基于微博用户的情绪变化分析_汪静莹
微博情绪分析技术的使用方法及应用案例研究
微博情绪分析技术的使用方法及应用案例研究随着社交媒体的普及和用户规模的快速增长，微博已经成为了人们交流、传播信息的重要工具。
然而，由于微博信息的高速流动和庞大的数据量，了解和分析微博用户的情绪变化变得非常困难。
因此，微博情绪分析技术的发展和应用对于理解社会热点话题、产品销售预测以及舆情监控等领域具有重要意义。
一、微博情绪分析技术的使用方法微博情绪分析技术旨在从微博文本数据中提取用户的情绪状态，一般分为以下几个步骤：1. 数据收集：首先需要根据研究目标，确定要采集的微博样本，可以是特定时间段内的微博数据，也可以是与特定话题相关的微博数据。
常见的数据获取途径包括API调用、网络爬虫等。
2. 数据预处理：由于微博文本数据的特殊性，需要进行一系列的预处理步骤，包括去除特殊符号、停用词过滤、分词和词性标注等。
这些步骤可以帮助提高后续情绪分析算法的准确性。
3. 情绪分类：情绪分类是微博情绪分析的核心任务，其目的是将微博文本分为不同的情绪类别，常见的类别包括正面情绪、负面情绪和中性情绪。
情绪分类可以采用机器学习方法，如支持向量机（SVM）、朴素贝叶斯（Naive Bayes）和深度学习等。
4. 情绪分析结果可视化：使用可视化方法可以直观地展示微博情绪变化趋势以及不同话题或地域的情绪热点。
常见的可视化方法包括情绪热力图、情绪雷达图和情绪变化曲线等。
二、微博情绪分析技术应用案例研究1. 社会热点话题分析微博情绪分析技术可以帮助了解和分析社会热点话题的情绪倾向。
例如，在一次突发事件中，可以通过分析微博用户的情绪变化，把握公众对事件的态度和反应，从而及时掌握群众舆论倾向，并根据情绪走势进行相应的处置和应对措施。
2. 产品销售预测通过对微博用户对产品的情绪分析，可以了解用户对产品的喜好或反感情绪。
这种情绪分析结果可以帮助企业预测产品的销售情况，并及时调整和改进产品设计与营销策略。
3. 舆情监控微博情绪分析技术可应用于舆情监测，通过对微博用户情绪的实时分析，可以帮助政府、企事业单位了解公众对特定事件或品牌的情绪反应，从而及时调整公关策略、媒体传播等，避免负面舆情对企业和政府形象造成的损害。
微博情绪分析与事件检测算法研究
微博情绪分析与事件检测算法研究在当今社交媒体的时代，微博成为了人们表达情感、交流信息的重要平台。
随着微博用户数量的不断增加，如何准确地分析用户的情绪变化以及检测事件成为了一个迫切需要解决的问题。
本文将对微博情绪分析与事件检测算法进行研究，探索如何利用数据挖掘和自然语言处理的技术手段来实现这一目标。
一、微博情绪分析算法研究情绪分析是通过对用户发布的微博内容进行语义分析，从中提取出用户的情绪状态。
为了准确地进行情绪分析，我们需要解决以下几个问题：1. 文本预处理：首先需要将微博内容进行去噪和清洗，去除掉一些无关信息和特殊字符。
然后利用分词技术将文本切分成词语的序列，以便进行后续的分析和处理。
2. 情感词典构建：构建一个情感词典，其中包含一系列正面情感词和负面情感词。
这些情感词将成为判断微博内容情感极性的关键。
3. 特征选择：从预处理后的文本中选择合适的特征来表示微博的情感倾向。
可以选择词频、词性等特征，也可以利用一些文本特征提取技术，如TF-IDF等。
4. 模型训练和评估：利用机器学习的方法，如支持向量机(SVM)、朴素贝叶斯等，构建情感分类模型，并使用标注好的微博数据对模型进行训练和评估。
通过以上步骤，我们可以实现对微博情感的准确分析。
利用情感分析的结果，我们可以了解用户的情绪变化，从而更好地了解社会热点话题的关注程度和用户态度。
二、微博事件检测算法研究微博事件检测是指通过对微博内容的监控和分析，实时地识别并跟踪出现的事件。
为了准确地进行微博事件检测，我们需要解决以下几个问题：1. 数据收集与存储：通过API接口或爬虫等方式，收集微博数据并进行存储。
