基于微博數(shù)據(jù)的云南省地理情感及主題特征研究

李梁森，楊德宏，翟文龍，李劉飛，高勵

(1.昆明理工大學(xué)，云南 昆明 650093； 2.南方海洋科學(xué)與工程廣東省實驗室(廣州)，廣東 廣州 511458； 3.中國科學(xué)院軟件研究所天基綜合信息系統(tǒng)重點實驗室，北京 100190； 4.山東正元數(shù)字城市建設(shè)有限公司，山東 煙臺 264000)

1 引 言

隨著互聯(lián)網(wǎng)和定位技術(shù)的快速發(fā)展，發(fā)布在社交媒體平臺中的信息越來越多帶有位置標簽。這些信息不僅是人們真實生活在網(wǎng)絡(luò)世界中的展示，也包含著人們的觀點、興趣和需求等。通過社交媒體信息了解人群活動，進而發(fā)掘區(qū)域的地理情感和主題特征，對推動區(qū)域協(xié)調(diào)發(fā)展具有重要意義。

在國外，社交媒體數(shù)據(jù)主要來源于Twitter。Mitchell等利用Twitter地理標記數(shù)據(jù)集進行了美國州和城市的分類及居民幸福感的評估[1]；Dyer等研究了美國新冠肺炎大流行期間美國人的關(guān)注點及情緒變化[2]；于亞新等利用Twitter數(shù)據(jù)集研究了MFCD算法在用戶行為理解方面的優(yōu)越性[3]；Suparna等研究了組織推文中的情緒與公司股價的關(guān)系[4]。在國內(nèi)，社交媒體數(shù)據(jù)主要來源于微博及攜程網(wǎng)等。劉逸等通過與聯(lián)合國UNWTO數(shù)據(jù)進行校驗，驗證了微博旅游大數(shù)據(jù)在情感分析中的可行性[5]；李萍等利用百度旅游和攜程網(wǎng)點評數(shù)據(jù)揭示了北京市5個社區(qū)的旅游形象[6]；劉萌通過黃山景區(qū)微博數(shù)據(jù)探究了景區(qū)不同旅游路徑上的游客情感[7]；費濤研究了日常與假期期間微博主題時空分布特征的差異性[8]。

根據(jù)《第47次中國互聯(lián)網(wǎng)絡(luò)發(fā)展現(xiàn)狀統(tǒng)計報告》顯示，微博作為全球最大的中文社交媒體平臺，在網(wǎng)絡(luò)新聞、政策發(fā)布、疫情防控等方面發(fā)揮著巨大的作用，已經(jīng)成為人們獲取信息、抒發(fā)情感和表達意見的重要渠道[9]。本文選取新浪微博數(shù)據(jù)，利用基于情感詞典的情感分析方法和基于主題模型的主題建模方法，獲取每一條微博的量化情感分值及主題類別，探究云南省129個區(qū)縣的地理情感及主題分布特征，為云南省的區(qū)域協(xié)調(diào)發(fā)展提供有意義的參考。

2 數(shù)據(jù)采集及預(yù)處理

原始數(shù)據(jù)是通過網(wǎng)絡(luò)爬蟲獲取2021年3月～5月期間定位在云南省范圍內(nèi)的新浪微博數(shù)據(jù)，并且不包含微博大V、機構(gòu)團體等數(shù)據(jù)，僅采集個人用戶的數(shù)據(jù)，包括用戶名、發(fā)布日期、發(fā)布位置及發(fā)布內(nèi)容。

由于本文的情感計算需要細化到區(qū)縣粒度，因此首先去除沒有定位信息和定位信息大于區(qū)縣粒度的數(shù)據(jù)。其次，微博數(shù)據(jù)的文本信息不僅包含文字、表情、符號等表現(xiàn)形式，還含有轉(zhuǎn)發(fā)、艾特等互動信息。因此在微博文本中充斥大量的對情感計算無用的標記信息，主要有@用戶、#話題#、網(wǎng)頁鏈接等。為了保證情感計算的準確度，利用正則表達式提取微博的正文內(nèi)容，并剔除@用戶、#話題#、網(wǎng)頁鏈接等無用信息。最終得到的有效微博數(shù)據(jù)為26萬余條。

