《基于社会网络特征的事件舆情分析案例报告》12000字（论文）

基于社会网络特征的事件舆情分析案例报告 1 1 2 2 3 3 4 4 5 6 6 9 伴随着信息时代的发展，人们更多的通过微博，微信等新兴的社交媒体平台，通过发布自己的评论文字等方式，对于网络当中突发社会事件的个人观点和情感倾向，不同主体的共同表达汇集形成社会事件的网络舆情，表现了当代网民真实的情感趋势。事实上在当前的情况下，面对不同的社会事件，网民的情感在舆情当中有重要的影响作用，在舆情演化的各个阶段当中，情感都发挥出各自不同的特征，由于各主体的情感分化和舆情自身分化相交叉的复杂状态，使得对于社会事件发生后的网络舆情的治理和管控愈发趋于困难。本文一方面以情感分析的视角，对于发生社会事件时的完整网络舆情传播当中出现的各类主体的情感进行分析，研究当前网络舆情的情感特征和演化的规律，与此同时，与传播过程当中的社会网络特征相结合，通过网民自身情感与情感传播两个方面对于舆情的引导本文首先阐述当前网络舆情情感研究的理论基础，继而在此基础上通过研究当下疫情背一方面构建情感词典，进行不同主体的情感强度的计算和极性强度的分析。另一方面，在主体的传播当中采取社会网络特征的方法，对于传播过程当中的传播主体与传播情感关系进行探究，根据分析的结果，以其为相关部门合理的进行舆情的引导和监控，提出相应的建关键词：舆情分析情感分析舆情演化社会网络(一)研究背景与意义(1)社交媒体平台的出现使得舆论事件更加聚焦在大型的社会网络当中，人们越来越容易形成更多的聚集性的群体，也就随之而出现和产生了群体极化现象，也就是指，团体成员一开始就保有的部分立场和偏向，在经过长久的一方面预防群体当中出现极化的现象(例如一定程度上影响到社会稳定的谣言如),另一方面(2)识别有效用户群体和引导其情感走向对于舆论控制至关重要见领袖”的情感趋向往往能够起到至关重要的作用，对于意见领袖的态度和情绪进行鉴别和2.研究意义(1)理论意义本文在对于某类事件进行个体情感分析的同时，结合了传播学及社会网络分析当中的部分方法，实现了对于情感挖掘情感可视化，以及情感传播等不同方面的综合研究，对于情感(2)现实意义对于现代网络舆情环境而言，当某类社会事件忽然爆发时，尤其是对于整个社会安定和群体情绪引导具有重要影响的社会事件，本研究能够更加有助于相关部的情绪评价的基础上，针对制定更加合理有效的应对和引导策略，避免出现公众情感的极化(二)研究思路微博数据爬取微博数据爬取数据预处理情感分析图1技术路线图首先对于微博数据相关热门话题下进行爬取。研究一方面从整个事件过程当中的主体情感角度出发，对于整个数据在预处理后进行情感分析，包括计算情感强度和情感主题词分析等。以及对于舆情演化进行分析。舆情传播过程中的演化阶段的情感特征，包括对于不同的阶段的划分，以及对于该阶段主题和词云特征另一方面从传播当中的社会网络分析入手，分析在传播过程当中出现的关键节点和有影响力的主体特征。最后综合两方面的角度，对于社会网络与用户情感之间的相关性进行统一的综合分析，并在此基础上提出有效合理的舆情引导建议。(三)研究内容综合而言，本文通过从情感分析和社会网络分析两个不同的视角进行综合切入研究，对于具有社会效应的代表性事件：社区AB套餐事件进行舆情分析，并且在分析的基础上提出相应的舆情引导政策帮助。本文共分为以下章节：第一章绪论部分，首先对于本文的研究背景以及意义做阐述，其次交代相关的研究思路和整体内容。第二章理论基础，阐述与本文相关的情感分析部分与社会网络分析部分的理论基础，为后续分析做准备。第三章事件过程中的情感分析，一方面分析在事件过程当中，各主体表现出来的情感倾向，另一方面分析整个事件过程的舆情演化阶段。第四章情感传播中的社会网络分析，研究在舆论传导过程当中的社会网络特征与舆情的第五章舆情引导建议，在上述分析的基础上，为网络舆情的引导提出合理的建议。