王志剛 邱長波 崔 晶

(吉林大學(xué)管理學(xué)院 長春 130022)

近年來，隨著互聯(lián)網(wǎng)的發(fā)展，社會輿情常常借助網(wǎng)絡(luò)平臺迅速傳播，輿情的表現(xiàn)形式也發(fā)生了變化，包括論壇發(fā)帖、微博、電子郵件等[1]，這種新形式的輿情被稱為網(wǎng)絡(luò)輿情[2]。

網(wǎng)絡(luò)輿情一詞是我國獨創(chuàng)的概念，極具中國特色。目前學(xué)術(shù)界對網(wǎng)絡(luò)輿情的概念還沒有統(tǒng)一認(rèn)識。林海霞認(rèn)為網(wǎng)絡(luò)輿情是用戶對自己關(guān)心或與自身利益緊密相關(guān)的公共事務(wù)所持有的多種態(tài)度、意見的總和[3]。蔣知義認(rèn)為網(wǎng)絡(luò)輿情是用戶通過互聯(lián)網(wǎng)平臺表達(dá)自己對社會發(fā)生的熱點事件所持有的不同看法，是用戶態(tài)度、認(rèn)知、行為和情感傾向的集合[4]。宋海龍認(rèn)為網(wǎng)絡(luò)輿情是指在網(wǎng)絡(luò)空間內(nèi)圍繞輿情因變事項的發(fā)生、發(fā)展和變化，用戶對政府管理以及現(xiàn)實社會中各種事件、現(xiàn)象、問題所表達(dá)的社會政治態(tài)度[5]。學(xué)者們對網(wǎng)絡(luò)輿情這一概念的定義雖有差異，但也有共同之處，即網(wǎng)絡(luò)輿情是用戶發(fā)表的觀點、態(tài)度以及情緒。

網(wǎng)絡(luò)輿情之所以含有大量的情緒，原因有三點：a.當(dāng)前我國社會正處于轉(zhuǎn)型期，社會矛盾雖然發(fā)生了變化，但仍然存在，容易引起用戶的關(guān)注和討論[6]。b.用戶參政意識逐漸提高[7]，對于接觸到的社會事件，都會傾向于表達(dá)自己觀點和情緒。c.網(wǎng)絡(luò)平臺擴(kuò)大了信息的傳播范圍[8]，使事件的發(fā)展過程透明化，成為了民眾獲取信息和發(fā)表觀點的重要窗口。又由于網(wǎng)絡(luò)平臺的匿名性特點，減輕了用戶的言論報復(fù)。

可見，情緒已經(jīng)成為了網(wǎng)絡(luò)輿情的關(guān)鍵要素。本研究針對網(wǎng)絡(luò)情緒，以“中美貿(mào)易戰(zhàn)”為研究案例，在了解事件整體情緒分布的基礎(chǔ)上，探究用戶身份和事件主題在情緒表達(dá)上的差異，有助認(rèn)識網(wǎng)絡(luò)輿情中的情緒特點，制定有針對性的情緒管控策略。

1 文獻(xiàn)回顧

本文的情緒表達(dá)指的是微博內(nèi)容所表現(xiàn)出的情緒類型和情緒強(qiáng)度，情緒表達(dá)差異的研究，主要涉及兩個問題：一是需要識別出微博內(nèi)容中的情緒；二是找出引起情緒差異化的因素，下面分別對這兩方面的研究現(xiàn)狀進(jìn)行綜述和分析。

1.1情緒的測量網(wǎng)絡(luò)情緒測量的實質(zhì)是文本分類問題，目前的分類方法主要包括：基于詞典的方法、基于監(jiān)督學(xué)習(xí)的方法[9]?；谠~典的情緒分類方法可以根據(jù)需要將情緒分為多種類型進(jìn)行研究，基于監(jiān)督學(xué)習(xí)方法的微博文本情感分析主要研究目標(biāo)是實現(xiàn)文本的分類，主要將文本分為積極、消極和中立三種類型[10]。敦欣卉等人采用了大連理工大學(xué)情感詞匯本DUTIR的分類方法對微博進(jìn)行情感分析，并計算了情感強(qiáng)度，該方法有較高的識別率和可靠性[11。王志濤指出針對微博而言，對比基于情感詞典和機(jī)器學(xué)習(xí)方法下的文本情感分類效果，實驗發(fā)現(xiàn)，隨著測試語料數(shù)量的增加，基于情感詞典的分類性能保持穩(wěn)定，并優(yōu)于機(jī)器學(xué)習(xí)方法[12]。Tang等人設(shè)計了一種用于情感分析的深度學(xué)習(xí)系統(tǒng)．該系統(tǒng)通過將特定情感詞向量與手工選擇的表情符號、語義詞典等特征相結(jié)合，并利用SVM進(jìn)行情感分類．該系統(tǒng)在Twitter情感語料庫上的準(zhǔn)確率可達(dá)87.61%[13]。雷龍艷提出了一種基于情感詞匯本體的多策略集成分析法，實現(xiàn)對中文微博的細(xì)粒度情緒分析，實驗表明該算法對情緒的分類效果良好[14]。

