Please wait a minute...
Advanced Search
数据分析与知识发现  2018, Vol. 2 Issue (5): 77-87     https://doi.org/10.11925/infotech.2096-3467.2017.1316
  应用论文 本期目录 | 过刊浏览 | 高级检索 |
网络评论情感可视化技术方法及工具研究*
杨斯楠1, 徐健1(), 叶萍萍2
1中山大学资讯管理学院 广州 510006
2深圳乐信控股有限公司 深圳 518000
Review of Online Sentiment Visualization Techniques
Yang Sinan1, Xu Jian1(), Ye Pingping2
1 School of Information Management, Sun Yat-Sen University, Guangzhou 510006, China
2 Shenzhen LEXIN Holdings Limited, Shenzhen 518000, China
全文: PDF (6510 KB)   HTML ( 2
输出: BibTeX | EndNote (RIS)      
摘要 

【目的】 总结分析当前网络评论情感可视化的主要技术方法及其工具, 探讨其发展的主要趋势。【方法】 在对近年相关文献进行调研的基础上, 根据网络评论情感分析可视化技术方法的特点, 进行归纳总结; 从交互性和定制特征, 对可视化工具进行分类和应用特点分析。【结果】 将网络评论情感可视化技术方法归纳为: 基于文本内容的情感可视化、基于时空的情感可视化和基于文本主题的情感可视化。将可视化工具总结为静态、交互式以及支持编程三种类型。【结论】 本文对网络评论情感可视化技术方法及其工具进行归纳、总结和分类, 阐述了网络评论情感可视化发展的三个主要趋势, 以期为情感可视化和相关研究及可视化工具的选择提供参考。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
杨斯楠
徐健
叶萍萍
关键词 情感可视化情感分析可视化工具    
Abstract

[Objective] The paper reviews the main techniques for sentiment analysis of online reviews, and then discusses their major development trends. [Methods] First, we surveyed relevant scientific literature on sentiment analysis of web reviews published in recent years. Then, we summarized the characteristics of visualization methods and analyzed features of visualization tools. [Results] We could visualize the sentiment of web reviews from the perspectives of contents, space-time, and topics. The visualization tools include static, interactive and programming ones. [Conclusions] This paper reviews the major methods and tools for online contents visualization and indicates three major development trends. It could promote the progress of future research and new visualization tools.

Key wordsSentiment Visualization    Sentiment Analysis    Visualization Tools
收稿日期: 2017-12-25      出版日期: 2018-06-20
ZTFLH:  G350  
基金资助:*本文系国家社会科学基金项目“用户评论情感分析及其在竞争情报服务中的应用研究”(项目编号: 11CTQ022)的研究成果之一
引用本文:   
杨斯楠, 徐健, 叶萍萍. 网络评论情感可视化技术方法及工具研究*[J]. 数据分析与知识发现, 2018, 2(5): 77-87.
Yang Sinan,Xu Jian,Ye Pingping. Review of Online Sentiment Visualization Techniques. Data Analysis and Knowledge Discovery, 2018, 2(5): 77-87.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2017.1316      或      http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2018/V2/I5/77
  网络评论情感可视化过程模型图
分类 数据模型 可视化技术
词汇层次 词袋、N-Gram、
词频向量
词云图、散点图、气泡图、雷达图等
句法层次 树图模型 单词树图、网络图
语义层次 面向网络数据模型 TextFlow[10]、网络图
多面实体关系数据模型 桑基图、主题河流图、
IN-SPIRE[11]
  不同数据模型的情感可视化呈现技术选择总结
  iPhone6商品评论正负情感词对比词云图
  iPhone6用户商品特征属性的气泡图
  “占领华尔街”运动期间Twitter网站上 主题竞争可视化展示
  SentiCompass系统可视化效果
  TextFlow模型可视化效果
  用户情感状态随时间变化的流向图
  iPhone6商品评论正负情感地图
  iPhone6商品属性特征情感分析雷达图
  不同地区用户评论积极情感可视化
数据可视化类别 关键任务 主要特点 相关工具
静态可视化类 进行数据静态呈现, 使数据具有
更强的可读性
快速、图表资源丰富、应用广 Excel、iCharts、Wordle、Tableau、
Visually等
交互式可视化类 实现交互功能, 使数据更加生动 界面与数据融为一体, 同步更新 Crossfilter、D3、Prefuse、EChart、
Many Eyes等
支持编程可视化类 处理大规模数据 同时满足数据分析和可视化需求 Weka、R、Processing、Google Chart、
iCharts[38]
  不同类别的网络评论情感可视化工具的特点总结
  2014年世界杯第一个进球时Twitter数据SentenTree可视化效果图
  PEARL可视化效果展示
  MiNPAC “Community Pulse Dashboard”系统社交情感主题监测可视化效果
[1] 任磊, 杜一, 马帅, 等. 大数据可视分析综述[J]. 软件学报, 2014, 25(9): 1909-1936.