3 研究方法

3.1 情感計算

受理性原則的支配，地理學(xué)對情感的研究時間雖然不長，但情感分析作為自然語言處理的一個重要分支，經(jīng)過多年的發(fā)展，技術(shù)已經(jīng)比較成熟[10]。情感計算的方法主要有兩種：非監(jiān)督的分類方法和監(jiān)督的分類方法[11～13]。本文采用非監(jiān)督的分類方法，即利用情感詞典進行微博數(shù)據(jù)的情感定量化計算。為了盡可能匹配較多的情感詞匯，保證情感計算的準確度，在采用大連理工大學(xué)情感詞匯本體庫的7大類21小類情感分類的基礎(chǔ)上，融合其他情感詞典構(gòu)建通用情感分析詞典，根據(jù)情感傾向(正向、中性、負向)和情感強度(1～9、0和-1～-9)，計算每條微博的量化情感分值[14，15]。

利用Python結(jié)巴分詞進行中文分詞，并在分詞中添加上述的情感詞典作為用戶自定義詞典，從而保證盡可能獲取到較多的情感詞匯[16]。對分詞后得到的詞匯與情感詞典進行匹配，根據(jù)情感詞典對其進行賦值，未匹配到的詞則賦值為0；選用中科院中文情感詞典之程度詞典來匹配程度副詞。匹配到的程度副詞根據(jù)詞典對其進行賦值，未匹配的詞賦值為1，從而使得其與情感詞相乘不會產(chǎn)生變化；采用四川大學(xué)機器學(xué)習實驗室的停用詞詞表來去除停用詞對微博情感計算的影響。微博數(shù)據(jù)中，除了文本數(shù)據(jù)具有情感傾向以外，還有多種多樣的表情符號。本文參考龐磊和陳冉對微博表情的情感分類及賦值方法對微博數(shù)據(jù)中的表情符號進行匹配賦值[11，17]。最終，得到每一條微博的平均情感得分，其計算公式為：

(1)

式中，S為該條微博的情感得分；qi為與情感詞典匹配后的得分；di為與程度副詞詞典匹配后的得分；ej為與表情詞典匹配后的得分；m為分詞后的詞語個數(shù)；n為匹配到的表情的數(shù)量。

3.2 主題建模

文本建模的目的在于發(fā)現(xiàn)語料庫中的詞序列如何生成，并構(gòu)建數(shù)學(xué)化的描述方法使文本信息可以參與計算?；诟怕实臐撛谡Z義分析模型(Probabilistic Latent Semantic Indexing，PLSI)和潛在狄利克雷分配模型(Latent Dirichlet Allocation，LDA)是傳統(tǒng)的用于長文本建模的主題模型[18，19]。微博文本由于短文本特有的短小、特征信息少和語義稀疏等原因，使用傳統(tǒng)方法進行主題建模，會產(chǎn)生特征矩陣稀疏的問題，建模效果不理想[20]。Yan等學(xué)者2013年5月在萬維網(wǎng)大會上提出的雙語詞話模型(Biterm Topic Model，BTM)，在LDA模型基礎(chǔ)上，采用用一元混合模型中所有文檔共享一個主題分布的方法，克服了傳統(tǒng)主題模型的數(shù)據(jù)稀疏問題，是首個針對短文本的主題模型[21]。

為了提高主題建模的精度，對微博數(shù)據(jù)進行分詞及詞性標注后，僅保留名詞、動詞和形容詞，并去除少于4個詞的微博數(shù)據(jù)。采用主題一致性指標(Topic Coherence)確定主題數(shù)目并采用BTM模型對微博數(shù)據(jù)進行主題建模，最終確定微博數(shù)據(jù)的文檔-主題概率分布和主題-詞概率分布。

