[发明专利]基于微博文本情感计算的网络社会影响最大化算法

摘要

本发明公开了基于微博文本情感计算的网络社会影响最大化算法，主要涉及文本情感计算、网络社会计算及影响最大化领域，尤其涉及微博情感倾向性计算方法和网络社区关系结构抽取方法。首先，针对微博中出现的变形词和新词新意（如“表哥”），构造微博特殊词典。结合知网词典分析微博文本的情感倾向性。其次，根据多种用户的互动操作关系构建网络社区用户关系树。最后，根据微博文本的情感倾向性和网络社区用户关系树，进行网络设计情感影响最大化计算。本发明解决了网络社区结构中用户关系单一，最大化影响问题计算不全面的问题，能够更准确计算微博情感倾向性和得到更符合实际的网络情感影响最大化用户集。

主权项

基于微博文本情感计算的网络社会影响最大化算法，操作步骤如下：1）微博特殊词典构造，具体方法如下：针对微博中有很多变形词，新流行词的特点，运用中文信息处理技术如分词、提取特征，将得到的变形词、新词进行注解；分析其词性、词义、同位词、上下位词、倾向性及索引结构，并以词典形式存储；2）微博情感倾向性分析，具体方法如下：在知网情感分析词语集HowNet和微博特殊词词典的基础上，对微博进行情感倾向性分析，首先判断微博中的词语是否出现在HowNet中，若不是，则检索微博特殊词典，然后输出该词语的倾向性，统计所有词语的倾向性，并最终获得微博的情感倾向性计算结果，微博d的情感倾向性(EScore)的计算方法： EScore ( d ) = PosC ( d ) - NegC ( d ) PosC ( d ) + NegC ( d ) + 1 - - - ( 1 ) 式中：PosC(d)表示微博d中正向词语的个数；NegC(d)表示d中负向词语的个数，规定：若EScore(d)>0.05，则d的情感倾向性为正向；若EScore(d)<‑0.05，则d的情感倾向性为负向；3）网络社区结构分析，具体方法如下：分析网络社区中两个用户称为甲和乙之间的关系时，不仅考虑甲是否转发了乙的微博，还将充分考虑甲是否评论或回复了乙的微博；将用户看成节点，在一个给定的时间窗口T内，若节点甲转发、评论或回复了节点乙的微博，则 从乙到甲引一条有向边，若乙和甲之间原来已经存在有向边，则使该有向边上的权值加1，由此得到T内的若干棵微博用户关系树；对微博关系树进行合并操作，得到网络社区的关系树集；4)计算整个网络的情感影响度：根据上述1）、2）、3）步骤得到的网络社区的关系树集合，以及各个微博的情感倾向性计算结果，计算整个网络的情感影响度，计算方法按现有技术执行。