網(wǎng)絡言論情緒態(tài)度定位方法及裝置制造方法
【專利摘要】本發(fā)明涉及網(wǎng)絡言論情緒態(tài)度定位方法及裝置。該方法包括：獲取言論性網(wǎng)絡平臺的網(wǎng)絡言論；判斷所述網(wǎng)絡言論是否含有表情，若是，則提取所述網(wǎng)絡言論中所有表情，并根據(jù)情緒態(tài)度模型，得到各表情所對應的情緒值，對各表情的情緒值進行比較，將情緒值最大的表情所對應的情緒態(tài)度作為所述網(wǎng)絡言論的情緒態(tài)度，若否，則利用預先完成訓練的神經(jīng)網(wǎng)絡模型，計算出所述網(wǎng)絡言論的情緒態(tài)度。本發(fā)明對網(wǎng)絡言論所表達的情緒進行有效的量化，量化的網(wǎng)絡言論能夠作為輿論事件的未來發(fā)展動向分析的有效的數(shù)據(jù)基礎，從而提高預測輿論事件動向的精確度。
【專利說明】網(wǎng)絡言論情緒態(tài)度定位方法及裝置

【技術領域】
[0001] 本發(fā)明涉及計算機程序。

【背景技術】
[0002] 截止2012年12月，我國網(wǎng)民數(shù)量達到5. 64億人，互聯(lián)網(wǎng)普及率達42. 1 %。新浪 微博用戶截至2012年12月底已超5億，日活躍用戶數(shù)達到4620萬。網(wǎng)絡輿論不再局限于 網(wǎng)上，其影響已經(jīng)深入到社會的社會、文化、經(jīng)濟等各個方面。
[0003] 互聯(lián)網(wǎng)的大數(shù)據(jù)研究成為國際熱點。無論是政治、軍事、科學技術等關系國計民 生的重要領域還是流行病學、商業(yè)、娛樂等日常生活領域，互聯(lián)網(wǎng)大數(shù)據(jù)持續(xù)展現(xiàn)著它強 大的影響力。社交媒體不再僅是一種娛樂工具，它還成了 2012的重要戰(zhàn)場（Metaxas & Mustafaraj，2012)。甚至沒有軍事背景的考古學家利用谷歌地球上的衛(wèi)星圖像，可以描繪 出美國Guantdnamo海灣海軍基地的第一個獨立的戰(zhàn)俘營地圖。同時，在線科學信息和網(wǎng)絡 公開課程幫助人們縮小了知識差距，研究表明頻繁使用網(wǎng)絡的用戶會更加支持基礎科學的 研究。
[0004] 在2005年到2013年2月間，發(fā)表在《science》和《nature》上的互聯(lián)網(wǎng)大數(shù)據(jù)相 關文章多達36篇，并保持著續(xù)增長的趨勢。
[0005] 大數(shù)據(jù)可更好的預測人們的行為。目前，互聯(lián)網(wǎng)已進入多對多（many to many)的 "云計算" (cloud computing)時代，能夠同時鏈接數(shù)以百萬計的用戶?；ヂ?lián)網(wǎng)帶來的這種 全新的大數(shù)據(jù)形式提供了一個整合性的框架研究者可以大規(guī)模地、及時地獲取多樣性的研 究數(shù)據(jù)，從而可以更好地運用技術社會系統(tǒng)的預測力。有研究者利用Digg成功預測熱點新 聞，而Google開發(fā)的Flu Trends可清晰展示流感蔓延圖像，進而幫助醫(yī)生有效地抑制流 感疫情發(fā)展（www. google, org/flutrends)。
[0006] 網(wǎng)絡已經(jīng)成為重要的輿論策源地。當前，許多社會熱點事件往往是先在網(wǎng)絡上爆 料，引發(fā)了大量關注后再有傳統(tǒng)媒體跟進報道。祝華新就指出中國存在的兩個輿論場，一個 是以黨報、國家通訊社、國家電視臺組成的官方輿論場，另一個是互聯(lián)網(wǎng)尤其是微博構(gòu)成的 民間輿論場。由于網(wǎng)絡輿論對于當今政治生活的重要性，許多研究者都認為，網(wǎng)絡輿論是社 會情緒的晴雨表。