(一)文献综述1.网络舆情演化相关研究对于整个舆情演化过程的分析，国外更加偏向实践的角度，从传播学的立场对于整个网络舆情的演化进行剖析。BurkholdeB.TII以人口死亡率为的指标，构建了经典的三阶段传播模型，将事物阶段发展概括为紧急阶段，晚期紧急阶段，以及事发后紧急阶段。RobertH.等[21,在三阶段经典模型的基础上，对于舆情传播的阶段进行重新划分，提出了四阶段传播模型，丰富了舆情演化的阶段研究。国内对于整体的网络舆情演化的研究起步相对较晚，目前的研究重点主要针对网络舆情在整个演化过程当中的不同阶段的研究。马费成提出项目价值随时间变化的观点，他总体上将整个完整的舆论周期分隔，并总结概括为三个子阶段，分别为成长期、舆论传播的成熟期，以及最终的衰退期，在此基础上，易承志III则将整个舆情扩散的阶段划分为4个不同的阶段，将这4个子阶段分别概括为生成期、舆论的扩散和爆发期，以及最后的成熟期，并且更进一步将这4个子阶段对应上不同的传播学演化机制：启动、驱动、变动、阻动等。刘社瑞II³1等人，则更进一步，对于舆情演化的阶段划分更为详细，划分包括初始、裂变、高涨等5个时期。李明德I⁴从传播学5W经典理论出发，将整个舆情的演化路径分割成6个不同的阶段，从传播学角度出发，分别将其抽象概括成萌芽乃至消退，并对每个阶段的特征进行探2.情感分析相关研究对于语义分析包括其中情感倾向的研究，在近年来越来越多成为研究热点，从最早的2002年，pang³首次对于收集到的电影评论的相关样本，通过不同的比较效率和准确性的机器学习方法，进行语料内容的情感分类相关研究，此后DavidB.Bracewell等人4,以wordnet为基础，创建出自主的情感词典，以半自动算法对于语料进行情感分析。Boiy和Moensl⁵则更加专注于情感词典的扩展，对于文本数据进行人工的情感标注，进而在这样的基础上采取不同的机器学习方法进行分类研究。此后情感分析的研究被越来越多的被应用到社交网络语境下。国内目前的研究主要分为以情感词典为准则的情感分析，以及利用深度学习等方法的情感分析等不同的研究方向。对于以情感词典为准则的情感分析方式而言，主要以如何构建和选取情感词典为重点，李钰II⁵1通过进行的比较常用的情感词典，wordnethownet和大连理工情感词典进行选取和评估，整合构成了新的4个情感词典。王勇等人[I⁶1则变化语料范围，更加扩大化地整理微博等平台的语料样本，构成了中文微博的特定环境下的情感词典。这之后，杨江I⁷1一方面以词语匹配为基础，通过对接语料中的文本句子以及建立的情感词典，对整个句子的倾向性进行测量，并且最终建立了相对而言的、更加具有准确性的情感倾向测量方法。于伟8则通过使用拉普拉斯平滑，建立不同的算法，尤其是利用so-pmi算法对情感词典进行算法视角的重新架构，使得文本语料情感倾向的准确性大幅提升。(二)理论基础1.情感分析理论情感分析作为一种分析方法，又被称为倾向性分析是指通过对于公众在互联网上或其他平台上发表的具有情感色彩的相对主观的评论进行文本挖掘数据演化分析的过程，这类的主主要分析的思路分为以情感词典为基础导向的情感分析，以及以机器学习分类的不同方法为基础导向的情感分析等，其中情感起点为基础的情感分析通过对于语料当中情感词语的匹配和处理，对于整个文本的情感性质进行界定，基本可以划分为积极情感，消极情感等不同类别。101本文主要运用第1种，即基于情感词典的倾向性分析，以情感词典为准则，通过情感词汇的剖析，界定整个完整的文本的语意和情感。在进行特定文本的情感分析时，首先进行相应的合理有效情感词典分析和构建、其次进行语义情感的文本挖掘，也可以通过不同的算法进行情感强度分析和属性判定。2.