包括原始微博文本、发布时间、地理位置等信息。
2. 关键词提取：通过文本挖掘的手段，识别微博文本中的关键词。
常用的方法有基于规则的提取、基于统计的提取、基于机器学习的提取等。
3. 事件聚类：将提取到的关键词进行聚类，将相似的关键词归为一类。
常用的聚类算法有K-Means、DBSCAN等。
基于情感分析的在微博用户情绪识别与预测研究
基于情感分析的在微博用户情绪识别与预测研究摘要：随着社交媒体的蓬勃发展，微博作为一个重要的社交平台，吸引了大量用户进行信息发布和交流。
微博用户的情绪状态对于用户行为和舆情分析具有重要意义。
本文通过基于情感分析的方法，对微博用户的情绪进行识别与预测研究，旨在帮助用户和营销者了解用户情绪，进而实施个性化服务和精准营销。
1. 引言社交媒体已成为人们获取信息和表达情感的重要渠道之一。
微博作为最具代表性的社交平台之一，每天都有大量的用户在上面发布各种信息，表达自己的心情和情感。
因此，对微博用户情绪的识别与预测研究具有重要意义，能够帮助用户更好地理解他人的情绪，营销者更好地了解用户需求。
2. 相关工作在情感分析领域已经有很多研究工作，但是由于微博的特殊性，情感分析在微博上面的应用仍然面临一些挑战。
目前主要的研究方法包括基于词典的情感分析、基于机器学习的情感分类和基于深度学习的情感预测等。
3. 情感分析模型为了识别和预测微博用户的情绪，我们构建了一个基于深度学习的情感分析模型。
首先，我们使用了一个大规模的语料库进行模型训练，以提高模型的准确性和泛化能力。
然后，我们使用了卷积神经网络和长短期记忆网络结合的方法，对微博文本进行情感分析。
最后，我们通过预训练的情感分类模型，对微博用户的情绪进行预测。
4. 数据集和实验我们使用了一个包含了大量微博文本和情感标签的数据集进行实验。
首先，我们对数据集进行了数据清洗和预处理，去除了噪声和不相关的信息。
然后，我们将数据集划分为训练集和测试集，以评估我们提出的情感分析模型的准确性和性能。
最后，我们比较了不同情感分析模型的效果，并与传统方法进行了对比分析。
5. 结果与讨论实验结果表明，我们提出的基于深度学习的情感分析模型在微博用户情绪识别和预测方面取得了较好的效果。
与传统方法相比，我们的模型在准确性和泛化能力上都有一定的提升。
此外，我们还发现微博用户的情绪受到许多因素的影响，包括文本内容、用户属性和社交网络结构等。
教育评价改革 文献综述
教育评价改革文献综述摘要教育评价改革在我国受到了前所未有的重视，然而受限于传统测评手段，个性化评价和过程性评价难以得到有效实现，教育评价改革需要新型的测评技术作为支撑。
计算机技术与人工智能的发展为测评领域注入了新的活力，推动了智能化测评的产生，为我国教育评价改革提供了新的解决方案。
目前，智能化测评已经在学生能力和知识水平评估、人格与心理健康评估以及教学过程评估等方面取得进展：（1）学生能力和知识水平评估突破纸笔测验的局限，转向过程性评价、综合能力评价和动态性评价；（2）人格与心理健康评估摆脱了对自陈量表法的依赖，依据多模态数据有望实现无痕式和伴随式评估；（3）智能分析技术助力教学反馈，使教学过程评估更加直接、便捷和精准。
智能化测评对教育评价改革起到了重要促进作用，但在多模态数据应用、模型的针对性、精细化、准确性与可解释性以及信效度检验等多个方面仍然存在问题。
后续需探索多模态数据的协同分析，在权衡模型的准确性和可解释性基础上，提高模型的针对性和精细化，打通信息科学与测评领域的学科壁垒，确保模型可实用、可泛化和可扩展。
关键词：教育评价；人工智能；智能化测评；研究进展；问题剖析1引言教育评价改革文献综述 2教育评价是教育活动中至关重要的一部分，是教育活动的“指挥棒”，直接影响着教育活动的开展。
当前教育评价改革在我国受到了前所未有的重视，中共中央、国务院印发的《深化新时代教育评价改革总体方案》从学校、教师、学生多个方面对我国教育评价改革提出了新的要求。
然而传统教育评价方法已无法满足我国教育评价的需求，也无法为我国教育评价改革提供有效的支持。
人们期望采用更可靠、更高效、更智能的手段整合多维度、多层次的信息，制定更具准确性和解释性的测评方案，来推动教育评价改革顺利开展。
随着计算机、互联网的普及和人工智能技术的发展，智能技术在教育评价领域的应用和研究已经初步展开，人工智能与教育测量研究的相互渗透催生了智能评价这一新领域。
微博情绪分析与预测技术研究
微博情绪分析与预测技术研究随着互联网社交媒体的兴起，微博已经成为人们生活中不可或缺的一部分。
每天都有数以亿计的用户在微博上发布信息，包括分享生活、表达观点、发表意见等等。
这些微博信息也成为了情感分析研究的一个很好的数据来源。
情感分析是一种新兴的技术，它可以通过对文本进行分析和判断，识别其所表达的情感（正面、负面还是中性），并提取相关情感特征。
在实际应用中，情感分析可以被广泛地用于政治、商业、社交等方面，如政府可以利用情感分析技术了解民众对政策的态度和看法；企业可以通过对消费者在社交媒体上的表达进行分析，更好地了解市场需求和消费心理；个人也可以通过情感分析获取自己的情绪状态，并进行情绪管理。
微博情绪分析及预测技术的核心思路就是寻找微博信息中与情绪密切相关的词汇、词组等特征，然后对这些特征进行统计、分析、分类，最终得出情感极性和情感倾向等信息。
具体而言，微博情绪分析主要包括三个步骤：预处理、特征提取、分类预测。
第一步是预处理，这一步主要用于对原始微博文本进行过滤、分割、标注等操作，目的是去除噪音，将文本转换为可以计算的形式。
预处理步骤中，需要注意的是文本清洗，如去除标点符号及停用词（如“的”、“在”、“了”等无意义的词），以保证生成的特征具有实际意义。
第二步是特征提取，主要用于从微博文本中提取与情感相关的特征，如情感词、情感强度、情感极性、情感倾向等。
这一步主要依靠自然语言处理技术和机器学习算法，如词频统计、TF-IDF算法、主成分分析等。
第三步是分类预测，主要用于对文本进行情感分类和预测。
分类预测方法主要有两种：基于规则的方法和基于机器学习的方法。
基于规则的方法是一种手工制定规则来识别情感的方法，如基于情感词典的方法、基于命名实体识别的方法等；而机器学习方法则是通过训练模型来学习文本与情感之间的关系，然后用模型预测新文本的情感。
微博情绪分析及预测技术在社交媒体营销、舆情监测、心理健康等方面具有广泛的应用前景。
微博情绪分析和事件追踪技术研究
微博情绪分析和事件追踪技术研究随着社交媒体的普及和流行，微博已经成为了人们表达情绪、交流信息的一个重要的平台。
针对这种情况，微博情绪分析和事件追踪技术应运而生。
下面，本文将对这两种技术进行分析和研究。
一、微博情绪分析技术微博情绪分析技术是指对微博上的文本信息进行分析，分析微博用户的情感倾向，以此为依据得出不同事件或话题的舆情态势。
情绪分析技术的核心是利用自然语言处理技术对文本进行分析、提取关键词和情感词，并经过一定的算法处理得到情绪倾向。
情绪分析技术除了能够帮助我们感知当前的社会心态和热点话题之外，还能够用于舆情监控和危机事件预警等方面。
二、微博事件追踪技术微博事件追踪技术可以帮助人们快速准确地了解某种事件的参与者、流程、情况等信息。
这种技术利用了微博用户在社交平台上发布的短文本信息，通过分析微博用户的言论以及转发、评论等行为来追踪事件的发展规律，并在事件发生、升级、平息等阶段提供实时的分析、预测和应对建议。
三、微博情绪分析和事件追踪技术的融合微博情绪分析和事件追踪技术都是基于微博文本信息的处理和分析，它们之间存在一定的融合性。
具体来说，情绪分析技术可以为事件追踪提供更加实时和准确的信息支持，提高对事件特征的识别和理解，进一步增强事件追踪的预测和应对能力。
而事件追踪技术则可以为情绪分析提供更加详细和全面的情绪来源数据，分析微博用户的情绪变化规律，更好地理解和反映社会舆情热点和动态趋势。
四、微博情绪分析和事件追踪技术在实际应用中的意义微博情绪分析和事件追踪技术在实际应用中具有十分重要的意义。
首先，它们可以为政府和企业提供有价值的社会舆情分析和服务，增强风险管控和品牌形象管理能力。
其次，它们还能够帮助观察者了解对不同观点的人们在微博上的写作情绪，增强交流与理解的能力。
最后，它们也可以客观、公正、全面地反映社会热点话题与敏感话题，实时了解民意，同时也可以提高个人的数据分析能力。
综上所述，微博情绪分析和事件追踪技术在当今社会已然成为一个重要的研究领域，它们的目的在于有效地了解大众的情绪和观点，提前预警可能带来的危机和困境，彻底改进传统的文化观点和信息传播的方式，实现有效的协调和传播，进而促进人们的了解与交流，建设和谐的社会。
微博评论的情绪分析研究
微博评论的情绪分析研究近年来，随着社交媒体的普及和发展，微博作为中国最具影响力的社交媒体平台之一，已成为了许多人表达观点和情感的重要渠道。
在微博上，用户可以通过评论对他人的发帖进行回应，这些评论不仅反映了用户的观点和态度，还蕴含了丰富的情绪信息。
因此，对微博评论的情绪进行分析研究具有重要的现实意义和学术价值。
首先，通过对微博评论的情绪分析研究，可以深入了解用户在公共事件、热点话题等方面的情绪态度。
在社交媒体上，用户的评论往往是对某一事件或话题的直接回应，反映了其对该事件或话题的情感和看法。
通过分析微博评论的情绪，可以更好地了解公众的情感变化和态度倾向。
比如，在疫情期间，可以通过分析用户评论的情绪来掌握公众对疫情的焦虑、担忧或乐观等情感态度，为政府决策提供参考。
其次，微博评论的情绪分析研究对于品牌或企业来说也具有重要意义。
在互联网时代，品牌形象和声誉对企业的发展至关重要。
通过分析微博评论的情绪，可以及时发现用户对品牌或企业的积极评价和负面评价，并对这些评价做出相应的回应。
情绪分析的结果可以帮助企业了解用户的需求和期望，进而调整产品和服务策略，提升用户体验，增强用户黏性。
此外，还可以通过分析竞争对手的微博评论情绪，了解市场竞争态势，及时作出应对策略。
另外，微博评论的情绪分析研究对于舆情监测和预警具有重要作用。
在互联网时代，信息传播的速度和范围都得到了大幅提升，特别是社交媒体成为了新闻事件传播的重要渠道。
通过分析微博评论的情绪，可以及时掌握用户对某一事件的舆论倾向和情感反应，从而帮助政府和组织做出针对性的舆论引导和危机处理。
通过机器学习和自然语言处理的技术手段，可以对微博评论进行情绪识别和情感分类，实现对大规模微博数据的高效分析和把握舆情动态。
然而，微博评论的情绪分析研究也面临着一些挑战和难题。
首先，微博评论的文本信息往往短小，有时句法和语义结构不完整，使得情感和情绪的判断更加困难。
其次，微博评论的情感和情绪表达多样，常常受到个人主观因素的影响，因此在情绪分类和情绪分析的过程中存在主观的不确定性。
基于大数据的微博用户情绪分析与预测研究
基于大数据的微博用户情绪分析与预测研究近年来，随着社交媒体的普及和发展，微博成为人们表达情感、传播信息的主要平台之一。
微博用户在平台上发布的内容中包含了丰富多样的情绪信息，这些情绪信息对于企业、政府和研究机构等具有重要的参考价值。
因此，利用大数据技术对微博用户情绪进行分析与预测成为了一项热点研究。
首先，微博用户情绪分析是通过对微博用户发布的文本内容进行自然语言处理和情感分析，以判断微博用户的情绪倾向。
情感分析技术主要包括词袋模型、情感词典和深度学习等方法。
词袋模型将文本内容转化为向量表示，通过计算向量之间的相似度来判断情绪倾向；情感词典则是根据事先标注的情感词汇表，统计文本中出现的情感词数量并进行加权计算；深度学习方法则通过训练神经网络模型来识别微博中的情感信息。
这些方法可以帮助我们分析微博用户在不同情境下的情绪变化，并从中获取用户对某一事件或产品的态度和感受。
其次，基于微博用户情绪分析的结果，我们可以进行情绪预测。
情绪预测是利用历史微博数据和其他相关信息，通过建立模型来预测未来一段时间内微博用户情绪的趋势。
情绪预测对于企业、政府和研究机构来说具有重要的意义。
企业可以根据用户的情绪变化，调整产品或服务策略，从而提升用户满意度；政府可以根据民众的情绪倾向，采取相应的措施，应对突发事件或社会问题；研究机构则可以通过分析用户情绪的变化，探索社会心理学和舆情研究等领域的规律。
在微博用户情绪分析与预测的研究中，大数据技术起到了至关重要的作用。
由于微博平台每天产生的数据量巨大，传统的数据处理方法已经无法满足分析的需求。
因此，研究者们采用了分布式计算、云计算和机器学习等技术，实现了对大规模数据的高效处理和分析。
大数据技术的应用不仅提高了分析的速度和准确性，还为微博用户情绪分析和预测带来了更多的可能性。
当然，基于大数据的微博用户情绪分析与预测也存在一些挑战和局限性。
首先，微博用户发布的内容具有隐私性和个体差异性，在保护用户隐私的同时，建立准确的情感分析模型是一项难题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
817
极情绪的计算分别通过统计“文心系统 ” 的字典 中的积极情绪词类和消极情绪词类在文本中出现 的频率加以实现． 积极情绪词类包括信心、 满足、 祝福等 564 个体现积极情绪的词汇， 消极词类包 括担 忧、 猜 疑、 报 复 等 924 个 体 现 消 极 情 绪 的 词汇．
Numbers of Weibo in the four seasons
所以只 鉴于转发微博并非用户的自我表达， 保留原创内容用于分析． 原创内容包括原创微博 和转发微博中的原创部分． 本研究利用“中文心 （ TextMind， ） 处理微博 理分析系统 ” 简称“文心 ”
［10 ］ ［11 ］ 中情绪内容．“文心” 系统 参照 LIWC2007 和 LIWC 词库［12］， 正體中文 C针对中国大陆地区简
更擅长掩饰情绪却不善于调节情绪
等．
本研究拟通过新浪微博研究国人的情绪变 化， 并对社交媒体上的情绪变化的性别差异进行 检测． 研究以新浪微博用户为研究对象， 计算微博 用户的积极和消极情绪表达， 分析用户在不同时 间段（ 季节、 周、 天 ） 的积极情绪和消极情绪的变 化， 并尝试解释造成这种变化的原因． 再将不同性 别的积极情绪和消极情绪的变化进行比较 ， 探究 二者之间的差异．
家的数据． 该研究的严谨和细致毋庸置疑， 但仍有 两点值得商榷和改进的地方． 第一， 对于中国来 说， 该研究取样不具备代表性． 由于中国人使用的 Twitter 的使用者并不 社交媒体以新浪微博为主， 具备代表性， 所以研究结果可能很难代表国人的 ． 真实状况 第二， 研究缺少对性别的区分． 众多对
Wang J Y，Gan S Q，Zhao N，et al． Chinese mood variation analysis based on Sina Weibo［ J］ ． Journal of University of Chinese Academy of Sciences， 2016 ， 33 （ 6 ） ： 815-824．
Chinese mood variation analysis based on Sina Weibo
2 WANG Jingying1， ，GAN Shuoqiu1 ，ZHAO Nan1 ，LIU Tianli3 ，ZHU Tingshao1
（ 1 Key Laboratory of Behavioral Sciences， Institute of Psychology， Chinese Academy of Sciences， Beijing 100101， China； 2 University of Chinese Academy of Sciences， Beijing 100049， China； 3 Institute of Population Ｒesearch， Peking University， Beijing 100871， China）
Abstract
This study tried to recognize the Chinese mood variations in different seasons and time
periods via the big data on Internet． Participants were 1. 95 million active users of Sina Weibo． We downloaded their data of one week selected in each of the four seasons of one year． Then we used TextMind to calculate the ratios of positive affect （ PA） and negative affect （ NA） words． Ｒesults are given as follows． 1 ） Integrated mood had two peaks at noon and 8 o ’ clock in the evening． 2 ） Although PA in weekends was not different from that on the weekdays，NA in weekends was lower than that on weekdays． 3 ） In summer，both PA and NA were the highest． In autumn ，both PA and NA were the lowest． 4 ） The two genders had similar mood variation trends，but females had more mood expressions than males and they were sentimental and susceptive． Key words microblog； mood； circadian rhythm； big data； sex differences 身心反映
摘
通过网络大数据的方法宏观地分析微博用户在不同季节和时间的情绪变化 ． 以 195 万微博活跃用户为样本， 在每个季节下载一周的微博活跃用户数据， 利用“中文心理分析系
要
统” 计算每个季节积极情绪和消极情绪词的词频 ． 结果显示： 1 ） 人们的综合情绪的 2 个高峰分 别在中午和晚 8 点； 2 ） 虽然人们在周末的积极情绪与工作日无异， 但消极情绪在周末明显低 于工作日； 3 ） 人们在夏季的积极情绪和消极情绪最高 ， 在秋季的积极情绪和消极情绪最低； 4 ） 两种性别的情绪走势一致， 但女性较男性有更多情绪表达、 更情绪化， 更易感． 微博； 情绪； 生物节律； 大数据； 性别差异 doi： 10. 7523 / j． issn． 2095-6134. 2016. 06. 014 中图分类号： B849 文献标志码： A 关键词第 33 卷第6 期 2016 年 11 月
文章编号： 2095-6134 （ 2016 ） 06-0815-10
中国科学院大学学报 Journal of University of Chinese Academy of Sciences
Vol． 33 November
No． 6 2016
［1 ］
情绪是一种主观体验， 是人们对客观事物的
通信作者， Email： tszhu@ psych． ac． cn
． 按照情绪的效价可将情绪分为积极
816
中国科学院大学学报
第 33 卷
乐观、 活泼 ） 和消极情绪 （ 如悲伤、 情绪 （ 如高兴、 抑郁、 焦虑、 恐惧 ） ． 达尔文认为情绪是人类在进 化过程中为了适应环境演化而来的一种生存方 ［2 ］ 式 ， 悲伤可以换取他 如恐惧让人远离危险物， 人的同情， 倾听烦恼和分享喜悦都能够增进与他 人的相互关系． 情绪一方面能够帮助人们适应自 然环境， 另一方面能够帮助人们融入社会环境 ． 无 论是趋利的积极情绪还是避害的消极情绪， 二者 都是有利于个体生存的． 人的情绪变化也会影响人的感情、 对事物的 敏感性和理解能力、 创造性以及相关心理机能． 人 的情绪变化从表面上看变幻莫测， 但是遵从一定 的规律． 通过研究情绪的变化规律， 掌握人们的情 绪变化节律， 能够帮助我们更好地学习和生活 ． 人 们针对情绪的影响因素及其变化节律的研究由来 已久． 情 绪 有 一 部 分 受 到 先 天 因 素 的 影 响 ， 如 Etain 等［3］发现情绪障碍与某些控制生物节律的 基因有关． 情绪也受日常作息、 生活习惯等后天因 ［4 ］ “夜猫子 ” 素的影响． Golder 和 Macy 发现有着 生 活模式的人的情绪变化与普通人不同， 因为他们 ［5 ］ 的生活作息是黑白颠倒的． Mikolajczak 等 发现 饮食、 身体锻炼等生活习惯对情绪是有显著影响 的， 健康的饮食和合理的身体锻炼有助于保持良 好 的 情 绪． 性 别 对 情 绪 也 有 影 响． Kring 和 Gordon［6］认为女性比男性更善于表达情绪． 面临 同样的事情时， 女性比男性更热衷于与他人分享 自己的心情． 社交媒体的出现为情绪变化研究带来了新的 机会． 人们越来越习惯于将自己的行为和感受展 示在网络上， 新浪微博每天的微博量多达 2. 5 亿 ① 条 ． 如果能够利用如此庞大的数据提取有效的 情绪信息， 就能更生态化实现对个体乃至群体情 绪的实时观察与分析， 甚至能够展开回溯和追踪
1. 2
数据收集与处理
每隔 3 个月 从 2011 年 9 月至 2012 年 6 月，
收集一次数据， 一次收集持续一周． 如秋季数据的 收集， 从 2011 年 9 月 17 日到 2012 年 9 月 23 日， 通 过 新 浪 微 博 API （ Application Programming Interface，应用程序编程 接 口 ） 下 载 这 一 周 的 数 据． 其他季节的收集时间为： 冬季， 从 2011 年 12 月 3 日到 2012 年 12 月 9 日； 春季， 从 2012 年 3 月 12 日到 2012 年 3 月 18 日； 夏季， 从 2012 年 6 月 4 日到 2012 年 6 月 10 日． 数据记录了每个观 察周期的一周 7 d 每天 24 h 的数据及其分布情 况． 每个季节收集到的微博数量如表 1 所示．
基于微博用户的情绪变化分析
1， 2 1 汪静莹 ，甘硕秋 ，赵 1 3 1 楠 ，刘天俐 ，朱廷劭
（ 1 中国科学院心理研究所中国科学院行为科学重点实验室， 北京 100101 ； 2 中国科学院大学， 北京 100049 ； 3 北京大学人口研究所， 北京 100871 ） （ 2016 年 1 月 29 日收稿； 2016 年 4 月 13 日收修改稿）
1
1. 1
方法
被试选取
本研究的对象是从微博中随机选取的活跃用
户， 必须满足 3 个条件： 1 ） 2011 年 9 月之前注册； 2 ） 用户为私人账户， 即排除公众人物账户、 公共 账号、 营运号和僵尸号； 3 ） 每周都有公开的微博 发布． 在设备允许的运行承载范围内， 最终选取 195 万有 效 微 博 用 户， 其 中 女 性 951 993 人， 占 48. 82% ． 用户的男女比例为 1. 048∶ 1 ， 与 2014 年 国家统计局对中国人口性别比例的调查结果接 近②． 在每个季节的的观察时间段内， 这 195 万微 博用户中， 凡是发布过微博的用户都会被纳入该 周期内的观察样本集中． 这意味着每个季节收集 到的用户并非完全一致．