3.3 空間分布模式

空間現(xiàn)象受到距離和方向的作用，使得傳統(tǒng)的統(tǒng)計分析方法無法準確描述地理現(xiàn)象。20世紀60年代，法國統(tǒng)計學(xué)家Matheron G開創(chuàng)了空間統(tǒng)計[22]?？臻g統(tǒng)計學(xué)的主要思想在于空間中鄰近的現(xiàn)象或數(shù)據(jù)比遠處的現(xiàn)象或數(shù)據(jù)具有更高的相似性。采用全局Moran’s I指數(shù)的方法對微博情感進行空間自相關(guān)分析，根據(jù)計算判斷微博情感的空間相關(guān)性及置信度[23]。Getis-OrdGi*方法可以獲取高值或低值要素在空間上聚類，用于獲取微博情感及主題模型在空間上高值(熱點)和低值(冷點)的空間聚類特征[24]。

4 結(jié)果與分析

4.1 微博情感分值的空間分布特征

計算出260 878條微博數(shù)據(jù)的情感分值以后，根據(jù)計算結(jié)果，將微博情感分為三類：即情感分值大于0的正向情感，共有 173 973條，占總微博數(shù)量的66.69%；情感分值等于0的中性情感，共 39 419條，占總微博數(shù)量的15.11%；情感分值小于0的負向情感，共47 486條，占總微博數(shù)量的18.20%。個體微博的情感得分在空間上分布如圖1所示：

圖1 三類微博情感分布圖

總體上看，微博情感以正向情感為主，但個體微博的情感分值在空間上的分布是隨機的，各類情感互相交錯，在空間上沒有明顯的聚類或分離現(xiàn)象。因此，本文計算了云南省129個區(qū)縣的微博情感均值，如圖2所示：

圖2 云南省微博情感均值分布

4.2 微博情感空間分布模式

為了判斷微博情感在云南省范圍內(nèi)的空間自相關(guān)性，根據(jù)云南省微博情感均值分布采用全局Moran’s I指數(shù)進行空間自相關(guān)性的計算，最終結(jié)果如圖3所示：

圖3 全局Moran’s I指數(shù)計算結(jié)果

從圖3來看，最終計算結(jié)果：z得分為 4.177 75，p得分為0.000 029，且Moran’s I指數(shù)為 0.223 537，則有99%的可能認為微博情感在云南省范圍內(nèi)具有聚類模式特征。由于Moran’s I指數(shù)為正，說明微博情感在云南省范圍內(nèi)具有正的相關(guān)性，即相鄰的區(qū)縣具有相同或相似的微博情感。為了進一步探究微博情感在空間上的聚類分布特征，通過Getis-OrdGi*方法計算了云南省微博情感的冷熱點模式，如圖4所示：

圖4 云南省微博情感冷/熱點分布

根據(jù)Getis-OrdGi*值的高低及顯著性水平，采用自然斷點分級法將微博情感在空間上的分布分為5類區(qū)域：一級冷點區(qū)(冷點高聚集區(qū))、二級冷點區(qū)(冷點低聚集區(qū))、隨機分布區(qū)、二級熱點區(qū)(熱點低聚集區(qū))和一級熱點區(qū)(熱點高聚集區(qū))。由圖6所示，云南省的微博情感在空間上具有明顯的冷/熱點(低/高值聚類)特征。熱點區(qū)一主要分布在云南省的西北(麗江市的古城區(qū)、玉龍納西族自治縣、寧蒗彝族自治縣，大理白族自治州的大理市、洱源縣、鶴慶縣、劍川縣，迪慶藏族自治州的香格里拉市、維西傈僳族自治縣)，熱點區(qū)二主要分布在云南省的南部(西雙版納傣族自治州的勐?？h、景洪市、勐臘縣)；冷點區(qū)一主要分布在云南省的東北側(cè)(昭通市的昭陽區(qū)、永善縣、大關(guān)縣、鹽津縣、彝良縣、鎮(zhèn)雄縣、威信縣)，冷點區(qū)二主要分布在云南省的中部(楚雄彝族自治州的楚雄市、南華縣、姚安縣、牟定縣，普洱市的景東彝族自治縣)。

