Shifting Trends of COVID-19 Tweet Sentiment with Respect to Voting Preferences in the 2020 Election Year of the United States
University of Tennessee at Chattanooga（田纳西大学查塔努加分校）
2020年美国大选年期间，COVID-19相关政策被广泛政治化，导致观点两极分化。Twitter用户在2020年选举年特别活跃。在这里，我们调查了在选举日之前的一段时间内，与COVID-19相关的推文是否与州一级的整体选举结果相关。我们观察到COVID-19相关推文的平均情绪与两周内的流行投票之间存在弱相关性，并且趋势逐渐相反。然后，我们比较了支持共和党（红色州）或民主党（蓝色州）的州之间与COVID-19相关的推文的平均情绪。我们发现，在封锁开始时，蓝色州的情绪比红色州的情绪要积极得多。然而，红州的情绪在2020年夏季逐渐变得更加积极，并持续到选举日。
2022-02-15 cs.CL cs.SI
SentiBubbles: Topic Modeling and Sentiment Visualization of Entity-centric Tweets
University of Porto（波尔图大学）
社交媒体用户在对新闻事件做出反应时倾向于提及实体。这项工作的主要目的是每天创建以实体为中心的推文聚合。通过应用主题建模和情感分析，我们从以实体为中心的角度创建了关于当前事件和人们对这些事件的反应的数据可视化见解。
2018-01-23 cs.CL cs.IR cs.SI
Covid-19 Public Sentiment Analysis for Indian Tweets Classification
PDPM Indian Institute of Information Technology, Design and Manufacturing, Jabalpur（PDPM印度信息技术、设计与制造学院（贾巴尔普尔））
本文针对印度新冠疫情相关推文，提出提取 Twitter 数据并进行情感分析的方法，以处理高度非结构化、异质化的观点信息并判断其积极、消极或中立倾向。
2023-08-01 cs.CL cs.SI
Text mining and sentiment analysis of COVID-19 tweets
引起COVID-19疾病的人类严重急性呼吸道综合征冠状病毒2（SARS-Cov-2）继续在全球蔓延。它不仅威胁着公共卫生和全球经济，而且还威胁着心理健康和情绪。尽管COVID-19疫情的影响已被广泛研究，但有关民众情绪反应的讨论相对较少。在这篇文章中，我们在微博平台Twitter上抓取了与COVID-19相关的推文，并检查了2020年2月24日至2020年10月14日在四个加拿大城市（多伦多，蒙特利尔，温哥华和卡尔加里）和四个美国城市（纽约，洛杉矶，芝加哥和西雅图）的推文。应用Vader和NRC方法，我们评估了情绪强度分数，并将大流行不同时期的信息可视化。我们计算了关于口罩、疫苗和封锁这三项防疫措施的推文的情绪得分，以供比较。加拿大四个城市的结果与美国四个城市进行了比较。我们通过将回声状态网络方法与收敛交叉映射相结合，研究了感染病例、推文活动和COVID-19相关推文的情感得分之间的因果关系。我们的分析显示，公众对COVID-19的情绪在不同时间段和地点有所不同。总体而言，人们对COVID-19和口罩持积极态度，但对疫苗和封锁的话题持消极态度。因果推断表明，情绪影响人们在Twitter上的活动，这也与每日感染人数相关。
2021-06-26 cs.SI stat.AP
That Message Went Viral?! Exploratory Analytics and Sentiment Analysis into the Propagation of Tweets
信息交流和信息传播已从传统媒体转向社交媒体平台。Twitter等平台上的消息已成为公司沟通的默认模式，取代了更频繁的公告和更新。企业和组织越来越多地使用Twitter与利益相关者联系。因此，重要的是要了解成功的信息交流和信息传播通过Twitter的关键驱动因素。我们对超过100万条推文的数据集进行了探索性分析，其中包括超过40，000条主要推文，进一步过滤到超过18，000条推文。我们确定了最受欢迎的消息，并分析了多个内源性维度的推文，包括内容，情感，动机和丰富性，以及外源性维度，如基本事件，社会学习和行动主义。我们发现了一些有趣的模式，并发现了新的见解，以帮助研究人员和从业者更好地理解流行病毒式推文的行为。我们还进行了情感分析，并提出了一个早期模型来解释鸣叫性能。
2020-04-21 cs.CY cs.SI
User Behavior Discovery in the COVID-19 Era through the Sentiment Analysis of User Tweet Texts