doi: 10.13328/j.cnki.jos.004645
[1] (Ren Lei, Du Yi, Ma Shuai, et al.Visual Analytics Towards Big Data[J]. Journal of Software, 2014, 25(9): 1909-1936.)
doi: 10.13328/j.cnki.jos.004645
[2] 杜嘉忠, 徐健, 刘颖. 网络商品评论的特征—情感词本体构建与情感分析方法研究[J]. 现代图书情报技术, 2014(5): 74-82.
[2] (Du Jiazhong, Xu Jian, Liu Ying.Research on Construction of Feature-Sentiment Ontology and Sentiment Analysis[J]. New Technology of Library and Information Service, 2014(5): 74-82.)
[3] 程翠琼, 徐健. 面向网络游记时间特征的情感分析模型[J]. 数据分析与知识发现, 2017, 1(2): 87-95.
[3] (Cheng Cuiqiong, Xu Jian.A Sentiment Analysis Model Based on Temporal Characteristics of Travel Blogs[J]. Data Analysis and Knowledge Discovery, 2017, 1(2): 87-95.)
[4] 李涵昱, 钱力, 周鹏飞. 面向商品评论文本的情感分析与挖掘[J]. 情报科学, 2017, 35(1): 51-55.
[4] (Li Hanyu, Qian Li, Zhou Pengfei.Sentiment Analysis and Mining of Product Reviews[J]. Information Science, 2017, 35(1): 51-55.)
[5] 郑飏飏, 徐健, 肖卓. 情感分析及可视化方法在网络视频弹幕数据分析中的应用[J]. 现代图书情报技术, 2015(11): 82-90.
[5] (Zheng Yangyang, Xu Jian, Xiao Zhuo.Utilization of Sentiment Analysis and Visualization in Online Video Bullet-screen Comments[J]. New Technology of Library and Information Service, 2015(11): 82-90.)
[6] 朱琳琳, 徐健.网络评论情感分析关键技术及应用研究[J]. 情报理论与实践, 2017, 40(1): 121-126.
[6] (Zhu Linlin, Xu Jian.Research on the Key Technologies and Applications of Sentimental Analysis in Network Review[J]. Information Studies: Theory & Application, 2017, 40(1): 121-126.)
[7] 杜贺, 於志文, 王志涛.微博情感可视化系统[J].中国科技论文, 2014, 9(10): 1144-1148.
[7] (Du He, Yu Zhiwen, Wang Zhitao.Visualization System of Microblog Sentiment[J]. China Science Paper, 2014, 9(10): 1144-1148.)
[8] Cao N, Cui W.Introduction to Text Visualization[M]. Atlantics Press, 2016: 41-48.
[9] Bag of Words [EB/OL]. [2017-12-13]..
[10] Cui W, Liu S, Tan L, et al.TextFlow: Towards Better Understanding of Evolving Topics in Text[J]. IEEE Transactions on Visualization & Computer Graphics, 2011, 17(12): 2412-2421.
doi: 10.1109/TVCG.2011.239 pmid: 22034362
[11] IN-SPIRETM Visual Document Analysis [EB/OL]. [2017-10- 31]. .
[12] Dave K, Lawrence S, Pennock D M.Mining the Peanut Gallery: Opinion Extraction and Semantic Classification of Product Reviews[C]// Proceedings of International Conference on World Wide Web. ACM, 2003: 519-528.
