蔣知義 馬王榮 鄒凱 李黎

〔摘 要〕[目的/意義]旨在通過(guò)對(duì)網(wǎng)絡(luò)輿情進(jìn)行情感傾向分析和輿情追蹤，為政府有效掌控網(wǎng)絡(luò)輿情突發(fā)事件提供理論基礎(chǔ)與決策支持。[方法/過(guò)程]以“羅一笑”事件為例，在建立加入特定事件語(yǔ)料情感分類詞典和構(gòu)建情感傾向分析模型的基礎(chǔ)上，統(tǒng)計(jì)該事件微博文本的情感性強(qiáng)度和情感類型，從而劃分網(wǎng)絡(luò)輿情演化階段。[結(jié)果/結(jié)論]揭示了輿情演化各階段的特征與規(guī)律，據(jù)此提出引導(dǎo)網(wǎng)絡(luò)輿情情感演化的相關(guān)建議。

〔關(guān)鍵詞〕網(wǎng)絡(luò)輿情；情感傾向性分析；情感分類；情感演化

DOI：10.3969/j.issn.1008-0821.2018.04.007

〔中圖分類號(hào)〕C931.2；G203 〔文獻(xiàn)標(biāo)識(shí)碼〕A 〔文章編號(hào)〕1008-0821（2018）04-0050-08

〔Abstract〕[Purpose/Significance]The purpose of this study was to provide a theoretical basis and decision-making support for the government to effectively control network public opinion emergencies through the analysis of emotional tendency and public opinion tracking of network public opinion.[Method/Process]Taking“LuoYixiao”idcident as an example，tased on the establishment of adding specific event corpus emotion classification dictionary and constructed sentiment analysis model，calculated the text emotional intensity and emotion type of microblog，thus divided the network public opinion evolution stage.[Result/Conclusion]Revealed the characteristics and laws of the evolution of public opinion at all stages and suggestions were proposed to guide the evolution of emotion in network public opinion.

〔Key words〕network public opinion；sentiment orientation；sentiment classification；sentiment evolution

第39次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示，截至2016年12月，我國(guó)網(wǎng)名數(shù)量已突破7.31億，相當(dāng)于歐洲人口總量，互聯(lián)網(wǎng)普及率上升至53.2%。隨著社會(huì)性網(wǎng)絡(luò)服務(wù)（Social Networking Services，SNS）的廣泛應(yīng)用和即時(shí)通訊功能的日益豐富，“兩微一端”等社交媒體逐漸成為網(wǎng)絡(luò)輿情傳播的主要媒介。網(wǎng)絡(luò)輿情是網(wǎng)民通過(guò)互聯(lián)網(wǎng)平臺(tái)表達(dá)自己對(duì)社會(huì)發(fā)生的熱點(diǎn)事件所持有的不同看法，是網(wǎng)民態(tài)度、認(rèn)知、行為和情感傾向的集合[1]。而情感傾向則是網(wǎng)絡(luò)輿情的風(fēng)向標(biāo)，展現(xiàn)網(wǎng)民對(duì)某一事件所持的態(tài)度和情感趨勢(shì)，是社會(huì)各階層意見(jiàn)和態(tài)度的真實(shí)反映，這些情感信息影響著網(wǎng)絡(luò)輿論的走向，若缺乏對(duì)輿論走向的正確引導(dǎo)，將可能引發(fā)極端情緒的蔓延，進(jìn)而導(dǎo)致群體極化現(xiàn)象。故而有必要對(duì)網(wǎng)絡(luò)輿情事件展開深入的文本挖掘和情感傾向分析，探索情感演化的特征和規(guī)律，從而為政府相關(guān)部門有效監(jiān)管網(wǎng)絡(luò)輿情、維護(hù)社會(huì)穩(wěn)定提供理論支持。