[0007] 傳統(tǒng)心理學研究多集中在"個體水平"，而社交媒體出現(xiàn)為我們研究"集體情緒"提 供了便利條件。這也成為了國外學術界的一個熱點，Peter Dodds《Science》就提出"用 Twitter來追蹤國家的情緒，就像用衛(wèi)星來追蹤大氣層一樣。"
[0008] 據(jù)發(fā)明人的不完全統(tǒng)計，國際學術界利用社會媒體情緒追蹤技術（Social Media Sentiment tracking)在近兩年成爆發(fā)式涌現(xiàn)，比如Golder等人（2011)就利用Twitter 來監(jiān)控不同國家人們24小時的情緒變化規(guī)律，該研究結(jié)果發(fā)表在2011年的《Science》上。 也有研究者利用Twitter對國民幸福感的測量（Dodds，2011)。越來越多的研究表明，集 體情緒可有效預測公眾行為，一些研究者利用twitter上人們的心情預測到股市的漲跌 (Zhang，F(xiàn)uehres，& Gloor，2010)和電影票房的高低（Asur & Huberman，2010)。而 Veooz 網(wǎng)站宣稱在美國大選前就利用其情緒搜索工具預測奧巴馬將戰(zhàn)勝羅姆尼（WWW. veooz. com/ Obama-vs-Romney)〇
[0009] 情緒在網(wǎng)絡輿論形成中的作用。需要對不確定環(huán)境作出快速判斷時，人們往往采 用的是啟發(fā)式思維（Zajonc，1980)，網(wǎng)絡信息的碎片化、冗余信息的大量存在等特點決定了 在面臨這樣的模糊信息情境時人們更可能采用基于情緒的快速思維方式。發(fā)明人前期研究 也發(fā)現(xiàn)網(wǎng)絡輿論往往是一種基于情緒體驗的快速直覺性判斷，尤其是按"憤怒"這種趨近情 緒可以有效預測網(wǎng)民的態(tài)度和行為傾向，包括對事件的容忍度、對將來改變的預期、對他人 的預期、做出改變的意愿等。
[0010] 了解情緒在網(wǎng)絡輿論形成中的具體實現(xiàn)機制，可以幫助我們了解互聯(lián)網(wǎng)情境下的 集體態(tài)度形成規(guī)律，也將為正確了解和引導輿論提供重要的指導意義。
[0011] 現(xiàn)有的情緒系統(tǒng)具有一定局限性。據(jù)不完全統(tǒng)計，現(xiàn)有的大數(shù)據(jù)情緒追蹤 采用的情緒系統(tǒng)基本是按正負情緒或類似的按"體驗"劃分情緒系統(tǒng)（例如，Asur & Huberman, 2010 ;Golder & Macy, 2011 ;Zhang, Fuehres, & Gloor, 2010)，這種情緒系統(tǒng)多是 基于個體水平的心理學研究。發(fā)明人認為在網(wǎng)絡集體情緒的研究中采用按行為趨勢劃分的 趨避情緒系統(tǒng)（approach-avoid)更為合適。
[0012] 如果說正負情緒等是通過刺激輸入的性質(zhì)來區(qū)分，那么"approach-avoid"情緒可 以看作是以行為輸出為標準。兩者不一定是完全對應的，例如憤怒情緒就是一個例子。憤 怒情緒被看作是一種趨近（approach)情緒也獲得了一些證據(jù)支持。趨避情緒和正負效價 情緒的不同也有來自腦神經(jīng)研究的支持。Sutton和Davidson發(fā)現(xiàn)，左側(cè)額葉的激活跟趨近 有關，而右側(cè)額葉的激活跟回避有關。更為關鍵的是，這兩種激活能夠預測趨避情緒，而無 法預測正負情緒。
[0013] 傳統(tǒng)心理學統(tǒng)計模型在處理大數(shù)據(jù)時具有一定局限性。傳統(tǒng)心理學模型如多元回 歸分析（Darlington, 1968)、結(jié)構(gòu)方程模型（Ullman & Bentler, 2003)等只有在心理模型具 備某些數(shù)學性質(zhì)（如內(nèi)變量連續(xù)或服從正態(tài)分布）的前提下才能保證建模的有效性和準確 性。由于大數(shù)據(jù)模型涉及的因素繁多，并且因素間存在復雜的非線性關系，難以用數(shù)學表達 進行準確描述，也難以考察其數(shù)學性質(zhì)，上述數(shù)學建模方法很難取得令人滿意的效果。
