根據(jù)多主體、多平臺、多形式的特點(diǎn)實(shí)施有針對性的策略，綜合運(yùn)用政府輿情治理能力和線下各主體的協(xié)同治理能力，有效應(yīng)對網(wǎng)絡(luò)輿情治理過程中出現(xiàn)的次生風(fēng)險，構(gòu)建政府主導(dǎo)下的多主體協(xié)同的網(wǎng)絡(luò)輿情治理模式、治理環(huán)境和治理機(jī)制。

作者貢獻(xiàn)說明

史偉：提出整體研究思路和框架；

薛廣聰：論文起草及修改；

何紹義：論文最終版本修訂。

支撐數(shù)據(jù)

支撐數(shù)據(jù)由作者自存儲，Email:xgc735570365@163.com。

1、史偉，薛廣聰.Research data of network public opinion and emotion.txt.網(wǎng)絡(luò)輿情情感研究數(shù)據(jù).