國(guó)內(nèi)外學(xué)者在網(wǎng)絡(luò)輿情情感演化方面均展開了相關(guān)研究。Patricia Moy等[2]認(rèn)為，對(duì)突發(fā)事件網(wǎng)絡(luò)輿情的應(yīng)對(duì)措施和引導(dǎo)處理不當(dāng)，會(huì)引發(fā)更大范圍事件的產(chǎn)生。Lavrenko V等[3]從技術(shù)層面的角度，指出對(duì)網(wǎng)絡(luò)輿情的監(jiān)管應(yīng)包括最初對(duì)事件的識(shí)別以及該事件后續(xù)相關(guān)報(bào)道的話題檢測(cè)與追蹤。Mceoy[4]將美國(guó)“黑色聯(lián)盟”作為案例，分析了“新聞修復(fù)”的權(quán)威地位。王子文等[5]認(rèn)為輿情演化的內(nèi)在動(dòng)力取決于“網(wǎng)絡(luò)推手”的利益機(jī)制。唐超[6]的研究結(jié)果表明，網(wǎng)絡(luò)情緒是輿情演化的重要因素，并在此基礎(chǔ)上提出了網(wǎng)絡(luò)輿情的情緒演化規(guī)律。柳軍等[7]將研究視角鎖定為輿情傳播的微內(nèi)容，認(rèn)為網(wǎng)絡(luò)輿情演化符合“馬太效應(yīng)”和“群體極化”規(guī)律。國(guó)內(nèi)外現(xiàn)有研究成果主要集中于網(wǎng)絡(luò)輿情情感演化的理論研究和技術(shù)探索，基于典型案例的實(shí)證研究及情感引導(dǎo)策略分析的研究成果較少。因此，本文通過(guò)文本挖掘和建立情感詞典，再結(jié)合情感傾向分析模型對(duì)“羅一笑”事件的演化規(guī)律進(jìn)行實(shí)證分析，從情感角度對(duì)該研究領(lǐng)域進(jìn)行有效補(bǔ)充。

1 相關(guān)理論與技術(shù)

1.1 情感分析

情感分析（Sentiment Analysis），也稱為傾向性分析，是指采用自動(dòng)化或半自動(dòng)化手段對(duì)基于微博、論壇等在線社交網(wǎng)絡(luò)產(chǎn)生的主觀評(píng)論文本內(nèi)容進(jìn)行分析、處理、歸納和推導(dǎo)，從中挖掘出用戶（個(gè)人或群體、組織等）針對(duì)主題、人物、事件等表達(dá)的評(píng)論、觀點(diǎn)和意見(jiàn)的過(guò)程[8]。情感傾向性分析的主要對(duì)象是網(wǎng)民自主發(fā)布的與網(wǎng)絡(luò)輿情事件相關(guān)的文本。

1.2 文本挖掘

文本挖掘（Text Mining）是指對(duì)半結(jié)構(gòu)化或非結(jié)構(gòu)化的自然語(yǔ)言文本進(jìn)行處理并采用一定的技術(shù)從中發(fā)現(xiàn)和提取特定信息的過(guò)程。如圖1所示，首先通過(guò)對(duì)網(wǎng)絡(luò)文本資源的收集建立文本集合，再運(yùn)用文本預(yù)處理、特征提取以及數(shù)據(jù)挖掘的方法，對(duì)文本集合進(jìn)行處理，進(jìn)而獲取用戶所需的特定信息。

1.3 文本預(yù)處理

文本預(yù)處理是文本挖掘的主要環(huán)節(jié)之一，主要包括對(duì)原始文本集合進(jìn)行去噪處理[9]、中文分詞、去停用詞、詞性選擇等一系列流程（見(jiàn)圖2），本文通過(guò)ROST CM文本挖掘軟件對(duì)預(yù)處理后的微博數(shù)據(jù)進(jìn)行情感分析。

1.4 特征提取

2 情感傾向分析模型構(gòu)建

情感傾向判斷的目的是對(duì)主觀性文本內(nèi)容進(jìn)行情感類別的判定，因此構(gòu)建情感分類詞表對(duì)于情感傾向分析的意義不言而喻。首先通過(guò)情感詞表找到與之相匹配的情感詞，進(jìn)而根據(jù)情感詞的值計(jì)算出每個(gè)句子的情感極性值，而整個(gè)文本的情感傾向就是所有句子情感值的整合。在通過(guò)情感詞表進(jìn)行文本情感傾向的同時(shí)，還應(yīng)當(dāng)考慮否定或程度修飾副詞、句型等對(duì)文本情感極性的影響。

2.1 基于特定事件情感詞表構(gòu)建

為保證詞表的全面性和準(zhǔn)確性，本文基于公開情感詞表，并結(jié)合“羅一笑”事件語(yǔ)料庫(kù)提取的情感詞，形成最終的擴(kuò)展情感詞表。