[13] Hu M, Liu B.Mining and Summarizing Customer Reviews[C]// Proceedings of the 10th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Seattle, Washington, USA. 2004: 168-177.
[14] Hao M, Rohrdandz C, Janetzko H, et al.Visual Sentiment Analysis on Twitter Data Streams[C]// Proceedings of the 2011 IEEE Conference on Visual Analytics Science and Technology. 2011: 277-278.
[15] Golder S A, Macy M W.Diurnal and Seasonal Mood Vary with Work, Sleep, and Daylength Across Diverse Cultures[J]. Science, 2011, 333(6051): 1878-1881.
doi: 10.1126/science.1202775
[16] Wang F Y, Sallaberry A, Klein K, et al.SentiCompass: Interactive Visualization for Exploring and Comparing the Sentiments of Time-varying Twitter Data[C]// Proceedings of the Visualization Symposium. IEEE, 2015: 129-133.
[17] Xu P, Wu Y, Wei E, et al.Visual Analysis of Topic Competition on Social Media[J]. IEEE Transactions on Visualization & Computer Graphics, 2013, 19(12): 2012-2021.
[18] Zhao J, Gou L, Wang F, et al.PERAL: An Interactiv Visual Anlytic Tool for Understanding Personal Emotion Style Derived from Social Media[C]// Proceedings of the 2014 IEEE Conference on Visual Analytics Science and Technology. IEEE, 2015: 203-212.
[19] 赵琦, 张智雄, 孙坦.文本可视化及其主要技术方法研究[J]. 现代图书情报技术, 2008(8): 24-30.
doi: 10.3969/j.issn.1003-3513.2008.08.005
[19] (Zhao Qi, Zhang Zhixiong, Sun Tan.A Research on the Methodological of Text Visualization[J]. New Technology of Library and Information Service, 2008(8): 24-30.)
doi: 10.3969/j.issn.1003-3513.2008.08.005
[20] Tbleau [EB/OL]. [2017-10-31]..
[21] 郭传斌, 刘琦岩, 赵婧, 等.情报学视角下的文本可视化应用[J]. 情报工程, 2017, 3(4): 48-61.
doi: 10.3772/j.issn.2095-915x.2017.04.007
[21] (Guo Chuanbin, Liu Qiyan, Zhao Jing, et al.Study on Text Visualization from the Information Science Perspective[J]. Technology Intelligence Engineering, 2017, 3(4): 48-61.)
doi: 10.3772/j.issn.2095-915x.2017.04.007
[22] Sankey Diagram [EB/OL]. [2017-12-14]..
[23] BDP [EB/OL]. [2017-12-14]..
[24] The R Project for Statistical Computing [EB/OL]. [2017- 10-31]..
[25] Cao N, Lin Y R, Sun X, et al.Whisper: Tracing the Spatiotemporal Process of Information Diffusion in Real Time[J]. IEEE Transactions on Visualization & Computer Graphics, 2012, 18(12): 2649-2658.
[26] Mislove A, Lehmann S, Ahn Y-Y, et al. Pulse of the Nation: U.S. Mood Throughout the Day Inferred from Twitter [EB/OL]. [2017-10-31]. .
[27] Excel [EB/OL]. [2017-10-31]. .
[28] Wordle [EB/OL]. [2017-10-31]. .
[29] Visually Content Marketing for Brands [EB/OL]. [2017-10-31]. .
[30] Crossfilter [EB/OL]. [2017-10-31]..
[31] Prefuse [EB/OL]. [2017-10-31]. .
[32] D3 [EB/OL]. [2017-10-31]. .
[33] EChart[EB/OL].[2017-10-31].// .
[34] Google Chart [EB/OL]. [2017-10-31]..
[35] Weka3 Data Mining Software in Java [EB/OL]. [2017-10-31]. .
[36] Processing [EB/OL]. [2017-10-31]..
[37] Many Eyes [EB/OL]. [2017-10-31]. .
[38] iCharts[EB/OL].[2017-10-31]. .
[39] Cui W, Wu Y, Liu S, et al.Context-Preserving, Dynamic Word Cloud Visualization[J]. IEEE Computer Graphics & Applications, 2010, 30(6): 42-53.
