Please wait a minute...
Advanced Search
数据分析与知识发现
  本期目录 | 过刊浏览 | 高级检索 |
基于情感分析的微博热点话题用户群体划分模型
张梦瑶,朱广丽,张顺香,张标
(安徽理工大学计算机科学与工程学院 淮南市  232001)
A User Group Classification Model Based on Sentiment Analysis under Microblog Hot Topics
Zhang Mengyao,Zhu Guangli,Zhang Shunxiang,Zhang Biao
(Computer Science and Engineering, Anhui University of Science & technology, Huainan 232001)
全文: PDF (629 KB)  
输出: BibTeX | EndNote (RIS)      
摘要 

[目的]提出一种用于划分微博热点话题下用户群体的模型。[方法]从情感分析的角度入手,采用情感词典的方法计算用户文本情感值,并将文本情感值与用户文本向量表达相结合构建用户观点情感特征,利用K-means方法划分用户群体。[结果]本文提出的话题下用户群体划分模型将用户分为3类,评价指标CA的值为78.2%。[局限]该模型在划分用户群体时需要首先确定类别数。[结论]根据研究结果能看出本文构建模型和选取特征的有效性,划分用户群体的精度高,能很好的将有相同情感观点的用户聚在一类。

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
关键词 微博情感分析词典聚类用户群体划分     
Abstract

[Objective] The model is used to divide the user groups under the hot topics of Weibo.[Methods] Starting from the perspective of sentiment analysis, the sentiment dictionary method is used to calculate the value of users’s text sentiment. the text sentiment value has been combined with user text vector expression to construct the user's opinion sentiment characteristics. Then, the user's opinion sentiment characteristics have been used to divide user groups by the K-means method.[Results] The user group classification model proposed in this paper divides users into 3 categories, and the value of the evaluation index CA is 78.2%.[Limitations] The model needs to first determine the number of categories when dividing user groups.[Conclusions] The model constructed in this paper was effective. Users with the same sentimental views can be gathered together by classify model proposed in this paper.

Key words Microblog    Sentiment Analysis    Dictionary    Clustering    User group Classification
     出版日期: 2020-12-15
ZTFLH:  TP393  
  G250  
引用本文:   
张梦瑶, 朱广丽, 张顺香, 张标. 基于情感分析的微博热点话题用户群体划分模型 [J]. 数据分析与知识发现, 10.11925/infotech.2096-3467.2020.1059.
Zhang Mengyao, Zhu Guangli, Zhang Shunxiang, Zhang Biao. A User Group Classification Model Based on Sentiment Analysis under Microblog Hot Topics . Data Analysis and Knowledge Discovery, 0, (): 1-.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2020.1059      或      http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y0/V/I/1
[1] 邬金鸣,侯跃芳,崔雷. 基于医学主题词标引规则的词共现聚类分析结果自动判读和表达的研究[J]. 数据分析与知识发现, 2020, 4(9): 133-144.
[2] 温萍梅,叶志炜,丁文健,刘颖,徐健. 命名实体消歧研究进展综述*[J]. 数据分析与知识发现, 2020, 4(9): 15-25.
[3] 席运江, 杜蝶蝶, 廖晓, 仉学红. 基于超网络的企业微博用户聚类研究及特征分析*[J]. 数据分析与知识发现, 2020, 4(8): 107-118.
[4] 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.
[5] 邱尔丽,何鸿魏,易成岐,李慧颖. 基于字符级CNN技术的公共政策网民支持度研究 *[J]. 数据分析与知识发现, 2020, 4(7): 28-37.
[6] 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.
[7] 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.
[8] 杨旭,钱晓东. 基于改进的Vicsek模型的社会网络同步聚类算法*[J]. 数据分析与知识发现, 2020, 4(4): 119-128.
[9] 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.
[10] 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.
[11] 梁艳平,安璐,刘静. 同类突发公共卫生事件微博话题共振研究*[J]. 数据分析与知识发现, 2020, 4(2/3): 122-133.
[12] 徐月梅,刘韫文,蔡连侨. 基于深度融合特征的政务微博转发规模预测模型*[J]. 数据分析与知识发现, 2020, 4(2/3): 18-28.
[13] 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.
[14] 熊回香,李晓敏,李跃艳. 基于图书评论属性挖掘的群组推荐研究*[J]. 数据分析与知识发现, 2020, 4(2/3): 214-222.
[15] 彭郴,吕学强,孙宁,张乐,姜肇财,宋黎. 基于CNN的消费品缺陷领域词典构建方法研究*[J]. 数据分析与知识发现, 2020, 4(11): 112-120.
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