冠状病毒病（COVID-19）爆发于二零二零年三月被宣布为大流行，自此对生活的各个方面产生重大影响。虽然我们生活在一个信息时代，但我们没有关于这种疾病的准确信息。在线社交网络（OSN）在社会中发挥着至关重要的作用，特别是那些不信任政府的人往往会对社交网络形成的证据更有信心。OSN在COVID-19时代的优势显而易见。例如，社交媒体使人们能够相互联系，而不需要现实世界中的面对面社交互动。在缺乏世界领导力的情况下，社交媒体网络也发挥了集体智慧的作用。因此，在本研究中，考虑到OSN中的信息扩散现象，我们重点关注COVID-19对用户情绪的影响，并通过挖掘和分析OSN数据来展示疫情初期的用户行为趋势。此外，我们提出了一个数据驱动的模型来展示用户情绪如何在一段时间内变化，以及OSN如何帮助我们获得用户行为的信息，这对于准确预测未来行为非常重要。为此，本研究使用有关COVID-19的推文文本和相关网络结构来提取重要特征，然后提出一个模型，试图提供当前和未来状况的更全面的真实情况。
2021-04-18 cs.SI
Modeling Rich Contexts for Sentiment Classification with LSTM
Tsinghua University（清华大学）
对tweets和weibo等社交媒体数据进行情感分析已成为一项非常重要且具有挑战性的任务。由于这些数据的内在属性，推文是短的，嘈杂的，并且具有不同的主题，并且对这些数据的情感分类需要对各种上下文进行建模，例如推文的转发/回复历史，以及关于作者和关系的社会上下文。虽然之前很少有研究涉及推文中的上下文建模问题，但本文提出使用分层LSTM来建模推文中的丰富上下文，特别是长距离上下文。实验结果表明，上下文可以帮助我们更好地执行情感分类。
2016-05-05 cs.CL cs.IR cs.SI
Your Tweets Matter: How Social Media Sentiments Associate with COVID-19 Vaccination Rates in the US
目的：该研究旨在研究社交媒体对COVID-19疫苗接种的情绪与美国疫苗接种率的影响之间的关联，以及导致COVID-19疫苗犹豫的其他因素。方法：本研究使用的数据集包括2021年1月4日至5月11日在美国境内发布的实时收集的疫苗相关英语推文，以及州一级的健康素养（HL），社会脆弱性指数（SVI）和疫苗接种率。结果如下：这项研究的结果表明，推文的情绪与美国的疫苗接种率之间存在显着相关性。结果还表明，HL和SVI之间存在显著的负相关性，并且国家人口统计学与HL和SVI相关。讨论内容：社交媒体活动提供了有关疫苗接种的公众意见的见解，并有助于确定所需的公共卫生干预措施，以提高美国的疫苗接种率。结论：作为疫苗接种运动的一部分，在公共卫生干预措施中需要考虑卫生知识、社会脆弱性指数和监测社交媒体情绪。
2022-01-20 cs.SI stat.AP
Evaluating Online Public Sentiments towards China: A Case Study of English and Chinese Twitter Discourse during the 2019 Chinese National Day
随着互联网逐渐渗透到人们的日常生活中，使每个人都能够在网上表达和交换意见和情感，公民个人越来越多地参与公共事务的制定和官方政策的设计和执行。本研究描述了一种使用社交媒体数据分析网络舆情的方法，并提供了2019年中国国庆期间Twitter话语的例子。在9月30日至10月3日期间收集了超过30万条推文，并采用SVM和字典的混合方法来评估所收集推文的情感。这种方法避免了复杂的结构，同时在研究中使用的大多数分类器中获得了超过96%的平均准确率。结果表明，国庆活动的时间与中英文推文中所表达的情绪之间存在一致性，但两种语言的情绪倾向不同。推文的情绪也因国家而异，但总体上与该国与中国的官方关系在不同程度上保持一致。这些推文的语言特征表明，对中国有不同情绪的Twitter用户有不同的关注。最后指出了进一步研究的可能方向。
2020-04-21 cs.CY cs.SI
Performance Comparison of Crowdworkers and NLP Tools on Named-Entity Recognition and Sentiment Analysis of Political Tweets
Boston University（波士顿大学）
我们报告了crowdworkers和七个自然语言处理（NLP）工具包在解决两个重要的NLP任务，命名实体识别（NER）和实体级情感（ELS）分析的准确性的比较结果。我们在这里关注一个具有挑战性的数据集，即2016年2月美国总统初选期间收集的1,000条政治推文。每条推文都提到了四位总统候选人中的至少一位，即，四个命名实体由政治传播专家建立的groundtruth具有推文中提到的每个候选人的实体级情感信息。我们测试了几个商业和开源工具。我们的实验表明，对于我们的政治推文数据集，最准确的NER系统Google Cloud NL的表现几乎与众包工作者不相上下，但最准确的ELS分析系统TensiStrength的准确性与众包工作者的准确性相差超过30%。
2020-08-11 cs.CL cs.LG cs.SI
What Sentiment and Fun Facts We Learnt Before FIFA World Cup Qatar 2022 Using Twitter and AI