本文的分析需要將情緒分為多種類型，因此采用敦欣卉的情緒分類方法最為合適，該方法基于大連理工大學(xué)情感詞匯本體庫[15]，將情緒分為7類：高興、喜好、悲傷、憤怒、恐懼、厭惡、驚訝。并且為了計算出每類情緒的情緒強(qiáng)度，還綜合考慮了否定詞以及程度副詞對情感強(qiáng)度的影響，引用了否定詞表和程度詞表，并將其賦予不同的權(quán)重，以便計算情緒強(qiáng)度。

1.2網(wǎng)絡(luò)情緒表達(dá)的影響因素根據(jù)現(xiàn)有研究，用戶情緒主要受到社會因素、個體因素和事件因素的影響。社會因素主要包括社會環(huán)境和大眾傳媒，就社會環(huán)境而言，我國正處于社會轉(zhuǎn)型期，現(xiàn)有監(jiān)管機(jī)制不完善，因此中國更傾向于抑制情緒表達(dá)，特別是消極情緒的表達(dá)[16]。就個體因素而言，目前對性別差異的研究比較豐富，很多學(xué)者[17-20]的研究都表明女性比男性具有更豐富的情緒并表達(dá)的更充分，但個體情緒也受到年齡、教育水平等因素的影響，Levenson和Carstensen采用實驗的方法研究了年齡對情緒表達(dá)的影響，都證明出了情緒表達(dá)行為隨年齡下降這一可能性。盧家楣從教育水平的角度出發(fā)，證明專科生表現(xiàn)出比本科生更強(qiáng)的情緒表達(dá)能力[21]。就事件因素而言，不同特征的事件，會影響到用戶的情緒表達(dá)，周莉的研究證明事件特征會影響到網(wǎng)絡(luò)情緒的歸因[22]，葉勇豪的研究表明包含不同道德基礎(chǔ)的事件與不同的道德情緒相關(guān)聯(lián)[23]。

影響情緒表達(dá)的因素，除現(xiàn)有研究以外，用戶身份和事件主題兩個因素也會起到重要的作用。就用戶身份而言，網(wǎng)絡(luò)輿情相比傳統(tǒng)輿情，具有匿名性的特點。一些研究證明了匿名性對網(wǎng)絡(luò)去抑制化效應(yīng)的影響[24]，處于匿名狀態(tài)下，普通用戶在互聯(lián)網(wǎng)中的表達(dá)將更加開放，尤其是負(fù)面情緒，這也使網(wǎng)絡(luò)輿情呈現(xiàn)出全新的特點。就媒體用戶而言，新媒體的報道不再僅闡述客觀事實，而是越來越具有爭議的話題、越來越出格的言論，而這些要素都直接推動了情緒的發(fā)酵[25]。與普通用戶和媒體用戶相比，政府在網(wǎng)絡(luò)輿情中肩負(fù)著社會責(zé)任，主要發(fā)揮著四種功能：拓展溝通的觸角、更新信息、發(fā)布和分享信息、與外界建立良好的關(guān)系與協(xié)作[26]，以達(dá)到穩(wěn)定民眾情緒的目的。就事件主題而言，微博用戶對事件的認(rèn)知和關(guān)注程度是有差異的，因此對事件中的不同主題產(chǎn)生的反應(yīng)也不一致。趙曉航對主題情感進(jìn)行研究，結(jié)果顯示不同的主題內(nèi)容能夠影響輿情負(fù)面情緒的升降[27]。姜金貴對主題和情緒之間的相互作用進(jìn)行了研究，結(jié)果顯示主題會嚴(yán)重影響到事件中用戶的情緒[28]。黃發(fā)良的研究也表明微博情感與其討論主題密切相關(guān)[29]。