首先，通過(guò)八爪魚數(shù)據(jù)采集器搜集與該事件相關(guān)的75 483條微博文本作為數(shù)據(jù)源，采集時(shí)間自2016年11月29日0時(shí)始至2016年12月31日24時(shí)止。其次，對(duì)數(shù)據(jù)進(jìn)行初步處理，即去重、去空和去廣告等操作，得到有效微博數(shù)據(jù)74 025條。最后，通過(guò)分詞處理，將提取的情感詞與知網(wǎng)HowNet、大連理工大學(xué)等情感詞表相結(jié)合，構(gòu)建基于特定事件的情感詞表（見(jiàn)表1）。

2.2 文本情感計(jì)算規(guī)則

3 情感傾向性分析

首先，依據(jù)文本情感計(jì)算規(guī)則，對(duì)74 025條微博文本進(jìn)行情感傾向值的計(jì)算與統(tǒng)計(jì)，進(jìn)而對(duì)其極性進(jìn)行判斷。本文將該事件的微博分為正向微博（情感值大于0）、中性微博（情感值等于0）、負(fù)向微博（情感值小于0）3種。如圖3所示，該事件中，正向微博達(dá)48 093之多，占總量的65%，超過(guò)中性微博（8 271條）和負(fù)向微博（17 661條）之和。由此可知，雖然該事件對(duì)社會(huì)造成了一定的負(fù)面影響，但網(wǎng)民對(duì)此事件的情感傾向較為積極。

其次，根據(jù)微博情感傾向值的大小進(jìn)一步對(duì)微博文本情感極性強(qiáng)度進(jìn)行程度劃分，即一般正向（0，10）、中度正向[10，20）、高度正向[20，+∞）、一般負(fù)向（-10，0）、中度負(fù)向（-20，-10]和高度負(fù)向（-∞，-20]。如圖4所示，“一般”程度微博數(shù)量所占比例最大，任一程度的正向微博數(shù)量均多于負(fù)向微博數(shù)量。

最后，從微觀角度對(duì)網(wǎng)民情感傾向性做時(shí)序分析，如圖5所示，該事件整體雖以正向情感為主，然而負(fù)向情感多次顯現(xiàn)，有時(shí)甚至達(dá)到了高度負(fù)向。

4 網(wǎng)絡(luò)輿情情感演化實(shí)證分析

根據(jù)網(wǎng)絡(luò)輿情事件周期演化理論[10]，對(duì)“羅一笑”事件相關(guān)微博數(shù)據(jù)進(jìn)行時(shí)序統(tǒng)計(jì)（見(jiàn)圖6）。

由此可知，11月30日有關(guān)該事件的微博發(fā)布數(shù)激增，達(dá)43 373條；此后，網(wǎng)民的關(guān)注度逐漸降低，單日微博的發(fā)布數(shù)量一度呈下降趨勢(shì)。具體而言，12月1日的微博發(fā)布數(shù)量較前一日驟降至17 476條，12月2日的微博發(fā)布數(shù)量降至3 414條，自12月3日伊始，每日的微博數(shù)量均低于1 000條，直至12月24日因羅一笑去世的消息，當(dāng)日微博數(shù)量上升至3 364條，然而并沒(méi)有引起爆炸性轟動(dòng)，而是隨著時(shí)間的流逝逐漸淡出網(wǎng)民的視角，最終完全消逝。依據(jù)對(duì)“羅一笑”事件相關(guān)微博發(fā)布數(shù)量的時(shí)序變化統(tǒng)計(jì)，本文將輿情演化過(guò)程分為開始期、爆發(fā)期、發(fā)酵期、消解期和反思期5個(gè)階段（見(jiàn)表2）。

通過(guò)Stata13對(duì)“羅一笑”事件微博情感極性強(qiáng)度的特征統(tǒng)計(jì)可知（見(jiàn)表2），該事件的情感極性均值、標(biāo)準(zhǔn)差、最大值、最小值分別為4.606、16.636、388和-122，數(shù)據(jù)間極性強(qiáng)度差異明顯，高度正向情緒與高度負(fù)向情緒并存，且偏度為1.862，峰度為24.667，具有尖峰和后尾的特征，不符合正態(tài)分布規(guī)律。正是由于網(wǎng)絡(luò)輿情傳播集群行為的特性，致使數(shù)據(jù)間出現(xiàn)極端波動(dòng)。