Hamad Bin Khalifa University（哈马德·本·哈利法大学）；HKUST（香港科技大学）
本文提出了一种基于机器学习和Vader算法的情感分析解决方案，通过收集至少13万条与2022年卡塔尔世界杯相关的Twitter推文，揭示了世界杯开幕前公众的积极情感和相关趣闻。
2023-06-28 cs.CL cs.SI
Global Sentiment Analysis Of COVID-19 Tweets Over Time
PES University（PES大学）
冠状病毒大流行影响了正常的生活。世界各地的人们都在社交媒体上表达他们对这一风暴席卷世界的现象的看法和普遍情绪。社交网站Twitter显示，在很短的时间内，与新型冠状病毒相关的推文出现了前所未有的增长。本文介绍了冠状病毒相关推文的全球情感分析，以及不同国家的人们的情绪如何随时间发生变化。此外，为了确定冠状病毒对日常生活的影响，我们收集了与在家工作（WFH）和在线学习相关的推文，并观察了情绪随时间的变化。此外，各种机器学习模型，如长短期记忆（LSTM）和人工神经网络（ANN），实现了情感分类，并确定其准确性。还对一个数据集进行了探索性数据分析，该数据集提供了一些受影响最严重的国家每天确诊病例数的信息，以比较自此次大流行开始至2020年6月的情绪变化与病例变化。
2020-11-10 cs.CL cs.LG cs.SI
The impact of political party/candidate on the election results from a sentiment analysis perspective using #AnambraDecides2017 tweets
这项工作的影响，政党控制其候选人或反之亦然，赢得选举，使用自然语言处理技术称为情感分析（SA）的经验调查。为了做到这一点，在2017年11月18日阿南布拉州州长选举期间，一组7430条带有或与#AnambraDecides2017相关的推文被流媒体播放。这些是Twitter上关于五大政党及其候选人的讨论，本文称之为政治行为体。我们进行极性和主观情感分析的所有推文考虑时间作为SA的一个有用的维度。此外，我们使用词频来找到在给定时间内与政治行为者最相关的词。我们发现最谈论的话题使用主题建模算法，以及如何计算的情绪和最频繁的话是每个政治演员的主题。除此之外，我们从实验结果中推断，即使政党作为一个平台，销售候选人的个性，候选人/政党的接受增加了选举的胜利。例如，我们发现选举的获胜者威利·奥比亚诺受益于他的政党在该州人民中所分享的价值观。将他的名字与他的政党联系起来，全进步大联盟（APGA）显示出更多的积极情绪，主观情感分析表明，提到APGA的Twitter用户在他们的推文中的情感主观性低于其他政党。
2020-07-07 cs.IR cs.SI
The emojification of sentiment on social media: Collection and analysis of a longitudinal Twitter sentiment dataset
Queen Mary University of London（伦敦玛丽女王大学）
针对社交媒体情感纵向研究的空白，构建了含1.84亿条推文、跨度超七年的TM-Senti远程监督情感数据集，分析发现emoji使用量逐渐超过emoticon，且数据集可基于公开存档完整还原。
2025-03-24 cs.CL cs.DL cs.SI
Twitter Sentiment Analysis
这个项目解决了twitter中的情感分析问题;也就是根据其中表达的情感对tweet进行分类：积极的，消极的或中性的。Twitter是一个在线微博和社交网络平台，允许用户编写最长140个字符的简短状态更新。这是一个迅速扩大的服务，拥有超过2亿注册用户-其中1亿是活跃用户，其中一半每天登录twitter-每天产生近2.5亿条推文。由于大量的使用，我们希望通过分析推文中表达的情绪来反映公众情绪。分析公众情绪对于许多应用都很重要，例如公司试图找出他们的产品在市场上的反应，预测政治选举和预测股票交易等社会经济现象。该项目的目的是开发一个功能分类器，用于对未知的推文流进行准确和自动的情感分类。
2015-09-14 cs.CL cs.IR cs.SI
A Machine Learning Analysis of Twitter Sentiment to the Sandy Hook Shootings
与枪支有关的暴力是一个复杂的问题，在暴力事件中占很大比例。在本文报道的研究中，我们着手调查2012年美国康涅狄格州桑迪胡克小学枪击案后，社交媒体平台Twitter上表达的支持枪支和反对枪支的情绪。应用机器学习技术对超过70万条推文的数据语料库进行分类。这些情绪是使用公众情绪得分来捕捉的，该得分考虑了推文的数量和人口。一个基于网络的互动工具被开发出来，以可视化的情绪，并可在http://www.gunsontwitter.com。这项研究的主要发现是：（一）枪击当天，支持枪支和反对枪支的情绪都有所上升。令人惊讶的是，支持枪支的情绪在事件发生后的几天里仍然很高，但反枪支情绪很快下降到事件发生前的水平。(ii)每个州的公众反应都不一样，最支持枪支的情绪不是来自枪支拥有率最高的州，而是来自加利福尼亚州、德克萨斯州和纽约州。