當(dāng)前研究已經(jīng)驗證了用戶身份和事件主題兩個因素對用戶情緒的影響，并沒有闡述這兩個因素的情緒表達(dá)差異，在前人的基礎(chǔ)上，本研究將情緒表達(dá)特點分為是否表達(dá)情緒和情緒強(qiáng)度，采用內(nèi)容分析技術(shù)對網(wǎng)絡(luò)表達(dá)文本進(jìn)行細(xì)粒度的情緒分類以及主題提取，并識別出用戶的身份，研究以下兩個問題：

問題1：不同用戶身份和事件主題的相關(guān)微博在是否表達(dá)情緒上存在哪些差異？

問題2：不同用戶身份和事件主題的相關(guān)微博在情緒表達(dá)強(qiáng)度上存在哪些差異？

2 研究設(shè)計

2.1研究數(shù)據(jù)研究數(shù)據(jù)來源于新浪微博平臺，使用Python爬取“中美貿(mào)易戰(zhàn)”事件的相關(guān)微博內(nèi)容以及用戶身份，共計50 000條，微博文本中含有大量的html字符，并且轉(zhuǎn)發(fā)的微博中會存在原微博內(nèi)容，會對之后的分析產(chǎn)生干擾，因此對數(shù)據(jù)進(jìn)行清洗，確保文本的所有內(nèi)容只表達(dá)了該用戶自身的觀點。經(jīng)過數(shù)據(jù)清洗后，微博文本會出現(xiàn)空值以及無意義的值，這樣的微博不予保留，最后保留35 331條有效數(shù)據(jù)。

2.2變量設(shè)定研究中涉及的自變量為用戶身份和事件主題，用戶身份分為政府、媒體和普通用戶，在原始數(shù)據(jù)中可直接得到；事件主題是采用LDA方法從微博文本中提出得到的(主題詞表見表1)，分為產(chǎn)生原因、爭端影響、應(yīng)對措施和未來展望。

表1 微博主題提取結(jié)果

研究的因變量有兩個：一是用戶發(fā)布的微博中是否含有情緒(1為有情緒，0為無情緒)；二是用戶發(fā)布的微博的情緒強(qiáng)度，本文參照大連理工大學(xué)情緒詞典的分類方法，將情緒分為7類，并可計算出情緒強(qiáng)度，具體計算方式如下：

用p表示一條微博，使用jieba工具對其分詞后，識別出每一個情緒詞以及情緒詞前的否定詞和程度詞。由于在情緒詞典中將情緒分為7類，因此，計算一條微博的情緒時，需要計算每一種情緒的情緒強(qiáng)度，對于第i種情緒，第j個情緒詞，其情緒強(qiáng)度為：

pij=(-1)naijeij(1≤i≤7；j>0；n≥0)

(1)

其中，n為第i種情緒第j個情緒詞前否定詞的個數(shù)，aij為第i種情緒第j個情緒詞前的程度詞對應(yīng)的程度倍數(shù)，eij為第i種情緒第j個情緒詞對應(yīng)的情緒強(qiáng)度。對一種情緒的情緒強(qiáng)度進(jìn)行綜合計算，即將屬于該種情緒的所有情緒詞的情緒強(qiáng)度進(jìn)行加和，公式如下：

(2)

其中，m表示第i種情緒的情緒詞數(shù)量。根據(jù)此公式，每條微博都可以得到7種情緒的情緒強(qiáng)度，微博最終情緒強(qiáng)度取其中最大值，情緒值為最大情緒強(qiáng)度對應(yīng)的情緒，公式如下：

E=maxpi(1≤i≤7)

(3)

3 數(shù)據(jù)分析

3.1描述性統(tǒng)計分析對用戶身份、時間主題和情緒進(jìn)行統(tǒng)計，結(jié)果見表2。

表2 微博變量信息

在發(fā)布微博的主體中，媒體有1 632個(占比4.6%)，普通用戶有3 354個(占比94.4%)，政府有345個(占比1.0%)。這也符合網(wǎng)絡(luò)輿情的主體特點，普通用戶是網(wǎng)絡(luò)輿情的主要力量，媒體和政府的數(shù)量較少。