通過(guò)對(duì)“羅一笑”事件輿情演化各階段情感極性強(qiáng)度及類型的統(tǒng)計(jì)可知（見(jiàn)表3）可知，各演化階段網(wǎng)民對(duì)該事件的情感極性都以正向?yàn)橹?，且正向微博的發(fā)布數(shù)量均高于負(fù)向微博。具體而言，開始期由于微博發(fā)布數(shù)量較少且正向微博居多，因此開始期微博平均情感極性強(qiáng)度高達(dá)21.7，居于各階段頂峰，這一期間，年少重疾的羅一笑成為大家愛(ài)護(hù)、援助的對(duì)象，而“懷疑”情感的浮現(xiàn)則為之后輿情的反轉(zhuǎn)埋下伏筆；從爆發(fā)期到發(fā)酵期這一段時(shí)間，由于羅爾個(gè)人資產(chǎn)的曝光，輿情中充滿了對(duì)羅爾利用女兒病情炒作的批判，微博平均情感強(qiáng)度明顯下降；在羅爾歸還捐款并致歉之后，消解期和反思期的微博平均情感極性強(qiáng)度逐漸回升。總覽整個(gè)事件發(fā)展過(guò)程中情感類型的發(fā)展變化，開始期以“贊揚(yáng)”、“相信”等正向情感為主；在爆發(fā)期到反思期中，“贊揚(yáng)”類的正向情感與“貶責(zé)”作為主體情感并交織出現(xiàn)，但總體上主要以正向情感為主，此外，“悲傷”是輿情演化過(guò)程中網(wǎng)民共有的情感之一。

以上為宏觀層面的“羅一笑”事件網(wǎng)絡(luò)輿情演化過(guò)程分析，下面從微觀層面對(duì)該事件輿情演化各階段進(jìn)行探究。

4.1 開始期情感演化

由表4可知，開始期微博發(fā)布數(shù)量?jī)H17條，包括正向微博11條、負(fù)向微博和中性微博各3條，其中，正向微博情感極性多為高度正向，表明該事件初期，網(wǎng)民的情感較為正向，對(duì)羅一笑祝福、關(guān)愛(ài)的同時(shí)呼吁更多的人施以援手。

從用戶特征的角度來(lái)看，開始期尤其是微博情感極性強(qiáng)度為前5的用戶（見(jiàn)表5），其所在地多為事發(fā)地（深圳），可見(jiàn)該事件網(wǎng)絡(luò)輿情的迅速傳播得益于當(dāng)?shù)孛襟w及當(dāng)事人的宣傳。

4.2 爆發(fā)期情感演化

爆發(fā)期的微博發(fā)布數(shù)量與網(wǎng)民參與量均達(dá)到各階段的頂峰，通過(guò)對(duì)這一階段的微博發(fā)布數(shù)量與平均情感極性強(qiáng)度進(jìn)行時(shí)序變化分析（見(jiàn)圖7）可知：

1）2016年11月30日10～13時(shí)，呈現(xiàn)出微博發(fā)布數(shù)量急劇增長(zhǎng)而微博平均情感極性強(qiáng)度逐漸遞減的趨勢(shì)，表明在這段時(shí)間內(nèi)網(wǎng)民所發(fā)布的負(fù)向微博的比例在上升，負(fù)向情緒不斷攀升并在16時(shí)達(dá)最低值；

2）2016年11月30日16～22時(shí)，微博發(fā)布數(shù)量遞減，而微博平均情感極性強(qiáng)度略有回升，且均高于微博發(fā)布數(shù)量最多的時(shí)間段（13～16時(shí)），表明該時(shí)間段正向微博的數(shù)量增長(zhǎng)較為明顯；

3）總體上看，11月30日10～24時(shí)的微博發(fā)布數(shù)量先增后減，平均情感極性強(qiáng)度先減后增，前期負(fù)向微博較多，而后正向微博占據(jù)主導(dǎo)。

4.3 發(fā)酵期情感演化

在發(fā)酵期，網(wǎng)民對(duì)該事件的態(tài)度逐漸趨于穩(wěn)定，通過(guò)對(duì)這一階段的20 890條相關(guān)微博文本進(jìn)行挖掘與分析（見(jiàn)圖8）可知：

1）2016年12月1日，“羅一笑”事件網(wǎng)絡(luò)輿情仍保持較高熱度，12～15時(shí)之間，呈現(xiàn)出微博發(fā)布數(shù)量總體增多而微博平均情感極性強(qiáng)度遞減的趨勢(shì)，表明這段時(shí)間該事件相關(guān)網(wǎng)絡(luò)輿情負(fù)向情感所占比例上升。此外，15時(shí)微博發(fā)布數(shù)量為當(dāng)日最高值，且微博平均情感極性強(qiáng)度達(dá)到最低，表明此時(shí)網(wǎng)民的情緒最為低落；

