基于Vent数据集的情绪感染实证研究

发布时间：2023-03-23 04:13

　　随着互联网技术的不断发展,人们日常交流方式也一定程度上发生了转变。更多的人开始尝试使用网络聊天软件作为社交媒体进行新一轮的交友。然而,互联网技术虽然拓宽了当下群体的交流方式,但也一定程度由于快速的信息传播,与之伴随一定程度上的各类情绪传播。互联网技术的快节奏交友方式,也将其伴随的情绪推广速度加快,从而特别容易造成网民的群体情绪。再众多的群体情绪中,负面情绪的影响最为显著,若不能做到及时地发现,并对其加以控制,必将会对社会造成一定程度上的危害,更有可能引发一定的群体性问题,甚至衍生成次生社会问题。针对网络情绪感染造成影响较为严重,且存在较为普及。本文选取了Vent数据集作为此次情绪感染的研究对象。因为Vent这款半匿名社交平台上用户是匿名发布个人情绪的,收集的数据真实性较高,针对性较强,该数据集是公开数据集且数据完整,满足个性化分析需求。接着介绍了处理Vent数据集的基本方法;然后,对数据集进行预处理,查看常用情绪类别,建立用户网络结构图与用户活跃度图。通过用户网络图可以发现少数用户拥有大量好友,大部分用户拥有少量好友,好友网络具有稀疏性。从关联性分析的角度,运用统计计量的方法将Vent...

【文章页数】：84 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 引言
    1.1 研究背景
    1.2 研究意义
        1.2.1 理论意义
        1.2.2 实际意义
    1.3 研究内容和方法
        1.3.1 研究内容
        1.3.2 研究方法
    1.4 研究现状
        1.4.1 国外研究
        1.4.2 国内研究
        1.4.3 研究现状评述
    1.5 论文结构和创新点
        1.5.1 论文结构
        1.5.2 创新点
2 处理Vent数据集情绪感染分类的基本方法
    2.1 deepwalk算法
    2.2 支持向量机
    2.3 逻辑回归预测模型
    2.4 随机森林预测模型
    2.5 本章小结
3 Vent数据集介绍及预处理
    3.1 数据集介绍
    3.2 实验环境
    3.3 Vent数据集预处理
    3.4 Vent用户网络结构
        3.4.1 Vent用户活跃度
        3.4.2 Vent用户网络关系
    3.5 度分布
    3.6 本章小结
4 Vent中情绪感染与事件关联性分析
    4.1 关联性分析流程
    4.2 新闻事件数据采集及预处理
    4.3 共现知识图谱分析
    4.4 关联性分析
    4.5 本章小结
5 Vent中的情绪感染及模型分析
    5.1 实证流程图
    5.2 数据处理
    5.3 模型指标
    5.4 模型对比
    5.5 基于支持向量机的情绪感染研究
    5.6 本章小结
6 结论以及展望
    6.1 结论
    6.2 展望
参考文献
附录A 数据集整理
附录B 度分布
附录C 数据集预处理
附录D 参数筛选
附录E deepwalk处理数据
附录F 逻辑回归
附录G 随机森林
附录H 支持向量机
附录I Snow NLP情感分词
附录J 共现矩阵
附录K 国外新闻情感分布图
附录L 用户负面情绪感染比率图



本文编号：3768257