根據(jù)微博中是否含有情緒詞將微博分為有情緒微博和無情緒微博。據(jù)統(tǒng)計，在收集到的35 331條微博中，有情緒微博有26 974條(占比76.3%)，無情緒微博有8 357條(占比23.7%)，這也符合微博的整體環(huán)境，用戶傾向于表達(dá)自己的觀點和態(tài)度。微博在情緒類型分布上，喜好的占比最高，為40.5%；厭惡的占比次之，占比17.7%；悲傷、驚訝、恐懼、高興和憤怒5種情緒的占比較低。在情緒強(qiáng)度分布上，高興和厭惡的情緒強(qiáng)度較高，均值分別為18.79和16.90，其次是喜好和憤怒，均值分別為10.19和9.30，恐懼、驚訝和悲傷的情緒強(qiáng)度較低，分別為8.76、7.72和6.89。可以看出，喜好和厭惡的情緒占比和情緒強(qiáng)度都較高，成為此事件中的主導(dǎo)情緒。

微博主題的統(tǒng)計結(jié)果顯示，產(chǎn)生原因有6 615條(占比18.7%)，未來展望有1 214條(占比3.45%)，應(yīng)對措施有1 854條(占比5.2%)，爭端影響有25 648(占比78.3%)。可見網(wǎng)民對事件產(chǎn)生原因和爭端影響的討論較多，對未來展望和應(yīng)對措施的討論較少。

3.2情緒表達(dá)差異分析

3.2.1 微博情緒表達(dá)的概率差異 問題1中，是否表達(dá)情緒作為因變量，是二分類變量，自變量即各相關(guān)因素均為分類變量，綜合考慮采用 Logistic 回歸模型最適合分析解釋變量對被解釋變量的影響。Logistic回歸模型的表達(dá)形式為：

(4)

其中，Pi為在給定解釋變量xi值時的發(fā)生概率，βi為回歸系數(shù)。

本研究分別以用戶身份和主題作為自變量，是否表達(dá)情緒作為因變量建模，結(jié)果顯示以用戶身份和事件主題作為自變量的模型系數(shù)都通過了檢驗(Sig.=0.000),說明用戶身份和事件主題在是否表達(dá)情緒上存在顯著差異。

不同身份、不同主題的微博在表達(dá)情緒概率上的差異情況見表3。

表3 不同用戶身份、主題的情緒表達(dá)概率差異

對于用戶身份，由于參照水平為政府用戶，因此媒體用戶較政府用戶使Logitp平均增長0.369個單位，正向影響情緒表達(dá)概率，結(jié)合OR值可知，媒體用戶的OR值是政府用戶的1.447倍，且有95%的把握在1.502～1.990之間，說明媒體用戶表達(dá)情緒的概率是政府用戶的1.447倍。普通用戶相比政府用戶而言，使Logitp平均增長-0.462個單位，負(fù)向影響情緒表達(dá)概率，結(jié)合OR值可知，普通用戶的OR值是政府用戶的0.630倍，且有95%的把握在0.475～0.837之間，說明普通用戶表達(dá)情緒的概率是政府用戶的0.630倍。

對于事件主題，由于參照水平為爭端影響，從系數(shù)來看，產(chǎn)生原因相比爭端影響使Logitp平均增長0.133個單位，正向影響情緒表達(dá)概率，結(jié)合OR值可知，產(chǎn)生原因的OR值是爭端影響的1.142倍，且有95%的把握在1.071～1.218之間，這說明產(chǎn)生原因的情緒表達(dá)概率是爭端影響的1.142倍。未來展望未通過驗證，因此不具有統(tǒng)計學(xué)意義。應(yīng)對措施較爭端影響使Logitp平均增長0.500個單位，正向影響情緒表達(dá)概率，結(jié)合OR值可知，應(yīng)對措施的OR值是爭端影響的1.649倍，且有95%的把握在1.372～1.982之間，說明應(yīng)對措施的情緒表達(dá)概率是爭端影響的1.649倍。

總之，政府、媒體和普通用戶在表達(dá)情緒上存在顯著差異，媒體表達(dá)情緒的概率更高，其次是政府，最后是普通用戶；在不同主題中，相關(guān)微博含有情緒的可能性存在顯著差異，產(chǎn)生原因和應(yīng)對措施兩個主題的相關(guān)微博含有情緒的概率更高，爭端影響和未來展望兩個主題的相關(guān)微博含有情緒的概率較低。