2）2016年12月2日，即“羅一笑”事件網(wǎng)絡(luò)輿情發(fā)酵期的后半階段呈現(xiàn)出關(guān)注熱度走低的趨勢(shì)，此時(shí)網(wǎng)絡(luò)輿情并沒(méi)有持續(xù)惡化，而是得到了有效的控制，這得益于官方的介入以及該事件相關(guān)問(wèn)題的妥善解決。

4.4 消解期情感演化

通過(guò)對(duì)消解期的5 057條相關(guān)微博進(jìn)行發(fā)布數(shù)量的時(shí)序變化分析（見(jiàn)圖9）可知，這一階段微博發(fā)布數(shù)量呈現(xiàn)出遞減趨勢(shì)，且微博發(fā)布數(shù)量較少，表明“羅一笑”事件已不再是熱點(diǎn)輿情事件。隨著12月3日羅爾宣布退還善款并致歉的舉措以及官方的妥善處理，網(wǎng)民對(duì)“羅一笑”事件的質(zhì)疑和羅一笑后續(xù)治療的關(guān)注，也逐漸變淡。

4.5 反思期情感演化

通過(guò)對(duì)反思期的4 688條相關(guān)微博進(jìn)行情感詞提取，詞頻40以上的42個(gè)情感詞可視化結(jié)果如圖10所示，這段時(shí)間網(wǎng)民對(duì)“羅一笑”以祝福為主，“捐獻(xiàn)”、“天堂”、“愛(ài)心”、“捐助”、“病痛”、“捐贈(zèng)”、“平安”和“無(wú)辜”等高頻詞是該事件過(guò)后網(wǎng)民的總結(jié)性情感。12月24日上午6時(shí)許，羅一笑在深圳市兒童醫(yī)院去世，其父母捐助了她的遺體和器官，該事件也隨之告一段落。

5 結(jié)論與建議

本文以“羅一笑”事件為例，在基于國(guó)內(nèi)外學(xué)者對(duì)網(wǎng)絡(luò)輿情情感分析的基礎(chǔ)上，構(gòu)建了一個(gè)較為全面的情感分類詞典，同時(shí)建立相應(yīng)的情感傾向分析模型，對(duì)相關(guān)微博文本進(jìn)行情感極性強(qiáng)度的判斷與統(tǒng)計(jì)，并運(yùn)用實(shí)證分析對(duì)該事件網(wǎng)絡(luò)輿情各演化階段進(jìn)行劃分，進(jìn)而對(duì)各階段的情感演化特征及規(guī)律進(jìn)行探究。研究發(fā)現(xiàn)：①開始期網(wǎng)民對(duì)網(wǎng)絡(luò)輿情事件所持的態(tài)度錯(cuò)綜復(fù)雜，通過(guò)對(duì)情感傾向的提取有利于對(duì)事件后續(xù)發(fā)展態(tài)勢(shì)進(jìn)行把握；②爆發(fā)期的微博發(fā)布數(shù)量和網(wǎng)民參與量最高，這一時(shí)期網(wǎng)民的情感傾向很大程度上決定了輿情事件總體演化趨勢(shì)，有關(guān)部門應(yīng)多予關(guān)注和引導(dǎo)；③發(fā)酵期網(wǎng)民對(duì)輿情事件的新動(dòng)態(tài)敏感度較高，正向信息的公開和輿情披露可以在此時(shí)起到良好反映；④消解期和反思期網(wǎng)民關(guān)注度較低，但仍需要對(duì)輿情事件進(jìn)行追蹤與監(jiān)管，以避免輿情事件的二次發(fā)酵。

依據(jù)研究結(jié)果，本文為政府相關(guān)部門有效監(jiān)管、引導(dǎo)網(wǎng)絡(luò)輿情情感演化提出以下建議：

5.1 加強(qiáng)信息公開

網(wǎng)絡(luò)輿情具有突發(fā)性[11]、自由性[12]的特征，政府相關(guān)部門應(yīng)在網(wǎng)絡(luò)輿情事件影響范圍急速擴(kuò)散之前，占據(jù)輿論主導(dǎo)，將事件發(fā)生緣由、各發(fā)展階段的實(shí)情公之于眾，確保社會(huì)各界民眾的知情權(quán)。