社会网络分析相关理论对于社会网络当中存在的关系问题，采用统计类相关方法，对于整个信息的传播网络以及信息传播主体节点，进行重新建构和分析的方法即为社会网络分析的方法。社会网络的构建方法可以通过n-宗派，k-丛，k-核等不同方法对于整个传播网络进行重新的描述和重构。对于网络中存在的关键节点，也可以通过如出度中心度指标、入度中心度指标、中心度指标等多种指标，对于社交网络存在的节点特征进行更为具体的分析，并且寻找到具有较大影响力的主体。1.情感字典的构建整个语料库的情感分析首先应当构建一个合理有效的情感词表，一份合理有效的情感词表，可以使得语料库的基本内容和整个情感词表当中出现的众多不同的情感词进行相应的、更加精准的匹配，通过计算整个句子的情感值来计算样本内容的情感倾向1211。在情感词典的构建当中，本文比较了在研究和实践当中比较常用的几种情感词典，最终选定大连理工大学情感词典为基础的情感字典，并在情感字典的基础上，对于排取到的微博文本内容进行词频的排序，继而选择出部分人工增添的内容进行情感字典补充，构成完整的准确度更高的情感字典。大连理工情感字典共包含了约2万个词语，并且将这些词语分别标注为7大类情感分类，以及情感词语强度等不同维度[1311。2.计算情感强度要计算这个获取到的微博评论文本的情感，具体而言要划分为以下的步骤。首先将整个长文本内容做分词和分句处理，在以获得的情感词典的基础上进行情感词汇的匹配。[[411其次，在情感词典当中获得正确的匹配后，还应当查看在整个句子当中情感词的前后内容当中，是否存在着表示否定含义的词汇，综合衡量否定词汇个数的基础上，对于整个微博句子的情感极性进行计算。继而通过对于整体评论当中不同句子的情感极性值的综合得到整篇评论的在具体的操作过程中，首先使用jieba分词工具，对爬取到的微博评论及正文的语料库中划分为单个的句子进行中文分词，定义微博文本T,文本分隔成为不同的句子Y,其中微博文本T={Y₁,Y₂,…,Yn},对于整个微博语料文本的情感值计算：单个句子Y₁的情感值P(Y),在此基础上，整体文本T的情感极性值P(Y),分别如公式所示：其中，Yw:为句子中的不同的情感词w;表现出来的情感值。如果P(Y)分值总体为正数，那么在整个判定体系当中认为，整体文本为积极情感；如果分值为负数，则与之相反，认为整体文本为消极情感；如果分值正好为0,则认为此时为中性情感。然后整体对于匹配到的情感词汇在句子中的否定词进行考虑，比如"不精彩","不"是否定词，对于单个的或是单数位存在的否定词，则情感词汇自身的情感倾向翻转，即乘以-1,如(1)案例选取在2020年因疫情高度紧张，武汉封城的时间段内，22日晚，武汉嫂子吐槽社区及超市“套餐制”,并严厉批评相关配送物资问题的视频在微博平台开始发酵。从23日起，居民自做一套“”购买套餐和实际收到的不符“,引起了当时高度紧张的社会舆论极大的反应，微博连续多条热搜#武汉嫂子吐槽超市配送、#武汉嫂子教科书式怒怼不作为等，合计阅读量高达1.7亿左右(该事件在后文中统称为"社区AB套餐"事件)。此后，2月28日，央视新闻做张氛围下的代表性意义，对于如何进行合理的网络舆情管控具有重要启发，因此，根据以上(2)数据采集由于新浪微博平台对于事件的关注和讨论往往分散形成较为繁杂的子话题，本文综合考虑对"社区AB套餐"事件分别以#武汉嫂子吐槽超市配送、#武汉嫂子教科书式怒怼不作为、#武汉居民现在这样买菜。三个话题进行搜索，利用python采集了“社区AB套餐”事件曝光其中考虑到无效转发造成的“转发微博”式评论后，共计7175条。爬取的微博内容文本中包部分数据如图2所示。