3.2.2 微博情緒表達(dá)的強(qiáng)度差異 問題2中，由于因變量情緒強(qiáng)度連續(xù)變量，自變量即各相關(guān)因素均為分類變量，因此采用單因素方差分析的方法，分別分析用戶身份在用戶情緒強(qiáng)度上的差異以及不同事件主題中用戶情緒強(qiáng)度上的差異，見表4。

表4 用戶身份與事件主題和情緒強(qiáng)度的單因素方差分析

續(xù)表4 用戶身份與事件主題和情緒強(qiáng)度的單因素方差分析

由表4可知，用戶身份在事件主題在憤怒、驚訝兩種情緒的顯著性大于0.05，未通過檢憤怒、高興、悲傷、恐懼和驚訝這5種情緒的顯著性均大于0.05，未通過檢驗，因此用戶身份在情緒表達(dá)強(qiáng)度上不存在顯著差異，而在厭惡、喜好這兩種情緒的顯著性小于0.05，且F值較高，因此在情緒表達(dá)強(qiáng)度有著顯著影響。驗，因此在情緒表達(dá)強(qiáng)度上不存在顯著差異；而在厭惡、喜好、高興、悲傷和恐懼五種情緒的顯著性均小于0.05，且F值較高，因此事件主題在情緒表達(dá)強(qiáng)度上有著顯著影響。

單因素方差分析只能檢驗控制變量對觀測變量是否會產(chǎn)生顯著影響，并不能檢驗控制變量在不同水平下對觀測變量的影響程度如何。因此需要用事后多重比較的方法來檢驗控制變量在不同水平對測試變量的影響程度，由于方差齊性檢驗結(jié)果顯示觀測變量存在顯著差異(Sig=0)，所以選擇未假定方差齊性的方法Tamhane’s T2來進(jìn)行檢驗。

用戶身份的多重比較檢驗結(jié)果見表5。

表5 用戶身份的多重比較檢驗

由表5中的平均差異可以看出，對于厭惡情緒，政府用戶和媒體用戶的厭惡情緒表達(dá)強(qiáng)度顯著高于普通用戶。對于喜好情緒，政府用戶在表達(dá)情緒喜好時的強(qiáng)度最高，媒體用戶次之，普通用戶的情緒強(qiáng)度最低。

事件主題的多重比較檢驗結(jié)果見表6。

表6 事件主題的多重比較檢驗

由表中的平均差異可以看出，用戶在表達(dá)厭惡情緒時，產(chǎn)生原因相關(guān)微博的情緒強(qiáng)度低于另外3個主題。用戶在表達(dá)喜好情緒時，應(yīng)對措施相關(guān)微博的情緒強(qiáng)度最高，爭端影響和未來展望次之，產(chǎn)生原因的情緒強(qiáng)度最低。用戶在表達(dá)高興情緒時，應(yīng)對措施相關(guān)微博的情緒強(qiáng)度最高，爭端影響次之，產(chǎn)生原因和未來展望的情緒強(qiáng)度最低。用戶在表達(dá)悲傷情緒時，爭端影響相關(guān)微博的情緒強(qiáng)度最高，產(chǎn)生原因和應(yīng)對措施的情緒強(qiáng)度較低。用戶在表達(dá)恐懼情緒時，應(yīng)對措施相關(guān)微博的情緒強(qiáng)度較高，未來展望的情緒強(qiáng)度較低。

4 總結(jié)與討論

本研究以“中美貿(mào)易戰(zhàn)”事件為例，參照大連理工大學(xué)情緒詞典的分類方法，將情緒分為7類，根據(jù)用戶身份和微博主題內(nèi)容來研究情緒表達(dá)特點，得到以下結(jié)論：

4.1不同身份類型的用戶在表達(dá)情緒上存在顯著差異其中，情緒表達(dá)概率最高的是媒體，其次是政府，普通用戶表達(dá)情緒的概率最低；并且用戶身份在表達(dá)厭惡和喜好的情緒強(qiáng)度上存在顯著差異，其中，政府用戶和媒體用戶的厭惡情緒表達(dá)強(qiáng)度顯著高于普通用戶，政府用戶在表達(dá)情緒喜好時的強(qiáng)度最高，媒體用戶次之，普通用戶的情緒強(qiáng)度最低。