[0014] 隨著計算機技術的進步，出現(xiàn)了神經(jīng)網(wǎng)絡、演化計算、群體智能等通過模擬生物智 能行為或自然界智能現(xiàn)象來對問題進行建模優(yōu)化的計算智能方法。其主要特點是：算法操 作不依賴模型的數(shù)學特性，不要求模型具有顯式的數(shù)學表達；具有內(nèi)在的隱并行性，在處理 大規(guī)模數(shù)據(jù)上有先天優(yōu)勢；采用概率化的尋優(yōu)方法，能夠自適應地調(diào)整搜索方向，具有較好 的全局搜索性能。
[0015] 目前，計算智能優(yōu)化建模已被廣泛應用于工業(yè)設計、生產(chǎn)管理、交通運輸、數(shù)據(jù)挖 掘等多個領域，但在心理學建模方面的應用至今仍未見運用。


【發(fā)明內(nèi)容】

[0016] 本發(fā)明的目的在于提出一種網(wǎng)絡言論情緒態(tài)度定位方法，其能解決無法對輿論事 件未來的發(fā)展動向提供有效的分析數(shù)據(jù)的問題。
[0017] 為了達到上述目的，本發(fā)明所采用的技術方案如下：
[0018] 網(wǎng)絡言論情緒態(tài)度定位方法，其包括以下步驟：
[0019] 步驟1、獲取言論性網(wǎng)絡平臺的網(wǎng)絡言論；
[0020] 步驟2、判斷所述網(wǎng)絡言論是否含有表情，若是，則執(zhí)行步驟3,若否，則執(zhí)行步驟 4 ；
[0021] 步驟3、提取所述網(wǎng)絡言論中所有表情，并根據(jù)情緒態(tài)度模型，得到各表情所對應 的情緒值，對各表情的情緒值進行比較，將情緒值最大的表情所對應的情緒態(tài)度作為所述 網(wǎng)絡言論的情緒態(tài)度；
[0022] 其中，所述情緒態(tài)度模型為具有四個象限的平面坐標系，每個象限中預設有表情 與坐標值的對應關系，每個象限代表一種情緒態(tài)度；所述情緒值為表情與平面坐標系的圓 點的距離；
[0023] 步驟4、利用預先完成訓練的神經(jīng)網(wǎng)絡模型，計算出所述網(wǎng)絡言論的情緒態(tài)度；
[0024] 其中，所述神經(jīng)網(wǎng)絡模型用于根據(jù)含有表情的網(wǎng)絡言論所構(gòu)成的樣本集，計算不 含表情的網(wǎng)絡言論的情緒態(tài)度。
[0025] 本發(fā)明還提出一種網(wǎng)絡言論情緒態(tài)度定位裝置，其包括以下模塊：
[0026] 獲取模塊，用于獲取言論性網(wǎng)絡平臺的網(wǎng)絡言論；
[0027] 判斷模塊，用于判斷所述網(wǎng)絡言論是否含有表情，若是，則第一計算模塊，若否， 則執(zhí)行第二計算模塊；
[0028] 第一計算模塊，用于提取所述網(wǎng)絡言論中所有表情，并根據(jù)情緒態(tài)度模型，得到各 表情所對應的情緒值，對各表情的情緒值進行比較，將情緒值最大的表情所對應的情緒態(tài) 度作為所述網(wǎng)絡言論的情緒態(tài)度；
[0029] 其中，所述情緒態(tài)度模型為具有四個象限的平面坐標系，每個象限中預設有表情 與坐標值的對應關系，每個象限代表一種情緒態(tài)度；所述情緒值為表情與平面坐標系的圓 點的距離；
[0030] 第二計算模塊，用于利用預先完成訓練的神經(jīng)網(wǎng)絡模型，計算出所述網(wǎng)絡言論的 情緒態(tài)度；
[0031] 其中，所述神經(jīng)網(wǎng)絡模型用于根據(jù)含有表情的網(wǎng)絡言論所構(gòu)成的樣本集，計算不 含表情的網(wǎng)絡言論的情緒態(tài)度。
[0032] 上述神經(jīng)網(wǎng)絡模型的訓練過程如下：
[0033] 對含有表情的網(wǎng)絡言論的文本中包含的所有詞進行提取，記錄每一條文本中各詞 出現(xiàn)的次數(shù)，從而建立文本詞典矩陣；
[0034] 采用TF-IDF算法提取出所述含有表情的網(wǎng)絡言論的文本中的所有核心關鍵詞， 記錄每一條文本中各核心關鍵詞的次數(shù)，從而建立核心關鍵詞矩陣；
[0035] 計算每一條含有表情的網(wǎng)絡言論的情緒態(tài)度，并建立情緒態(tài)度輸出矩陣；
[0036] 將文本詞典矩陣和核心關鍵詞矩陣作為神經(jīng)網(wǎng)絡模型的輸入項，將情緒態(tài)度輸出 矩陣作為神經(jīng)網(wǎng)絡模型的輸出項，以進行訓練。
[0037] 上述言論性網(wǎng)絡平臺為微博或論壇。
[0038] 本發(fā)明具有如下有益效果：
[0039] 對網(wǎng)絡言論所表達的情緒進行有效的量化，量化的網(wǎng)絡言論能夠作為輿論事件的 未來發(fā)展動向分析的有效的數(shù)據(jù)基礎，從而提高預測輿論事件動向的精確度。

【專利附圖】

【附圖說明】
[0040] 圖1為本發(fā)明較佳實施例的網(wǎng)絡言論情緒態(tài)度定位方法的流程圖；
[0041] 圖2為本發(fā)明較佳實施例的情緒態(tài)度模型示意圖；
[0042] 圖3為公知的神經(jīng)網(wǎng)絡模型示意圖；
[0043] 圖4為樣本1的微博截圖；
[0044] 圖5為樣本2的微博截圖；
[0045] 圖6為樣本3的微博截圖。

【具體實施方式】
[0046] 下面，結(jié)合附圖以及【具體實施方式】，對本發(fā)明做進一步描述。
[0047] 如圖1所示，網(wǎng)絡言論情緒態(tài)度定位方法，其包括以下步驟：
[0048] 步驟S1、利用爬蟲程序，從言論性網(wǎng)絡平臺中獲取一條網(wǎng)絡言論。所述言論性網(wǎng)絡 平臺可以是微博、論壇等，還可以從門戶網(wǎng)站的評論回復中爬回數(shù)據(jù)。
[0049] 步驟S2、判斷所述網(wǎng)絡言論是否含有表情，若是，則執(zhí)行步驟S3,若否，則執(zhí)行步 驟S4。如果本條網(wǎng)絡言論中含有表情，但該表情并沒有預先收集，則也判斷本條網(wǎng)絡言論不 含有表情，按步驟4進行處理。
[0050] 步驟S3、提取所述網(wǎng)絡言論中所有表情，并根據(jù)情緒態(tài)度模型，得到各表情所對應 的情緒值，對各表情的情緒值進行比較，將情緒值最大的表情所對應的情緒態(tài)度作為所述 網(wǎng)絡言論的情緒態(tài)度。
[0051] 其中，所述情緒態(tài)度模型為具有四個象限的平面坐標系，每個象限中預設有表情 與坐標值的對應關系，每個象限代表一種情緒態(tài)度；所述情緒值為表情與平面坐標系的圓 點的距離。
[0052] 具體的，人在面對刺激，例如各種事件和問題時，會做出不同的心理和行為反應。 根據(jù)總體反應的方向維度來區(qū)分的話有兩種方向，一個是趨近，一個是回避。一般來說，人 會趨近積極的刺激而回避消極的刺激。刺激所激發(fā)的這兩種行為背后的動機可以分別定義 為（1)欲求動機系統(tǒng)（appetitive motivational system),又稱趨近動機系統(tǒng)；和（2)厭 惡動機系統(tǒng)（aversive motivational system),又稱回避動機系統(tǒng)。
[0053] 情緒具有動機的功能。這兩種動機系統(tǒng)伴隨的分別是趨近情緒和回避情緒，例如 快樂和厭惡。從動機系統(tǒng)的理論框架出發(fā)，積極的情緒應該是屬于趨近的情緒，而消極的情 緒應該是回避情緒。根據(jù)情緒的評估理論（appraisal theories of emotion),假如引起情 緒的事件是積極的，那么相對應的情緒是積極情緒；反之，如果激起情緒的事件是消極的， 那么其對應情緒應是消極情緒（例如，Lazarus, 1991)。根據(jù)這個分類標準，憤怒（anger) 通常被認為是消極的情緒（Harmon-Jones, 2004),因此也就是回避情緒。有學者認為，積極 和消極情緒跟趨近和回避情緒很大程度上是一樣的（Watson et al.，1999)。
[0054] 如果說正vs負情緒是通過刺激輸入的性質(zhì)來區(qū)分，那么趨近vs回避情緒可 以看作是以行為輸出為標準。兩者不一定是完全對應的，例如憤怒情緒就是一個例子 (Harmon-Jones & Allen, 1998)。憤怒情緒被看作是一種趨近情緒也獲得了一些證據(jù)支 持（Carve & Harmon-Jones, 2009)。趨避情緒和正負效價情緒的不同也有來自腦神經(jīng)研 究的支持。Sutton和Davidson(1997)發(fā)現(xiàn)，左側(cè)額葉的激活跟趨近有關，而右側(cè)額葉的 激活跟回避有關。更為關鍵的是，這兩種激活能夠預測趨避情緒，而無法預測正負情緒。 越來越多的證據(jù)也表明，趨近情緒與大腦左側(cè)的活動相關（Harmon-Jones & Allen，1998; Harmon-Jones, Lueck, Fearn, & Harmon-Jones, 2006)〇
[0055] 可見，除了從效價（valence)和喚醒（arousal)維度來描述情緒，從趨避動機的維 度來分類情緒在一定程度上更能預測情緒對未來行為的影響。
[0056] 因此，本實施例將情緒態(tài)度劃分為4個維度：
[0057] 象限一：希望度
[0058] "希望度"指標（正情緒+高控制感），該象限內(nèi)的情緒態(tài)度反映的是人們對事情 抱有的正面希望，如果給力、高興。
[0059] 象限二：問題解決期待度
[0060] "問題解決期待度"指標（負情緒+高控制感），該象限內(nèi)的情緒態(tài)度反映的是人 們對現(xiàn)狀不滿（負情緒）并且期望能在將來解決問題（高控制感），如憤怒、滾。
[0061] 象限三：悲觀度
[0062] "悲觀度"指標（負情緒+低控制感），該象限內(nèi)的情緒態(tài)度反映的是人們對現(xiàn)狀 不滿（負情緒），也對將來解決問題不報期望（低控制感），如悲傷、坑爹。
[0063] 象限四：犬儒度
[0064] "犬儒度"指標（正情緒+低控制感），該象限內(nèi)的情緒態(tài)度反映的是人們由于長 期對解決問題無望（低控制感），由原來的負情緒轉(zhuǎn)為沒有情緒或正情緒，如浮云、圍觀。 [0065] 情緒態(tài)度模型的建立過程如下：
[0066] 先對互聯(lián)網(wǎng)的網(wǎng)絡言論中常見的表情進行收集，再通過大量的人工標記調(diào)查，計 算標記的平均值，作為表情與情緒態(tài)度的對應關系。
[0067] 如圖2所示，例如，1000個測試人員將各種互聯(lián)網(wǎng)常用表情根據(jù)系統(tǒng)參考值（憤怒 /悲觀/浮云/圍觀/給力的位置），拖選某表情至坐標系的合理位置。例如針對"鄙視"這 個表情，測試人員A拖放到上述坐標系后，系統(tǒng)記錄該表情的坐標（100, 30)，測試人員B拖 到坐標系的坐標是（-50,45)，測試人員C的是（-76, 30)……系統(tǒng)收集整理全部測試人員的 樣本后，利用K中心算法（K-medoids算法）計算每個表情的中心點坐標，結(jié)果是（-50,45)， 中心點落第二象限，意味著該表情屬于情緒態(tài)度模型中的"問題解決期待（負情緒+高控制 感）"類別，情緒值是該點到原點〇的距離67。以此類推，計算出所有表情所屬的象限及其 情緒值。
[0068] 計算出各表情在坐標系中的坐標平均值，得出表情所代表的情緒態(tài)度維度。
[0069]

【權利要求】
1. 網(wǎng)絡言論情緒態(tài)度定位方法，其特征在于，包括以下步驟： 步驟1、獲取言論性網(wǎng)絡平臺的網(wǎng)絡言論； 步驟2、判斷所述網(wǎng)絡言論是否含有表情，若是，則執(zhí)行步驟3,若否，則執(zhí)行步驟4 ; 步驟3、提取所述網(wǎng)絡言論中所有表情，并根據(jù)情緒態(tài)度模型，得到各表情所對應的情 緒值，對各表情的情緒值進行比較，將情緒值最大的表情所對應的情緒態(tài)度作為所述網(wǎng)絡 言論的情緒態(tài)度； 其中，所述情緒態(tài)度模型為具有四個象限的平面坐標系，每個象限中預設有表情與坐 標值的對應關系，每個象限代表一種情緒態(tài)度；所述情緒值為表情與平面坐標系的圓點的 距離； 步驟4、利用預先完成訓練的神經(jīng)網(wǎng)絡模型，計算出所述網(wǎng)絡言論的情緒態(tài)度； 其中，所述神經(jīng)網(wǎng)絡模型用于根據(jù)含有表情的網(wǎng)絡言論所構(gòu)成的樣本集，計算不含表 情的網(wǎng)絡言論的情緒態(tài)度。
2. 如權利要求1所述的網(wǎng)絡言論情緒態(tài)度定位方法，其特征在于， 所述神經(jīng)網(wǎng)絡模型的訓練過程如下： 對含有表情的網(wǎng)絡言論的文本中包含的所有詞進行提取，記錄每一條文本中各詞出現(xiàn) 的次數(shù)，從而建立文本詞典矩陣； 采用TF-IDF算法提取出所述含有表情的網(wǎng)絡言論的文本中的所有核心關鍵詞，記錄 每一條文本中各核心關鍵詞的次數(shù)，從而建立核心關鍵詞矩陣； 計算每一條含有表情的網(wǎng)絡言論的情緒態(tài)度，并建立情緒態(tài)度輸出矩陣； 將文本詞典矩陣和核心關鍵詞矩陣作為神經(jīng)網(wǎng)絡模型的輸入項，將情緒態(tài)度輸出矩陣 作為神經(jīng)網(wǎng)絡模型的輸出項，以進行訓練。
3. 如權利要求1所述的網(wǎng)絡言論情緒態(tài)度定位方法，其特征在于， 所述言論性網(wǎng)絡平臺為微博或論壇。
4. 網(wǎng)絡言論情緒態(tài)度定位裝置，其特征在于，包括以下模塊： 獲取模塊，用于獲取言論性網(wǎng)絡平臺的網(wǎng)絡言論； 判斷模塊，用于判斷所述網(wǎng)絡言論是否含有表情，若是，則第一計算模塊，若否，則執(zhí)行 第二計算模塊； 第一計算模塊，用于提取所述網(wǎng)絡言論中所有表情，并根據(jù)情緒態(tài)度模型，得到各表情 所對應的情緒值，對各表情的情緒值進行比較，將情緒值最大的表情所對應的情緒態(tài)度作 為所述網(wǎng)絡言論的情緒態(tài)度； 其中，所述情緒態(tài)度模型為具有四個象限的平面坐標系，每個象限中預設有表情與坐 標值的對應關系，每個象限代表一種情緒態(tài)度；所述情緒值為表情與平面坐標系的圓點的 距離； 第二計算模塊，用于利用預先完成訓練的神經(jīng)網(wǎng)絡模型，計算出所述網(wǎng)絡言論的情緒 態(tài)度； 其中，所述神經(jīng)網(wǎng)絡模型用于根據(jù)含有表情的網(wǎng)絡言論所構(gòu)成的樣本集，計算不含表 情的網(wǎng)絡言論的情緒態(tài)度。
5. 如權利要求4所述的網(wǎng)絡言論情緒態(tài)度定位裝置，其特征在于， 所述神經(jīng)網(wǎng)絡模型的訓練過程如下： 對含有表情的網(wǎng)絡言論的文本中包含的所有詞進行提取，記錄每一條文本中各詞出現(xiàn) 的次數(shù)，從而建立文本詞典矩陣； 采用TF-IDF算法提取出所述含有表情的網(wǎng)絡言論的文本中的所有核心關鍵詞，記錄 每一條文本中各核心關鍵詞的次數(shù)，從而建立核心關鍵詞矩陣； 計算每一條含有表情的網(wǎng)絡言論的情緒態(tài)度，并建立情緒態(tài)度輸出矩陣； 將文本詞典矩陣和核心關鍵詞矩陣作為神經(jīng)網(wǎng)絡模型的輸入項，將情緒態(tài)度輸出矩陣 作為神經(jīng)網(wǎng)絡模型的輸出項，以進行訓練。
6.如權利要求4所述的網(wǎng)絡言論情緒態(tài)度定位裝置，其特征在于， 所述言論性網(wǎng)絡平臺為微博或論壇。
【文檔編號】G06F17/30GK104111976SQ201410287490
【公開日】2014年10月22日 申請日期:2014年6月24日 優(yōu)先權日:2014年6月24日
【發(fā)明者】鄧立邦, 陳谷川, 何凌南, 王列娜 申請人:海南凱迪網(wǎng)絡資訊有限公司