基于社交网络结构和内容的层次观点挖掘.pdfVIP

摘 要 社交媒体的迅猛发展为用户提供了更为丰富的表达观点的方式，例如写评论、发表 情等，这些文本数据混杂着关注、点赞、转发等行为数据，对现有的观点挖掘方法提出 了挑战。考虑到社交媒体数据具有以下特性：（1）用户持有多粒度的观点；（2）用户感 兴趣的主题更大程度上影响用户的观点；（3）社交网络结构上有联系的用户之间可能共 享相同的观点；（4）用户的观点可能随时间变化，本文围绕基于结构和内容的层次观点 挖掘展开研究。论文的主要工作包括如下： 1）考虑到微博文本观点的多粒度特性，我们提出了基于概率图模型的层次观点挖 掘方法（HierarchicalOpinionPhase，HOP）。与传统的层次主题模型不同，HOP 假设对 于某一主题只持有支持或者反对立场，这样HOP 模型在根节点只有两个分支。同时为 了更好地表示观点，我们引入了短语（Phrase）的概念。为了进一步提高层次观点挖掘 的准确性，我们引入了哈希标签和情感词字典作为先验。HOP 模型在我们爬取的两个 分别关于“英国脱欧”和“美国大选”热点主题的微博数据集上实验，结果表明，HOP 能够准确地挖掘出层次观点，在文本级别的立场分类上也能取得了不错的性能。 2）考虑到用户的观点可能来源于文本的表达，也可能来源于其所在的好友群体， 我们提出了一种基于结构和内容的动态观点神经网络模型（Neural Opinion Dynamics， NOD）。该模型将每个用户建模为一个递归神经网络（RNN），用以模拟用户的时序行 为，每个RNN 的输入为用户的微博文本，用户邻居的微博文本以及每条微博的主题，由 一个注意力机制概括这些特征，这一注意力机制反映了“用户对感兴趣的话题会投入更 多关注度”这一现象。模型在爬取的微博数据流上进行实验，每个时间段的数据被用于 预测下一个时间段的立场，结果表明，NOD 模型能够准确地预测用户关于某一主题的 立场。 关键词： 层次观点挖掘，概率图，神经网络，社交网络，动态模型 I Abstract TheadventofsocialmediaplatformssuchasTweethasprovideduserswithunprecedented methodstoshowtheirpreferences. Alargeportionofusersmanifestthemselvesinchronolog- ical behaviors, scilicet in following, commenting on or forwarding others’ texts. This poses several new challenges to existing approaches in the field of opinion mining. Firstly, users’ opinions exhibit a hierarchical structure. Secondly, users are not necessarily influenced by all thesurroundingcontexts,theytendtoignorethosemicroblogscontainingtopicsfallingoutside of their interests. Thirdly, users gather together through social interactions instead of explicit texts. Fourthly and lastly, users may update their opinions over time. These characteristics in- spireustoexploreaunifiedarchitecturetotakeintoaccountmiscellaneousdataandusermodes forclassifyinguser-leveltopic-dependentstances. Since opinions expressed in text exhibit a hierarchical tree structure, we develop the Hi- erarchical Opinion Phrase (HOP)