產(chǎn)生這種差異的原因，與用戶身份在事件中作用以及事件的性質(zhì)有關(guān)，與普通網(wǎng)絡(luò)輿情事件不同，“中美貿(mào)易戰(zhàn)”的兩個涉事主體為兩個國家，政府作為國家的代表，成為了事件中的關(guān)鍵要素，面對特朗普政府對華的頻頻挑釁和限制，中國政府需要謹(jǐn)慎應(yīng)對，不能隨意表達(dá)情緒，但需要的時候必須要表明自己的觀點和態(tài)度，穩(wěn)定民眾的情緒，發(fā)揮政府在信息發(fā)布和分享方面的功能，引導(dǎo)輿情向好的方向發(fā)展，這在本研究中也得到了驗證。而普通用戶對該事件最直觀的感受是股市的動蕩、物價的上漲等，對于事件背后的政治陰謀，并沒有很清楚的認(rèn)識，因此在表達(dá)情緒的可能性和強(qiáng)度相對較低。媒體相較于普通用戶來說，在輿情傳播方面具有權(quán)威性，同時也兼具一定的社會責(zé)任，媒體會對網(wǎng)絡(luò)事件進(jìn)行深入挖掘，形成專業(yè)性報道，并發(fā)表自己的觀點態(tài)度來引導(dǎo)普通用戶，媒體的情緒通常會建立在事實的基礎(chǔ)上，因此情緒強(qiáng)度不會偏高?？傮w來看，普通用戶在表達(dá)情緒上更保守，媒體用戶在表達(dá)情緒上更開放，政府用戶相對謹(jǐn)慎。

除厭惡和喜好之外，不同身份的用戶在憤怒、高興、悲傷、恐懼、驚訝5種情緒的表達(dá)強(qiáng)度上無顯著差異，主要原因是，厭惡和高興是整個事件重點中的主導(dǎo)情緒，占比較高(見表1)，而其作5種情緒在事件中的占比較低，代表性弱，導(dǎo)致結(jié)果不顯著。

4.2不同主題中微博的情緒特征存在差異其中，不同主題中微博是否含有情緒的概率存在顯著差異，產(chǎn)生原因和應(yīng)對措施兩個主題的相關(guān)微博含有情緒的概率更高，爭端影響和未來展望兩個主題的相關(guān)微博含有情緒的概率較低；并且，不同主題中微博在厭惡、喜好、高興、悲傷和恐懼5種情緒的表達(dá)強(qiáng)度上存在差異，綜合來看，事件產(chǎn)生原因和未來展望的相關(guān)微博的情緒強(qiáng)度較低，應(yīng)對措施和爭端影響的情緒強(qiáng)度較低。

產(chǎn)生這種差異的原因，與事件主題的特征有關(guān)，事件的產(chǎn)生原因?qū)儆诳陀^事實，不會引起網(wǎng)友的持續(xù)關(guān)注和強(qiáng)烈的情緒波動，未來展望的預(yù)測需要有專業(yè)的知識和判斷能力，其重點是描述未來的狀況，而不在于情緒，因此事件產(chǎn)生原因和未來展望的相關(guān)微博情緒強(qiáng)度低；而爭端影響和應(yīng)對措施，與所有人的生活息息相關(guān)，在事件發(fā)展的整個過程中，會引起持續(xù)的關(guān)注和大量的討論，情緒共鳴較強(qiáng)烈，因此這兩個主題的相關(guān)微博情緒強(qiáng)度較高。

當(dāng)然，本研究對網(wǎng)絡(luò)輿情中的情緒表達(dá)研究也存在不足之處。首先以特定的事件為例進(jìn)行研究，由于事件的特殊性，其結(jié)論并不適用于所有的網(wǎng)絡(luò)輿情，因此在今后的研究中可以根據(jù)網(wǎng)絡(luò)事件的特征，進(jìn)行分類研究，從而得到普適性更高的結(jié)論。其次，變量選擇上，本研究在用戶特征和內(nèi)容特征上各選擇一個納入研究，在今后的研究中可以選擇更多的變量，對用戶和微博內(nèi)容進(jìn)行更多維度的刻畫，探究其在情緒表達(dá)中的作用。