4.3 主題模型空間分布模式

通過BTM模型對微博文本進行主題建模后，獲取36個主題。選取每個主題下概率最大的前20個詞，采用詞云圖的形式對主題1～主題37進行展示，如圖5所示：

圖5 主題1～主題36詞云圖展示

利用Getis-OrdGi*對36個主題的冷/熱點分布模式進行探究，如圖6所示：

圖6 主題1～主題36冷/熱點分布

如圖6所示，微博情感熱點區(qū)一是主題16宗教、主題19人文旅游、主題20風景旅游、主題24正面情緒、主題31天氣分布的熱點區(qū)，主題9疾病分布的冷點區(qū)；微博情感熱點區(qū)二是主題1茶、主題20風景旅游、主題31天氣分布的熱點地區(qū)，主題23負面情緒分布的冷點地區(qū)。上述主題中，主題19和主題20均為旅游主題，同時旅游主題在微博情感熱點區(qū)二是二級熱點區(qū)，在微博情感熱點區(qū)一是一級熱點區(qū)，說明由于疫情影響，處于邊境的旅游城市的旅游業(yè)仍然受到較大的影響。出門旅行會對天氣有更多的關(guān)注，因此主題31在兩個微博情感熱點區(qū)域也屬于熱點分布。而主題23負面情緒的冷點分布與主題24正面情緒的熱點分布，可以近似的看作是同一類分布，說明兩個微博情感熱點區(qū)域的人們生活較為輕松愉悅。除此之外，兩個情感熱點區(qū)域的熱點分布主題還有其地域分布有關(guān)，微博情感熱點區(qū)一中的大理白族自治州和迪慶藏族自治州信仰佛教的人較多，因此是主題16宗教的熱點分布區(qū)，微博情感熱點區(qū)二的西雙版納傣族自治州是云南產(chǎn)茶區(qū)之一，因此是主題1茶的熱點分布區(qū)。綜上，云南省微博情感熱點分布的共性為關(guān)注旅游，并且有較多的正面情緒或較少的負面情緒。

微博情感冷點區(qū)一是主題9疾病、主題17離鄉(xiāng)、主題22負面情緒、主題23拼搏、主題33遺憾、主題35音樂分布的熱點區(qū)域，微博情感冷點區(qū)二是主題2出行、主題17離鄉(xiāng)分布的熱點區(qū)域。兩個微博情感冷點區(qū)均包含主題17離鄉(xiāng)，主題2出行和主題23拼搏也均與主題17有關(guān)。因此，兩個微博情感冷點區(qū)的共性為對離鄉(xiāng)有更多的關(guān)注。不同的是，微博冷點區(qū)域一全部分布在昭通市內(nèi)，而昭通市作為云南人口第三的城市，僅有兩家三甲醫(yī)院，醫(yī)療資源短缺，且存在地方病氟骨病，因此對主題9疾病有更多的關(guān)注，且存在較多的負面情緒。

5 結(jié) 語

基于2021年3月～5月定位在云南省范圍內(nèi)的26萬余條新浪微博數(shù)據(jù)，采用基于情感詞典的情感計算方法和基于BTM模型的主題建模方法，度量了微博數(shù)據(jù)在云南省的情感分布及主題聚類特征，揭示了影響云南省地理情感分布的主要因素。

研究表明，云南省基于微博數(shù)據(jù)的地理情感在空間上具有明顯的聚類特征，存在大范圍的熱點分布區(qū)和冷點分布區(qū)各兩個；旅游城市的微博情感較高，且具有更多的正面情緒或較少的負面情緒；微博情感較低的區(qū)域更多的關(guān)注離鄉(xiāng)拼搏，且微博情感冷點區(qū)一由于醫(yī)療資源不豐富和地方病的原因，對疾病有更多的關(guān)注，且有更多的負面情緒。

本文利用微博大數(shù)據(jù)，通過將情感分析與主題建模相結(jié)合的方式，衡量了云南省的區(qū)域地理情感特征及其影響因素，為推動區(qū)域的協(xié)調(diào)發(fā)展提供了一種新的思路。