2武汉日记35303武汉日记35304武汉日记35307武汉日记35316武汉日记353017武汉日元353021武汉日记353027武汉日记3530幸喜桑熨林中的:/嫚儿er辛苦基层采买人员了磕p也会thttps://A18婚儿r辛苦基层采买人员了就再吃两[htt姆Ler辛苦塞层采买人员了泪惠患htps://213央视新闻2020-2-28是央视新闻2020-2-28是央视新闻2020-2-28是央视新闻2020-2-28是姆儿er辛苦基层采买人员了你的叁7https://-36386769评论央视新阁2020-2-28评论图片评论表情[中国赞]J④N(3)数据预处理首先要对数据进行清洗。由于采集的数据当中评论内容包含大量回复所含有的“被回复者名称”(如：回复@嫚儿er),采用正则等方法，通过正则式匹配，将该部分无效内容清除，为后续分析做准备。去停用词的数据预处理过程中，引用了自己写的数据预处理函数，采用哈工大停用词表，并加入微博语境中里常出现的、独特的"展开全文"、"转发微博"等无效词语，最终数据预处理后部分结果如图3所示：图3分词示意图4.基于TF-IDF的关键词分析词频-逆文件频率(TF-IDF)是一种统计方法，用来评估一个词对一个文件集或一个语料库中的其中一份文件的重要程度。在微博内容文本中如果某个词语出现次数越多，但同时在整个微博内容文本中出现的次数越少，就越能代表该文本的特性[16]。词频(TF)指一个给定的词语在微博内容文本中出现的次数。定义D为微博内容文本合集，其中一条微博文本w;表示为W₁={W₁,W₂,……,W;}为微博内容文本中的一个词条，则该词条n;;表示微博内容中的一个词条W;在微博内容中出现的次数，Lknk.;表示微博内容文本w中所有词条总数。定义D包含微博内容文本w;,则w;j,作为微博内容文本w;一个词条，逆文档频率(IDF)可表示为公式161:其中，M|表示微博内容文本D中的文本总数，d表示包含词W;的文档数。某个特定文档内的高词频率，乘以该词在整个文档中的低词频率，最终得到的就是TF-IDF的值。定义微博内容文本中t;;表示特征词语在微博中的重要性，ti;计算如下16:图4主题关键词词云在舆情的主题分析当中，少数权重比较高的关键词，对于整个事件的舆论引导来说具有较大的影响力，比如说“社区”“志愿者”“武汉”“团购”等关键词，主要对于事件发生的背景和环境以及事件过程进行描述，在事件爆发的初期，由于网上对于武汉嫂子的声源较大，人们急于宣泄自己对于社区团购的种种缺点的不满，可以看到关键词当中含有“骂”“惨”“价格”等关键词，体现了舆论爆发初期人们的总体情感状况。随着事件继续发展，央视新闻对于该事件作出回应，网络舆论普遍由宣泄愤怒转为换位思考的理解，此时关键词当中出现了“换位”,“加油”,“谢谢”,“辛苦”等词条，整体的舆论风向得到了一个较好的扭转，因此总体上来看，舆论的主题主要向两个方向分化，在不同时期当中表现出不同的情感倾向。(二)舆情演化分析1.舆情演化阶段划分本文根据目前的传播学舆情演化阶段理论，以及综合数据发表数量热度，将整个舆情扩散的阶段划分为4个不同的阶段，将这4个子阶段分别概括为生成期、舆论的扩散和爆发期，以及最后的成熟期。(1)生成阶段。指2月23号，#武汉嫂子吐槽超市配送，这一词条登上热搜，当天关于社区AB套餐事件舆论开始在网上发酵，当天阅读量达到1.5亿，在舆情爆发初期，人们处于好奇心理和发泄的想法，通过个人微博进行事件跟进，评论量巨增。(2)扩散阶段。从2月23号到2月28号，由于官方没有形成较大影响力的回应，使得舆论不断发酵，对于社区AB套餐事件的关注量不断增长，此时在部分关键的意见领袖引导下，负面情绪不断得到扩散，情感热度随之不断提升。(3)爆发阶段。2月28日央视新闻对于武汉当地买菜方式的采访登上热搜，阅读量高达1.6亿，做出对于之前社区AB套餐事件的回应，在官方媒体的引导下，人们对于该事件的关注度达到顶峰，舆情开始向较好的方向转变。(4)消退阶段。3月28日后，随着官方媒体的正式回应和人们对于整个社区B套餐事通过词云的可视化呈现，本文将上述4个舆论阶段当中计算得出的主题词，按照词频序列排序后，利用词云的可视化工具，将其进行排列呈现，意在通过主题词的可视化，表现出网民在不同阶段的情感倾向，具体如图5所示。很多文化起来厉害痛快买不想人曼喷没人态馨好盎听小区器好听卷知道次不行娌子形了汇一下要做嚣支持普定忙删说社区请鱼瓶黑哈哈哈不是逼资格视频管理鬻收报真的鬻收报真的话说话真想武汉整(a)生成阶段确实确实不熊太物业互相理解人业短大家甩装哈哈哈哈好视频私能看的小嫂子瓣东西：立:差不凯兄后油(b)扩散阶段酱疫情有点车面包哈哈哈注章酱疫情有点车面包哈哈哈注章文早就教宣加油临形式主义发希望社区很好看看洒运莲小(c)爆发阶段(d)消退阶段图5四阶段主题词词云对于社区团购套餐的缺点急需缺口宣泄，在该阶段一定程度上广泛的引主要包括“支持、骂、痛快”等，表现对于当事人支持的关键词，在一定程度上呈现出负面化的情感倾向。身份“教师”的探究，对于武汉嫂子本身的职业受到该事件的影响油、致敬”等关键词持续涌现，但也出现了“形式主义”等负面情感，总体上回归到理性探(一)信息传播网络构建和分析在微博平台当中，特定环境下的社会网络具有其独特的特征，尤其是作为节点的各个个体用户在微博平台当中存在着多种多样的关系，这种关系往往是有向的，包括评论转发关注等等，这些节点之间的相互关系构成了广阔的用户信息的社会传网络，如图6所示[15]。3⑤2⑩6①⑨8在图6当中以举例的形式刻画了一个较为简单的社会网络传播关系图，在这个图当中存在着节点和节点关系两种构成要素。除了在社会网络当中存在的各个主体节点之外，节点之间的关系可以是无向的也可以是向的，在微博语境当中这种关系往往呈现出有向的特征，这也表现出节点之间的交流沟通关系。如图中节点6存在着一条指向节点7的有向箭头，则代表节点6向节点7传递信息，图中节点2与节点8之间存在双向箭头，则代表用户2与用户8之间存在双向交流关系。通过对于整个数据当中，不同主体节点和节点之间关系的社会网络关系重新建构，可以了解到在该事件的舆情传播过程当中，每个节点在其中扮演的不同角色、起到的不同作用以及不同角色之间产生的情感特征的关联。对于寻找和引导“意见领袖”,具有重要的意义。(1)微博数据传播关系的提取和存储通过示意图可知对于社会网络当中关系的探寻，往往依赖于这些有向的“箭头”,在本文研究当中提供矩阵存储来将这些节点之间的关系进行保存，即邻接矩阵。在邻接矩阵当中，每个用户节点属于不同的行和列，他们之间是否存在着传播的关系，则由矩阵当中所在线和所在列的单元格数值表示，若为n则意为由行用户向列用户传播信息n次，存储数据的邻接矩阵部分如图7所示：ABCDEFGHIJKLMN0PQRs1234561789000000④(2)微博数据传播社会网络关系构建及k-核分析在已选择的社区AB套餐事件话题下，经过筛选，共选择出包含4710个用户主体。在已有数据的基础上，利用上述存储的邻接矩阵关系，本文使用软件pajek,在进行节点位置重新布局的同时，将整个社会网络关系进行可视化。作用kamada-kawei算法，整理了存储的4000余节点位置，重新聚合了能够被划分进入凝聚子群的，具有相关关系的节点。最终聚合出现的整体传播网络如下图所示。从上图社会网络的结构图可以看出，在该事件当中，随着时间的变化和参与主体的不同，可以划分为几个比较明显的凝聚子群，这些子群内部存在着较为有影响力的“意见领袖”用户，也存在着处于凝聚子群外围的影响比较小的用户群体。大体可以看出，总体上来说存在着三个比较大的群类，各自在群内内部发挥着较为明显的聚集影响作用。接下来在已有数据的基础上对于整体进行K-核分析。K-核分析是指通过将网络当中的节点度值(包括入度中心度和出度中心度)进行计算和选取，从中抽取大于或等于K值的部分节点，使之组成新的网络的分析方式。通过这种分析方式，我们可以大体上了解整体事件当中用户的团体凝聚子群分布，以及在不同凝聚子群当中发挥重要影响力的个体用户关系。mFiaielabmf罗特取备r依据社会网络中的三元组概念(指三个节点形成的三元关系是形成三元闭包，使得其中一个节点受到另外两个节点关系影响的基本条件),为了更好的衡量聚集度，本文选择以3为界限，考察3-核网络的凝聚子群关系。由图9中的网络示意图可见，3-核网络当中仍然较为明显的分为三个子群，通过对于其出入度中心度的衡量可见，这三个子群分别以“央视新闻”、“脸部轮廓鼻修复医生张召”、“深圳头条热门”为中心，其中“央视新闻”所在节点周边凝聚子群最为密集，形成了最大的凝聚群落。总体而言，在3-核网络当中，最大联通块数为1343,最大密度为0.029,综合而言尽管在某些群落当中联通密度较大，但仍然存在着较为稀疏的网络特征，这也是在正常的社交网络当中的共同特点。在在分析过程中对于3和网络进行k-核分解，找到在该社会网络当中最大的核，即4-核网络，即为在这个和当中每个节点至少和4个节点直接联系。由图可见，在该社会网络当中，围绕的中心点是央视新闻等官方媒体账号，对于整个社会网络起到了重要的影响力，由此可以见到官方媒体平台对于整个舆情传播的重要意义。图10最大核网络示意图(3)传播社会网络关系指标分析为了对于这三个群落进行更加细致的、专注到个体的分析，接下来本文对于社会网络关系当中的常见指标进行研究。本文将寻找的关键用户锁定为三类用户群体，分别为高被转发用户以及在此当中充当沟通桥梁的关键中间用户和属于活跃群体的高转发用户，其中高被转发用户，指的是此类用户的信息更多的被转发，在整个网络当中具有高影响力。高转发用户则是指的整个社交网络中较为活跃的群体，更多的转发信息。关键中间用户则使得两个高影响力用户之间具有传播桥梁，使得信息得以扩散，以上三种类型的关键用户的分析方法如下。高被转发用户的计算方法，采用社会网络分析当中的入度中心度中心性，入度中心度中心性可以用来衡量该节点被关注的程度，体现的是其他节点，都想与这个节点相连接的程度，往往是在有向的社会网络传播过程当中，被转播次数较高的用户，这其中也要考虑到用户传播过程当中的连线权重，也就是说，每两个用户之间的传播关系有时不止一次，此时两个用户之间的传播连线就具有不同的权重。以下的表中列出了前5个在事件当中数度较高的用户入度中心度中心性。用户名央视新闻头条新闻小微不想上夜班北京青年报视新闻可以发现在，在对于整个事件的舆情传播过程的探寻中，舆情内容相关的信息来源从最作为新闻的官方来源，排在前5的主要是各类的新闻媒体，但由于这一事件在网络当中来源的驳杂，其中也存在部分的个人主体。高转发用户的计算方法，采取社会网络分析当中的出度中心度中心性计算。在社会网络当中，每一个节点上用户的出度中心度中心性指的是转发其他用户传播次数较多的用户，作为整个社会网络当中的活跃主体，他们对于信息传播具有重要影响。用户名出度中心度中心性儿er蜜桃推土机观察可以发现，此时的用户群体，主体为个人用户，在事件传播过程当中，他们喜欢关注和评论其他用户的信息，并且转发其他用户相关的微博，在信息的扩散当中起到了重要的对于关键中间用户的测量手法，采用社会网络分析指标当中的中间中心度进行检索。关键中间用户，在这种意义上是指的是在社交网络当中，充当信息传播桥梁的一类用户，在两个小团体当中起到信息传递的桥梁作用。中间中心度是指一个点处于点对捷径(指的是点对的最短途径)上的能力，下面分别是该市事件舆论传播过程当中，中间中心度排序前5的用用户名中间中心度是白的条新闻曾是个少年i洋木一中间中心度高的用户，往往处于不同节点的相互沟通(即信息扩散的不同流动渠道)中的关键位置，相比而言尽管并不存在实际上更高的传播影响力和活跃程度，在整个网络当中起到联通其他用户的关键作用，观察上图可以得知以上用户主要是粉丝量较大的个人用户和通过上述三种社会网络分析的常用指标，寻找到的关键用户，由于(二)传播网络与用户情感相关性分析在前一节对于整个舆论传播网络进行构建和分析的基础上，本文希望能够到分析用户情感是否会影响该用户在整个社会信息网络传播当中起到作用和社会网络特征，以此从个人情在上述情感分析过程当中，通过对于每条评论与情感词典相匹配的计算，本文将不同评论分别赋予了不同的情绪定性表征，以大连理工大学情感词典为基础，分别将不同评论表征为“乐好怒哀惧恶惊”七大类定向情绪特征，建立情绪向量。继而将该情绪向量与上述社会情绪类别出度中心度中间中心度有表4可得，情绪向量和社会网络特征当中的变量仍然在0.05级别显著相关。为了分析上述三种，也就是高被转发用户、高转发用户以及关键用户，三类在舆论传播中起到重要作用的核心群体用户，其表现出来的社交网络特征是否与其所表现的外部情绪有相关关系，本情绪类别出度中心度总度数中间度乐好怒哀惧恶惊表5中第2列为用户数指的是在网络中表现出特定情绪的用户数且传播或被传播的用户，而不考虑单独的用户。入度中心度指的是该情绪下的所有用户入度中心度的平均值，与之相对应的是出度中心度平均值和总和。第六列标准差，反映在该情绪下用户的离散情况，标准差越大则差异越大。最后一列中间度指该种情绪的用户在网络当中所起的中间性的程度。观察上表可以得出，从出度中心度而言，表达恶和怒的两种情绪出度中心度较高，标准差也较低，说明表达这两种情绪的用户在该舆论事件当中更容易被转发。从入度中心度角度来说，上述两种情绪也会更多的体现在转发用户当中。从中间度的角度而言，可以发现表现出怒和惊两种情绪的人更容易得到高影响用户的关注，这些情绪会吸引其他用户对他们的评论或转发，从而实现信息的传播。综上分析可以发现，在该事件当中，不同情绪对于不同用户角色的影响差异比较大，这主要受到事件性质的影响，例如“怒”、“恶”这样的较为负面的情绪，在该事件的舆情传播中具有更高的入度中心度和出度中心度，在事件当中起到了重要影响，而“惊”则由于更容易吸引其他群体关注，而构建起信息传播的桥梁。在本案例当中，表达上述三种情绪的用户情绪极限强度高，比较容易引起多次的转发和回复，一旦对相应情绪的用户进行关注，针对性的进行安抚，则会极大的降低事件和舆论被扩散的程度。5.网络舆情引导建议(1)基于舆情演化和情感倾向的引导建议在舆情演化的过程当中，应当重视在舆情发生初期的舆情监测活动，在评论量日益增长，关注逐渐增高的时候，应当及时跟进，杜绝负面舆论的进一步传播。在舆情爆发的重要阶段，网民情感处于顶峰，人们持续关注着最新的新闻动态，舆情监管部门更应当与社交媒体建立同步的合作网络，实现实时的权威信息发布，降低爆发期的高峰，将网络舆情向着积极向好在舆情消退时期，更应当进行及时的反思，重视该事件和舆论的后续影响。在一定范围内对于整个社会社交媒体平台进行制度监管和健全，对于整体的网络舆情管理进行提升。(2)基于社会网络特征的引导建议关注传播过程当中的关键用户，根据分析可见，在整个舆论的传播过程当中，“关键用户”起到了重要作用，本研究识别了三种类型的关键用户，也就是高影响用户，关键中间用户和高活跃度用户，他们分别在整个舆论传播当中扮演了不同的角色，有关部门在对舆论进行合理引导时，应当对他们给予更多的关注。一方面可以借助具有高影响力的官方媒体等用户发布更加权威的信息，防止谣言的扩散。另一方面针对关键中间用户，尤其是表现出容易被关注的情绪的用户，进行有针对性的安抚和引导，避免其将谣言和舆论快速的传播给其他用户。[1]马费成，夏永红.网络信息的生命周期实证研究[J].情报理论与实践，2009,32(06):1-7.[2]易承志.群体性突发事件网络舆情的演变机制分析[J].情报杂志，2011,30(12):6-12.[3]刘社瑞，唐双.自媒体时代微博舆情演化与应对策略