[40] Hu M, Wongsuphasawat K, Stasko J.Visualizing Social Media Content with SentenTree[J]. IEEE Transactions on Visualization & Computer Graphics, 2017, 23(1): 621-630.
doi: 10.1109/TVCG.2016.2598590 pmid: 27875177
[41] Cao N, Lu L, Lin Y R, et al.SocialHelix: Visual Analysis of Sentiment Divergence in Social Media[J]. Journal of Visualization, 2015, 18(2): 221-235.
doi: 10.1007/s12650-014-0246-x
[42] Joseph K, Wintoki M B, Zhang Z.Forecasting Abnormal Stock Returns and Trading Volume Using Investor Sentiment: Evidence from Online Search[J]. International Journal of Forecasting, 2011, 27(4): 1116-1127.
doi: 10.1016/j.ijforecast.2010.11.001
[43] Lampos V, Cristianini N.Tracking the Flu Pandemic by Monitoring the Social Web[C]// Proceedings of the 2nd International Workshop on Cognitive Information Processing. IEEE, 2010: 411-416.
[44] El-Assady M, Gold V, Acevedo C, et al.ConToVi: Multi‐Party Conversation Exploration Using Topic-Space Views[J]. Computer Graphics Forum, 2016, 35(3): 431-440.
doi: 10.1111/cgf.12919
[45] Kase S E, Roy H E, Bowman E K, et al.Visualizing Host-Nation Sentiment at the Tactical Edge[C]// Proceedings of the 19th International Command and Control Research and Technology Symposium. 2014.
[1] 徐红霞,于倩倩,钱力. 基于主题模型和情感分析的话题交互数据观点对抗性分析 *[J]. 数据分析与知识发现, 2020, 4(7): 110-117.
[2] 姜霖,张麒麟. 基于引文细粒度情感量化的学术评价研究*[J]. 数据分析与知识发现, 2020, 4(6): 129-138.
[3] 石磊,王毅,成颖,魏瑞斌. 自然语言处理中的注意力机制研究综述*[J]. 数据分析与知识发现, 2020, 4(5): 1-14.
[4] 李铁军,颜端武,杨雄飞. 基于情感加权关联规则的微博推荐研究*[J]. 数据分析与知识发现, 2020, 4(4): 27-33.
[5] 沈卓,李艳. 基于PreLM-FT细粒度情感分析的餐饮业用户评论挖掘[J]. 数据分析与知识发现, 2020, 4(4): 63-71.
[6] 薛福亮,刘丽芳. 一种基于CRF与ATAE-LSTM的细粒度情感分析方法*[J]. 数据分析与知识发现, 2020, 4(2/3): 207-213.
[7] 谭荧,张进,夏立新. 社交媒体情境下的情感分析研究综述[J]. 数据分析与知识发现, 2020, 4(1): 1-11.
[8] 聂卉,何欢. 引入词向量的隐性特征识别研究*[J]. 数据分析与知识发现, 2020, 4(1): 99-110.
[9] 岑咏华,谭志浩,吴承尧. 财经媒介信息对股票市场的影响研究: 基于情感分析的实证 *[J]. 数据分析与知识发现, 2019, 3(9): 98-114.
[10] 卢伟聪,徐健. 基于三分网络的网络用户评论情感分析 *[J]. 数据分析与知识发现, 2019, 3(8): 10-20.
[11] 尤众喜,华薇娜,潘雪莲. 中文分词器对图书评论和情感词典匹配程度的影响 *[J]. 数据分析与知识发现, 2019, 3(7): 23-33.
[12] 蒋翠清,郭轶博,刘尧. 基于中文社交媒体文本的领域情感词典构建方法研究*[J]. 数据分析与知识发现, 2019, 3(2): 98-107.
[13] 余本功,张培行,许庆堂. 基于F-BiGRU情感分析的产品选择方法*[J]. 数据分析与知识发现, 2018, 2(9): 22-30.
[14] 曾子明,杨倩雯. 基于LDA和AdaBoost多特征组合的微博情感分析*[J]. 数据分析与知识发现, 2018, 2(8): 51-59.
[15] 王秀芳,盛姝,路燕. 一种基于话题聚类及情感强度的微博舆情分析模型*[J]. 数据分析与知识发现, 2018, 2(6): 37-47.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn