新聞視頻彈幕用戶情感體驗特征分析

陳憶金　梁錦玲　古婷驊

摘? ?要：彈幕作為社交網(wǎng)站中的一種新型交互方式，讓用戶在觀看視頻內(nèi)容的同時實現(xiàn)實時交互，因而受到了信息行為研究者的關(guān)注。為了探討彈幕是否能夠反映用戶的情感體驗及情感體驗的改變，文章采用基于情感詞典的文本分析方法，通過情感詞的語義加權(quán)來獲取彈幕情感值及情感類別，構(gòu)建視頻要素詞典將帶有情感傾向的彈幕歸類，分析彈幕所反映的用戶情感體驗類型和趨勢變化。研究發(fā)現(xiàn)通過該方法可以判斷用戶情感體驗的分類，從情感立場、情感體驗、情感表達(dá)等情感體驗特征;用戶交互行為能觸發(fā)不同的情感體驗，采訪、故事、后期制作這3個視頻要素對用戶情感體驗的影響較大，采訪、故事則是觸發(fā)彈幕用戶情感體驗的主要因素。

關(guān)鍵詞：彈幕交互;新聞視頻;用戶交互行為;視頻要素;情感體驗

中圖分類號：G206? ?文獻(xiàn)標(biāo)識碼：A? ?DOI：10.11968/tsyqb.1003-6938.2021058

Analysis of Emotional Experience Characteristics of News Video Danmu Users

Abstract As a new interactive mode in social networking site， Danmu enables users to interact with video content in real time， so it has attracted the attention of many learners and researchers. This paper is to explore whether Danmu can induced the changes of users emotional experience. Using the emotion analysis method based on the emotion dictionary， the emotional value and emotional category of Danmu are obtained by the semantic weighting of the emotional words， and then construct the video element dictionary to classify the Danmu data with emotional tendency， so as to analyze the user's emotional experience reflected by Danmu data. The results show that the user's affective experience reflected by the video Danmu is mainly positive， and its emotional characteristics are mainly embodied in five characteristics： the subjectivity of emotional position， the consistency of emotional experience， the pertinence of emotional expression and so on. The interaction between users and video can induced different user's emotional experience， and the three video elements such as interview， story and post-production， have great influence on the user's emotional experience， interview and story are the main factors that induced the emotion experience of Danmu users.

Key words danmu interactive; news video; user interactive behavior; video elements; emotional? experience

彈幕是指用戶在網(wǎng)絡(luò)上觀看視頻時發(fā)送的浮動在視頻上的評論性字幕，起源于日本彈幕視頻網(wǎng)站（Niconico動畫）。我國首先引進(jìn)彈幕的網(wǎng)站是AcFun彈幕視頻網(wǎng)，之后嗶哩嗶哩視頻網(wǎng)（Bilibili，以下簡稱“B站”）也將此功能引進(jìn)。自2019年第一季度起，B站的月活躍用戶數(shù)達(dá)到一億，視頻彈幕廣受用戶歡迎。支持彈幕功能的參與式網(wǎng)站擁有可觀的用戶群體，不同用戶有不同的價值觀，知識儲備和見識深淺也因人而異，思考問題的方式和立場更是不盡相同，因此，他們的情感特征更具有普遍性與參考性。如何通過彈幕數(shù)據(jù)來挖掘民眾對社會事件或現(xiàn)象的看法和評價，成為網(wǎng)絡(luò)輿情研究中的新方向。

民生新聞主要體現(xiàn)的是民情、民意，是反映各階層生活的社會萬花筒，理應(yīng)受到大眾的關(guān)注和重視。但在泛娛樂化的趨勢下，反映民情、民意的聲音難免會被有所掩蓋。對社會管理者或政府而言，分析彈幕發(fā)送者對社會現(xiàn)象的情緒或意見，有利于及時了解相關(guān)輿情，以改進(jìn)社會管理的相關(guān)政策或措施。同時，對新聞工作者或媒體而言，通過發(fā)掘彈幕發(fā)送者對新聞視頻的情感和態(tài)度，可以探察民眾對社會民生內(nèi)容的關(guān)注點，了解大眾的新聞需求，報道出更加貼近群眾的社會新聞。

1? ?相關(guān)研究綜述

1.1? ? 文本情感分析研究

人們在網(wǎng)上表達(dá)對某件事情或事物的看法時， 常常通過一些語句表明自己的立場、態(tài)度和情感[1]。文本情感分析是指對帶有情感色彩的主觀性文本進(jìn)行采集、處理、分析、歸納、推理的過程[2]。目前，基于網(wǎng)絡(luò)評論的情感分析方法主要可分為：基于情感詞典的情感分析方法和基于機(jī)器學(xué)習(xí)的情感分析方法。

基于情感詞典的情感分析方法是指利用情感詞典，從評論文本中抽取情感詞，通過情感詞的權(quán)值計算得到情感值及情感類別。情感詞典中包含情感類別及對應(yīng)情感值，如二元情感中的正整數(shù)值代表正向情感，負(fù)整數(shù)值代表負(fù)向情感[3]。隨著該方法的不斷應(yīng)用，還產(chǎn)生了其他對傳統(tǒng)的情感詞典進(jìn)行擴(kuò)展或重新構(gòu)建的方法，主要可分為：基于領(lǐng)域情感詞的情感詞典[4-5]、基于基礎(chǔ)情感詞典擴(kuò)建的情感詞典[6]、基于基礎(chǔ)情感詞典重構(gòu)的情感詞典[7]。

基于機(jī)器學(xué)習(xí)的情感分析方法的原理是：先由人工提取文本特征，然后讓計算機(jī)采用某種特定算法進(jìn)行文本處理，輸出情感類別[2]。目前，其具體方法主要有樸素貝葉斯、支持向量機(jī)（SVM）、決策樹等[8]。依據(jù)基于機(jī)器學(xué)習(xí)的情感分析方法有無與其他分析方法的結(jié)合可分為：基于單一的機(jī)器學(xué)習(xí)[9-10]和基于結(jié)合的機(jī)器學(xué)習(xí)[11]。

1.2? ? 彈幕文本情感分析研究

在彈幕交互相關(guān)研究中，前階段以理論研究居多，如基于互動儀式鏈理論分析彈幕視頻互動觀看儀式，彈幕交互主要表現(xiàn)為用戶與內(nèi)容的交互和用戶與用戶的交互[12-13]。實證研究主要針對不同視頻或平臺來探索彈幕交互的效果[14-16]。在彈幕主題相關(guān)研究中，研究者主要通過彈幕文本的主題分析，發(fā)掘用戶對某方面或某領(lǐng)域的關(guān)注點[17-18]。在彈幕動機(jī)相關(guān)研究中，研究表明多數(shù)用戶的彈幕動機(jī)與社交需求、情感需求、信息需求等因素有著密切聯(lián)系[19-20]。

從已有的彈幕情感相關(guān)研究成果來看，研究者主要通過彈幕情感分析，發(fā)掘彈幕數(shù)據(jù)中有價值的情感信息資源及其應(yīng)用范圍。彈幕文本的情感分析方法主要分為基于情感詞典的情感分析方法和基于機(jī)器學(xué)習(xí)的情感分析方法：通過構(gòu)建情感詞典進(jìn)行彈幕情感分析，可以發(fā)現(xiàn)彈幕情感信息的多種用途，如為視頻內(nèi)容制作提供建議[3]、提供有效的視頻檢索途徑[21]、為媒體和旅游目的地的聯(lián)合營銷提供參考[22]等;通過基于機(jī)器學(xué)習(xí)的情感分析方法評估彈幕情感類別，可以發(fā)現(xiàn)彈幕情感信息具有作為視頻片段推薦的依據(jù)[23]等用途。由于現(xiàn)有的彈幕情感研究以娛樂類和學(xué)習(xí)類視頻彈幕為主，對新聞類視頻彈幕的關(guān)注度相對不足，因此，本文擬參考現(xiàn)有研究成果，采用基于情感詞典的情感分析方法，通過對社會民生類新聞視頻進(jìn)行彈幕情感分析，分析彈幕交互過程所反映的用戶情感體驗，從而挖掘彈幕的情感特征、彈幕情感的觸發(fā)因素。

2? ?數(shù)據(jù)采集與分析

彈幕情感分析需要識別彈幕評論文本中的情感詞或情感搭配，本文選用的是基于情感詞典的句子級情感分析方法。具體步驟包括：（1）利用基于Python的網(wǎng)絡(luò)爬蟲技術(shù)，從案例視頻中抓取彈幕文本，構(gòu)成實驗數(shù)據(jù)集。彈幕數(shù)據(jù)必須包含下列要素：彈幕所屬視頻集數(shù)、彈幕發(fā)送時間、彈幕評論文本;（2）利用Jieba分詞庫對彈幕文本進(jìn)行分詞處理，根據(jù)分詞結(jié)果標(biāo)注詞性，并根據(jù)選定的情感維度和選詞標(biāo)準(zhǔn)進(jìn)行篩選、分類;同時，從名詞中抽取觀眾所提及的或可識別的視頻要素;（3）本文引用鄭飏飏等[3]所構(gòu)建的彈幕多維情感詞典為基礎(chǔ)進(jìn)行彈幕情感分析，并把文本預(yù)處理時新發(fā)現(xiàn)的情感詞或情感搭配擴(kuò)充進(jìn)該詞典;（4）先提取彈幕中的情感詞并標(biāo)注，識別其中的情感搭配，基于情感詞的語義加權(quán)計算彈幕情感值;（5）利用文本預(yù)處理時抽取的要素詞構(gòu)建視頻要素詞典，找出帶有情感傾向的彈幕文本中的要素詞，根據(jù)詞典匹配其對應(yīng)要素，將數(shù)據(jù)歸類;（6）結(jié)果可視化，得出結(jié)論與建議。從情感類別、情感趨勢等角度出發(fā)，運用餅狀圖、折線圖等方法將分析結(jié)果可視化，最后得出結(jié)論、給出建議。

2.1? ? 數(shù)據(jù)分析框架

與一般的文本數(shù)據(jù)相比，彈幕文本由視頻觀看者發(fā)布，與視頻內(nèi)容實時滾動，內(nèi)容短小，具有匿名性、即時交互性、融合性等特征。彈幕文本的匿名性是指用戶發(fā)送彈幕文本具有充分的自由空間，表達(dá)對視頻內(nèi)容的即時評價，用戶以匿名的方式發(fā)送彈幕，這種匿名性也引發(fā)了彈幕發(fā)送的“羊群效應(yīng)”和“多重涌現(xiàn)”現(xiàn)象[24]，形成較為聚集的情感效應(yīng)，對用戶表達(dá)情感極性和情感強(qiáng)度產(chǎn)生一定的影響。彈幕的即時交互性體現(xiàn)在用戶根據(jù)視頻內(nèi)容演進(jìn)，與視頻內(nèi)容在時間序列上的同步互動。在自然語言處理領(lǐng)域，普遍認(rèn)為目前的技術(shù)能夠很好處理產(chǎn)品服務(wù)領(lǐng)域的觀點，但是對社會和政治類文本的分析效果不甚理想，這是由于針對社會和政治的觀點復(fù)雜且充斥著情感表達(dá)、諷刺和反諷等語言現(xiàn)象。結(jié)合視頻的時間及內(nèi)容線索，在一定程度上克服了自然語言處理技術(shù)在社會類文本情感分析上的短板。彈幕文本的融合性是指其與視頻要素的呼應(yīng)及對內(nèi)容的再加工和創(chuàng)造（見圖1）。

基于彈幕文本的三個特征，從情感極性、情感強(qiáng)度、情感趨勢三個指標(biāo)進(jìn)行實驗數(shù)據(jù)集的情感體驗分析。

2.2? ? 數(shù)據(jù)來源和采集

《bilibili@黃金眼》是由浙江衛(wèi)視和B站共同制作的民生新聞節(jié)目，來源于浙江衛(wèi)視的《1818黃金眼》，截至2020年8月10日，節(jié)目總播放量達(dá)1427萬，追劇人數(shù)達(dá)27.8萬，彈幕總數(shù)達(dá)5.9萬，滿足作為實驗數(shù)據(jù)集的條件。除了受眾基礎(chǔ)外，新聞視頻配有趣味解讀的旁白以及“表情包”，在每一則民生事件結(jié)束時，展示針對該事件的高贊評論，能夠觸發(fā)受眾情感的變化。

本文選取該節(jié)目第1集至第10集共10個視頻的彈幕為實驗數(shù)據(jù)集，彈幕抓取時間為2020年2月5日18點30分，抓取在該時間點之前顯示的所有實時彈幕，每集視頻均有1000條彈幕，共抓取10000條彈幕（以第1集為例的彈幕發(fā)送時間和文本內(nèi)容見表1）。

2.3? ? 彈幕情感詞典的擴(kuò)展

由于本文引用的彈幕情感詞典是由鄭飏飏等[3]基于7分類標(biāo)準(zhǔn)所構(gòu)建的，所以本文繼續(xù)沿用該標(biāo)準(zhǔn)。這7個情感維度可分為正向與負(fù)向，分別為：（1）正向情感類：樂（快樂、安心），好（贊揚、喜愛、感動）;（2）負(fù)向情感類：怒（憤怒），愁（悲傷、失望、愧疚、郁悶、尷尬、無奈），驚（驚訝、驚奇），惡（厭惡、貶責(zé)、煩、諷刺），懼（慌、恐懼）[3]。

本文從動詞（如：嘲笑）、嘆詞（如：呸、唉）、形容詞（如：可愛、漂亮）、擬聲詞（如：哈哈）以及網(wǎng)絡(luò)語言（如：666）中篩選出帶有情感色彩的詞語或短語，并按上述情感維度歸類。對于被否定詞修飾的情感詞，杜振雷[25]在微博短文本的情感研究中表示，被否定詞修飾的正向情感詞，其情感傾向趨于負(fù)向;被否定詞修飾的負(fù)向情感詞，其情感傾向趨于無情感，或略趨于正向。所以本文在篩選過程中暫不收納被否定詞修飾的負(fù)向情感詞或短語（擴(kuò)展后的彈幕多維情感詞典示例見表2）。

謝麗星等[26]基于情感詞典分析微博情感時以情感詞數(shù)量劃分情感極性（見公式（1））。本文對彈幕中所含情感詞個數(shù)進(jìn)行統(tǒng)計后，第一步先采用公式（1）計算彈幕的多維情感值。

Sentiment1=max（Ni）? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

Sentiment1表示7分類標(biāo)準(zhǔn)下彈幕的多維情感值;Ni表示某類情感詞的個數(shù);由于采用7種情感維度，i的數(shù)值范圍為1到7，按升序分別對應(yīng)：樂、好、怒、愁、驚、惡、懼（見表3）。

第二步是計算彈幕的正負(fù)二元情感值（見公式（2））。

Sentiment2=N正? ? ? ? ? ? （N正>N負(fù)）0? ? ? ? ? ? ? ?（N正=N負(fù)）（-1）×N負(fù)? ? （N正

Sentiment2表示彈幕的二元情感值，N正表示一條彈幕中包含的正向情感詞總數(shù)，N負(fù)表示一條彈幕中包含的負(fù)向情感詞總數(shù)。公式（2）具體分為3種條件形式：當(dāng)N正大于N負(fù)時，彈幕的二元情感值等于正向情感詞個數(shù);當(dāng)N正等于N負(fù)時，彈幕的二元情感值為0;當(dāng)N正小于N負(fù)時，彈幕的二元情感值等于負(fù)向情感詞個數(shù)與負(fù)數(shù)1相乘。經(jīng)過公式（1）和（2）的計算后，以第1集為例的彈幕情感值示例（見表4）。

2.4? ? 基于視頻要素詞典的彈幕歸類

參照新聞短視頻要素研究[27]，結(jié)合案例視頻的實際情況，選取故事、采訪、人物、細(xì)節(jié)、畫面、后期這6個新聞視頻要素，利用文本預(yù)處理所得名詞構(gòu)建視頻要素詞典（見表5）。

然后，根據(jù)視頻要素詞典抽取帶有情感傾向的彈幕中的要素詞，以此進(jìn)行彈幕歸類。得到歸類后的彈幕及其對應(yīng)情感類別的示例（見表6）。

3? ?研究結(jié)果與討論

根據(jù)研究目的，本文對10000條實驗數(shù)據(jù)集進(jìn)行情感傾向的量化與分類，并基于視頻要素詞典將帶有情感傾向的彈幕歸類，具體的分析維度包括：將主客觀情感句和正負(fù)向情感分類相結(jié)合挖掘情感體驗特征，使用正負(fù)向情感詞頻率揭示情感喚醒度對交互行為的預(yù)測作用、情感體驗特征以及情感喚醒度的分析結(jié)果，綜合二元情感趨勢解釋觸發(fā)情感體驗或觸發(fā)情感轉(zhuǎn)化的因素。

3.1? ? 主客觀情感句分類分析

對句子級別的文本進(jìn)行主客觀分類又稱主客觀情感句識別，是對句子級別文本進(jìn)行情感分類的基礎(chǔ)。若一條彈幕中含有情感詞或情感搭配，則該彈幕為主觀彈幕，反之為客觀彈幕[3]。主客觀句在情感分析研究中用于判斷用戶表達(dá)的觀點是明確的還是含蓄的[28]，通過彈幕的主客觀識別，即可得到有情感傾向的彈幕數(shù)量及所占比例。

本文對數(shù)據(jù)集中主客觀彈幕分析結(jié)果顯示，主觀彈幕占比32%，客觀彈幕占比68%?？陀^彈幕的數(shù)量占比遠(yuǎn)高于主觀彈幕，可見本研究數(shù)據(jù)集大部分彈幕在情感表達(dá)的清晰度上是以隱喻的態(tài)度為主。

3.2? ? 正負(fù)向情感分類分析

根據(jù)彈幕情感值計算結(jié)果，勾勒每集的彈幕情感值結(jié)構(gòu)（見表7）?？傮w來看，每集視頻中情感值大于0的彈幕數(shù)占比都遠(yuǎn)大于情感值為0和情感值小于0的彈幕數(shù)占比;同時，情感值為0的彈幕數(shù)占比在每集視頻中都是最小的，具體數(shù)量最多不超過9條，第8集則沒有情感值為0的彈幕。

此外，在統(tǒng)計了數(shù)據(jù)集基于多維情感類別的彈幕數(shù)量分布之后發(fā)現(xiàn)（見圖2），多維情感類別彈幕數(shù)的最大值分布于正向情感類的“樂”，共2063條;最小值分布于負(fù)向情感類的“懼”，共26條。綜合表7與圖2可以看出，《bilibili@黃金眼》前10集的彈幕情感傾向以正向情感為主，其中的主導(dǎo)情感是“樂”。在心理學(xué)的相關(guān)研究中與本文的分析結(jié)果一致，Mauri[28]的研究發(fā)現(xiàn)，積極的情感體驗是社交網(wǎng)站能夠保持使用熱度的重要因素;Wu[29]的研究結(jié)果也表明，感知愉悅和內(nèi)在享受會觸發(fā)用戶持續(xù)交互行為。

3.3? ? 情感詞的使用頻率與情感交互分析

“詞云”是指對文本中出現(xiàn)頻率較高的關(guān)鍵詞予以視覺上的突出，在字體大小、顏色上區(qū)分標(biāo)簽的重要程度，形成“關(guān)鍵詞云層”?；谡?fù)向情感傾向彈幕數(shù)據(jù)生成了正向情感傾向詞云以及負(fù)向情感傾向詞云（見圖3）。

由圖3（a）可見，比較突出的高頻正向情感詞都來自于情感類別“樂”，而且正向情感詞的使用情況較為單一，使用頻率最高的是“哈哈”，并常被用戶疊加使用來強(qiáng)化情感表達(dá);圖中還出現(xiàn)與“哈哈”含義相似的其他高頻詞，如“hhh”“紅紅火火恍恍惚惚”等網(wǎng)絡(luò)用語，表示人正處于一種開心的狀態(tài)，使用頻率不及“哈哈”。結(jié)合高頻詞在各視頻中出現(xiàn)的時間及該時間點上的視頻內(nèi)容來看，多出現(xiàn)在記者對當(dāng)事人的提問，“表情包”配圖，以及后期制作加入的旁白。

從圖3（b）可見，比較突出的高頻負(fù)向情感詞有“臥槽”“心疼”“呵呵”“可憐”“惡心”等，使用情況較為多樣，它們主要來自于情感類別“驚”“愁”“惡”等。這些負(fù)向情感詞相對于常被疊加使用的正向情感詞“哈哈”來說，言簡意賅地達(dá)到了情感效果。

進(jìn)一步結(jié)合彈幕情感值計算結(jié)果發(fā)現(xiàn)，詞云中并未出現(xiàn)表達(dá)情感效價的程度副詞，表明彈幕行為與瀏覽節(jié)目時的情感效價無關(guān)，但是與情感喚醒度有密切聯(lián)系，即在瀏覽節(jié)目時，被觸發(fā)的情感越多，情感喚醒度越高，用戶做出彈幕行為的可能性越高。

3.4? ? 彈幕二元情感趨勢分析

二元情感趨勢分析是對每集彈幕的二元情感均值進(jìn)行計算，并繪制折線圖將其可視化（見圖4）。在圖中10個視頻彈幕的二元情感趨勢折線圖，橫軸為時間軸，以30秒（即0.5分鐘）為單位，縱軸為二元情感均值，折線上的每個取值點是每半分鐘內(nèi)所有主觀彈幕的二元情感均值，虛線為趨勢線。

由圖可知，除了第3、4、8集以外，其他視頻在折線上的點都位于縱軸的0值或0值上方，折線在0軸上方波動，彈幕情感傾向以正向為主;而第3、4、8集皆出現(xiàn)了低于0值的點，折線在0軸上下波動，情感傾向變化較大，正負(fù)向皆有。

3.5? ? 視頻要素分類分析

根據(jù)主觀彈幕分類結(jié)果得出6個視頻要素的彈幕情感體驗觸發(fā)數(shù)百分比分別為： 40%的彈幕情感體驗由采訪要素觸發(fā)，35%的彈幕情感體驗由故事要素觸發(fā)，15%的彈幕情感體驗由后期制作要素觸發(fā)，5%的彈幕情感體驗由人物要素觸發(fā)，3%的彈幕情感體驗由細(xì)節(jié)要素觸發(fā)，2%的彈幕情感體驗由畫面要素觸發(fā)。

根據(jù)6個視頻要素激發(fā)的正向情感與負(fù)向情感彈幕歸類，采訪、故事這2個要素對正負(fù)向情感體驗激發(fā)的比例都高于35%，后期制作要素對正向情感體驗的激發(fā)占比超過15%，但對負(fù)向情感體驗的激發(fā)比例僅為8%，說明它主要對正向情感體驗產(chǎn)生影響;人物、細(xì)節(jié)、畫面這3個要素對正負(fù)向情感體驗的激發(fā)比例都不超過10%，說明它們對正負(fù)向情感傾向的影響都不明顯，尤其是畫面要素（見圖5）。

由此可見，用戶與用戶、用戶與視頻之間的實時交互使得觀眾的情感傾向隨著節(jié)目內(nèi)容的變化而變化，而構(gòu)成視頻內(nèi)容的6個視頻要素既有可能觸發(fā)用戶的正向情感體驗，也有可能觸發(fā)用戶的負(fù)向情感體驗，所以每集視頻的情感趨勢折線都有多個明顯波動，甚至在正負(fù)向情感傾向之間波動。

4? ?研究結(jié)論與建議

4.1? ? 研究結(jié)論

基于以上分析結(jié)果，本研究主要發(fā)現(xiàn)可以概括為以下五點：

（1）彈幕用戶交互在情感表達(dá)上較為含蓄，主觀情感表達(dá)的傾向性較為明確。主客觀分類分析結(jié)果顯示彈幕用戶直接表達(dá)主觀情感的意見占比遠(yuǎn)低于客觀情感句的數(shù)量，但主觀情感表達(dá)的傾向于積極情感，而觸發(fā)負(fù)面情緒的多為社會事件本身，說明用戶表達(dá)情感的立場是主觀的，他們的情感傾向主要受所接收信息的刺激，新聞事件本身的是與非也在一定程度上會影響用戶情感，當(dāng)新聞內(nèi)容觸及用戶內(nèi)心的灰色地帶時，他們也會產(chǎn)生負(fù)向情感，如憤怒、心疼等。

（2）在句子級別的情感表達(dá)上，用戶的情感體驗呈現(xiàn)單一性和一致性。根據(jù)情感值的計算及分析結(jié)果，10個視頻中屬于“多元”情感類別的彈幕僅有88條，數(shù)量遠(yuǎn)小于正向情感類的彈幕總數(shù)和負(fù)向情感類的彈幕總數(shù)，說明多數(shù)彈幕的情感傾向為正負(fù)向情感類別中的某一具體情感或集中在某一具體情感，一條彈幕中同時存在兩種或兩種以上的情感類別的情況較少，用戶的情感體驗較為單一或一致。

（3）用戶對于正負(fù)向情感表達(dá)呈現(xiàn)不同的特征，正向情感呈現(xiàn)主要表現(xiàn)為對情緒效價的表達(dá)，負(fù)向情感的表達(dá)則主要表現(xiàn)為描述的精準(zhǔn)明確。對于正向情感傾向，尤其是情感類別“樂”，多數(shù)用戶會通過情感詞的疊加使用來強(qiáng)化情感表達(dá)，典型例子是情感詞“哈哈”的疊加使用;對于負(fù)向情感傾向，用戶通常運用“臥槽”“惡心”等負(fù)面情緒明顯的情感詞就能言簡意賅地達(dá)到情感效果，說明用戶會針對不同的情感傾向選擇不同的文本表達(dá)。

（4）彈幕的交互性影響用戶的情感體驗及情感轉(zhuǎn)化。根據(jù)情感高頻詞的詞云，用戶與視頻之間、用戶與用戶之間存在交互行為。新聞視頻內(nèi)容主要由故事、采訪、后期、細(xì)節(jié)、人物、畫面這6個要素構(gòu)成，二元情感趨勢計算結(jié)果也表明視頻要素對用戶情感體驗有著不同程度的影響，可見用戶與視頻的交互能觸發(fā)不同的用戶情感體驗。采訪、故事對用戶的正負(fù)向情感體驗都有著重要影響，尤其是采訪;后期對用戶的正負(fù)向情感體驗都有一定影響，但對正向情感的影響相對更大;人物、細(xì)節(jié)、畫面對用戶情感體驗的影響并不明顯，而且對正負(fù)向情感的影響程度都有所差別。

（5）彈幕行為使得情感交互具有實時性。每集的彈幕情感趨勢折線都有多個明顯波動，甚至在正負(fù)向情感傾向之間波動，這是因為每集視頻都會報道多則不同的民生新聞，導(dǎo)致彈幕情感傾向隨著視頻內(nèi)容的變化而變化，說明基于彈幕的用戶與視頻之間的交互，對用戶情感體驗的影響是實時的、可感知的。

4.2? ? 研究建議

基于研究結(jié)論，本文提出兩點研究建議：

（1）彈幕用戶反映出“情感立場的主觀性”和“情感體驗的一致性”的特征，而且彈幕用戶的情感體驗會受到多種視頻要素的觸發(fā)，視頻的內(nèi)容制作應(yīng)從用戶視角出發(fā)，打造出讓用戶感興趣、讓用戶滿意的視頻內(nèi)容，以激發(fā)用戶更為積極的情感表達(dá)，并且將彈幕用戶情感體驗與互聯(lián)網(wǎng)文化融合，擴(kuò)大目標(biāo)受眾群體。

（2）彈幕用戶反映出“情感表達(dá)的針對性”“情感傾向的交互性”和“情感交互的實時性”的特征，可見彈幕數(shù)據(jù)是反映彈幕用戶情感體驗的一類新的信息來源，研究人員可以使用情報學(xué)研究方法分析彈幕用戶常用的情感表達(dá)方式，挖掘用戶對視頻的關(guān)注點，盡可能滿足用戶的多元信息需求。

參考文獻(xiàn)：

[1]? 陳憶金，曹樹金，陳桂鴻.網(wǎng)絡(luò)輿情意見挖掘：用戶評論情感傾向分析研究[J].圖書情報知識，2013（6）：90-96.

[2]? 洪巍，李敏.文本情感分析方法研究綜述[J].計算機(jī)工程與科學(xué)，2019，41（4）：750-757.

[3]? 鄭飏飏，徐健，肖卓.情感分析及可視化方法在網(wǎng)絡(luò)視頻彈幕數(shù)據(jù)分析中的應(yīng)用[J].現(xiàn)代圖書情報技術(shù)，2015（11）：82-90.

[4]? 曹樹金，張學(xué)蓮，陳憶金.網(wǎng)絡(luò)輿情意見挖掘中極性詞典構(gòu)建和極性識別方法研究[J].圖書情報知識，2012（1）：60-65.

[5]? 郁圣衛(wèi)，盧奇，陳文亮.基于領(lǐng)域情感詞典特征表示的細(xì)粒度意見挖掘[J].中文信息學(xué)報，2019，33（2）：112-121.

[6]? 吳杰勝，陸奎.基于多部情感詞典和規(guī)則集的中文微博情感分析研究[J].計算機(jī)應(yīng)用與軟件，2019，36（9）：93-99.

[7]? 王仁武，宋家怡，陳川寶.基于Word2vec的情感分析在品牌認(rèn)知中的應(yīng)用研究[J].圖書情報工作，2017，61（22）：6-12.

[8]? 趙楊，李齊齊，陳雨涵，等.基于在線評論情感分析的海淘APP用戶滿意度研究[J].數(shù)據(jù)分析與知識發(fā)現(xiàn)，2018，2（11）：19-27.

[9]? 楊艷霞.基于分類的微博情感分析算法研究及實現(xiàn)[J].計算機(jī)與數(shù)字工程，2017，45（2）：197-200，396.

[10]? 趙剛，徐贊.基于機(jī)器學(xué)習(xí)的商品評論情感分析模型研究[J].信息安全研究，2017，3（2）：166-170.

[11]? 龔安，費凡.基于多特征融合的評論文本情感分析[J].計算機(jī)技術(shù)與發(fā)展，2018，28（8）：91-95.

[12]? 鄧昕.互動儀式鏈視角下的彈幕視頻解析——以Bilibili網(wǎng)為例[J].新聞界，2015（13）：14-19.

[13]? 諸葛達(dá)維.互聯(lián)網(wǎng)時代的彈幕電影分析——基于互動儀式鏈視角[J].新聞界，2015（3）：2-6，30.

[14]? 張婧婧，楊業(yè)宏，安欣.彈幕視頻中的學(xué)習(xí)交互分析[J].中國遠(yuǎn)程教育，2017（11）：22-30，79-80.

[15]? 楊九民，吳長城，皮忠玲，等.促進(jìn)學(xué)習(xí)還是干擾學(xué)習(xí)——彈幕對學(xué)習(xí)影響的元分析[J].電化教育研究，2019，40（6）：84-90，120.

[16]? Zhou J，Zhou J，Ding Y，et al.The magic of danmaku ：A social interaction perspective of gift sending on live streaming platforms[J].Electronic Commerce Research and Applications，2019，34：1-14.

[17]? Sun S，Wang F，He L.Movie summarization using bullet screen comments[J].Springer US，2018，77（7）：9093-9910.

[18]? Zhang L，Cassany D."Is it always so fast？"：Chinese perceptions of Spanish through danmu video comments[J].Spanish in Context，2019，16（2）：217-242.

[19]? 劉曉萍.“存在”的訴求與“吐槽”的狂歡——彈幕電影的受眾心理分析[J].當(dāng)代電影，2018（1）：151-154.

[20]? 仝沖，趙宇翔.基于內(nèi)容分析法的彈幕視頻網(wǎng)站用戶使用動機(jī)和行為研究[J].圖書館論壇，2019，39（6）：80-89.

[21]? 王敏，徐健.視頻彈幕與字幕的情感分析與比較研究[J].圖書情報知識，2019（5）：109-119.

[22]? Hao X，Xu S，Zhang X.Barrage participation and feedback in travel reality shows：The effects of media on destination image among Generation Y[J].Journal of Destination Marketing & Management，2019，12：27-36.

[23]? 鄧揚，張晨曦，李江峰.基于彈幕情感分析的視頻片段推薦模型[J].計算機(jī)應(yīng)用，2017，37（4）：1065-1070，1134.

[24]? He M，Ge Y，Chen E，et al.Exploring the Emerging Type of Comment for Online Videos：DanMu[J].ACM Transactions on the Web（TWEB），2017，12（1）：1-10.

[25]? 杜振雷.面向微博短文本的情感分析研究[D].北京：北京信息科技大學(xué)，2013.

[26]? 謝麗星，周明，孫茂松.基于層次結(jié)構(gòu)的多策略中文微博情感分析和特征抽取[J].中文信息學(xué)報，2012，26（1）：73-83.

[27]? 王雅賢.新聞短視頻的基本要素和制作要點[J].新聞與寫作，2020（1）：103-106.

[28]? 劉楠.面向微博短文本的情感分析研究[D].武漢：武漢大學(xué)，2013.

[29]? Mauri Cipresso P，Balgera A，Villamira M，et al.Why is Facebook so successful？Psychophysiological measures describe a core flow state while using Facebook[J].Cyberpsychology，Behavior，and Social Networking，2011，14（12）：723-731.

[30]? Wu H.Utilitarian and hedonic values of social network services[C].AMCIS 2009 Proceedings，2009：289.

作者簡介：陳憶金（1983-），女，華南師范大學(xué)經(jīng)濟(jì)管理學(xué)院副教授，博士，研究方向：網(wǎng)絡(luò)信息組織、用戶健康信息搜索行為;梁錦玲（1998-），女，華南師范大學(xué)經(jīng)濟(jì)管理學(xué)院本科生;古婷驊（1989-），女，廣東省科技干部學(xué)院講師，博士，研究方向：社交網(wǎng)絡(luò)用戶情感體驗分析。