5.2 關(guān)注意見(jiàn)領(lǐng)袖

意見(jiàn)領(lǐng)袖通常由政府官員、當(dāng)紅明星、草根名人、知識(shí)分子、知名記者等各界社會(huì)精英組成，在網(wǎng)絡(luò)輿情中充當(dāng)重要角色，他們既可以促成事件的圓滿解決，也會(huì)對(duì)事件的負(fù)面影響推波助瀾[13]。因此，政府相關(guān)部門應(yīng)加強(qiáng)對(duì)意見(jiàn)領(lǐng)袖的關(guān)注，對(duì)這些用戶情感傳播行為的方式與內(nèi)容加以監(jiān)管和引導(dǎo)，規(guī)避網(wǎng)絡(luò)謠言的產(chǎn)生。

5.3 控制負(fù)向情緒

負(fù)向情緒集聚速度較快，對(duì)輿情事件總體演化趨勢(shì)的影響較為顯著，因此，政府相關(guān)部門應(yīng)對(duì)負(fù)向情緒有針對(duì)性地進(jìn)行引導(dǎo)，避免群體極化現(xiàn)象的產(chǎn)生，一方面，找出負(fù)向情緒產(chǎn)生的根源并及時(shí)予以矯正，緩解輿情事件的負(fù)向情緒；另一方面，加大輿情事件的新聞發(fā)布密度和力度，有效避免謠言的產(chǎn)生與擴(kuò)散，營(yíng)造良好的網(wǎng)絡(luò)輿情環(huán)境與秩序。

5.4 建立監(jiān)管機(jī)制

“羅一笑”事件中，深圳市民政局的妥善處理使得事件得以平息，可見(jiàn)，政府相關(guān)部門對(duì)網(wǎng)絡(luò)輿情事件的處理舉措能夠映射到輿情事件的演化趨勢(shì)當(dāng)中，對(duì)網(wǎng)民的情感傾向具有顯著影響。因此，政府應(yīng)建立健全網(wǎng)絡(luò)輿情監(jiān)管機(jī)制，對(duì)輿情事件各演化階段進(jìn)行合理有效的引導(dǎo)，確保網(wǎng)絡(luò)輿情事件情感傾向的正向發(fā)展。

參考文獻(xiàn)

[1]曾潤(rùn)喜，徐曉林.網(wǎng)絡(luò)輿情突發(fā)事件預(yù)警系統(tǒng)、指標(biāo)與機(jī)制[J].情報(bào)雜志，2009，28（11）：52-54，51.

[2]Zhou Y，Moy P.Parsing Framing Processes：The Interplay Between Online Public Opinion and Media Coverage[J].Journal of Communication，2007，57（1）：79-98.

[3]Lavrenko V，Allan J，Deguzman E，et al.Relevance Models for Topic Detection and Tracking[C]// International Conference on Human Language Technology Research.Morgan Kaufmann Publishers Inc，2002：115-121.

[4]Mccoy M E.Dark Alliance：News Repair and Institutional Authority in the Age of the Internet[J].Journal of Communication，2001，51（1）：164-193.

[5]王子文，馬靜.網(wǎng)絡(luò)輿情中的“網(wǎng)絡(luò)推手”問(wèn)題研究[J].政治學(xué)研究，2011，（2）：52-56.

[6]唐超.網(wǎng)絡(luò)情緒演進(jìn)的實(shí)證研究[J].情報(bào)雜志，2012，（10）：48-52.

[7]柳軍，蔡淑琴.微內(nèi)容的網(wǎng)絡(luò)輿情傳播特征分析[J].情報(bào)雜志，2013，（1）：1-4.

[8]黃勝.Web評(píng)論文本的細(xì)粒度意見(jiàn)挖掘技術(shù)研究[D].北京：北京理工大學(xué)，2014.

[9]趙城利.基于Web的信息智能感知技術(shù)及應(yīng)用[D].長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2004.

[10]肖強(qiáng)，朱慶華.Web2.0環(huán)境下的“網(wǎng)絡(luò)推手”現(xiàn)象案例研究[J].情報(bào)雜志，2012，31（9）：158-162.

[11]姜?jiǎng)俸?網(wǎng)絡(luò)輿情形成與發(fā)展規(guī)律研究[J].蘭州學(xué)刊，2010，（5）：77-79.

[12]劉毅.網(wǎng)絡(luò)輿情研究概論[M].天津：天津人民出版社，2007：53-54.

[13]郭勇陳，沈洋，馬靜.基于意見(jiàn)領(lǐng)袖的網(wǎng)絡(luò)論壇輿情演化多主體仿真研究[J].情報(bào)雜志，2015，34（2）：13-21.

（責(zé)任編輯：孫國(guó)雷）