2016-09-02 cs.SI
Deep Learning Reveals Patterns of Diverse and Changing Sentiments Towards COVID-19 Vaccines Based on 11 Million Tweets
Northwestern University（西北大学）；Feinberg School of Medicine（范伯格医学院）；Ann & Robert H. Lurie Children's Hospital of Chicago（芝加哥安与罗伯特·H·卢里儿童医院）；Northwestern Medicine（西北医学中心）
在撰写本报告时，已接种了超过120亿剂COVID-19疫苗。然而，公众对疫苗的看法一直很复杂。我们分析了与COVID-19疫苗相关的推文，以了解人们对COVID-19疫苗的看法。我们使用最先进的模型XLNet微调了一个深度学习分类器，以自动检测每条推文的情绪。我们采用有效的方法从用户简档中提取用户的种族或民族、性别、年龄和地理位置。通过分析多个数据来源，我们评估了亚群之间的情感模式，并将其与疫苗接种数据并列，以揭示其互动模式。分析了两年内与2，203，681名用户对应的11，211，672条COVID-19疫苗相关推文。用于情感分类的微调模型在测试集上的准确率为0.92。来自不同人口群体的用户对COVID-19疫苗的情绪表现出不同的模式。随着时间的推移，用户的情绪变得更加积极，我们观察到人口水平的疫苗摄取量随后上升。在积极情绪高涨的日期周围，我们发现了有关疫苗开发和分发的令人鼓舞的消息或事件。与一般人群的趋势相比，怀孕相关推文中的积极情绪表现出延迟模式，疫苗接种趋势推迟。各亚群之间的独特模式表明需要量身定制的策略。全球新闻和事件深刻地影响了用户在社交媒体上的想法。由于缺乏及时的建议，有其他问题的人群，如怀孕，表现出更大的犹豫。特征分析显示，不同亚群的犹豫源于临床试验逻辑、风险和并发症以及科学证据的紧迫性。
2022-07-05 cs.CL cs.LG cs.SI
TBCOV: Two Billion Multilingual COVID-19 Tweets with Sentiment, Entity, Geo, and Gender Labels
Qatar Computing Research Institute（卡塔尔计算研究所）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）
本文构建TBCOV大规模多语言COVID-19推文数据集，利用深度学习标注情感、实体、用户与性别，并提出地理标记方法以支持疫情舆情与现实问题分析。
2021-10-04 cs.CL cs.SI
An Exploratory Study of Tweets about the SARS-CoV-2 Omicron Variant: Insights from Sentiment Analysis, Language Interpretation, Source Tracking, Type Classification, and Embedded URL Detection
University of Cincinnati（辛辛那提大学）
本文介绍了一项探索性研究的结果，该研究针对Twitter上不断生成的大数据，这些数据与分享有关COVID-19大流行的信息、新闻、观点、意见、想法、反馈和经验有关，特别关注Omicron变体，这是目前SARS-CoV-2的全球主要变体。共研究了12028条关于Omicron变体的推文，并分析了推文的具体特征，包括情感，语言，来源，类型和嵌入式URL。这项研究的结果是多方面的。首先，从情感分析中，观察到50.5%的推文具有中性情感。其他情绪-坏的，好的，可怕的和伟大的分别在15.6%，14.0%，12.5%和7.5%的推文中被发现。其次，语言翻译的结果显示，65.9%的推文是用英语发布的。其次是西班牙语、法语、意大利语和其他语言。第三，来源追踪的结果显示，Android版Twitter与35.2%的推文相关。紧随其后的是Twitter Web App、iPhone版Twitter、iPad版Twitter和其他来源。第四，研究推文的类型发现，转发占推文的60.8%，其次是原创推文和回复，分别占推文的19.8%和19.4%。第五，在嵌入URL分析方面，发现最常见的嵌入推文的域名是twitter.com，其次是biorxiv.org，nature.com和其他域名。最后，为了支持该领域的类似研究，我们开发了一个Twitter数据集，该数据集包含自2021年11月24日首次发现该变体病例以…
2022-07-20 cs.CL cs.LG cs.SI
A Framework for Detecting Event related Sentiments of a Community
Quaid-i-Azam University（真纳大学）
社交媒体彻底改变了人类的沟通和互动方式。由于它的简单和有效的媒介，人们共享和交换信息，对各种事件进行讨论，并表达他们的意见。为了有效地制定政策和了解社区对不同事件的反应，我们需要监测和分析社交媒体。在社交媒体中，有一些用户更有影响力，例如，一个著名的政治家可能比普通人更有影响力。这些有影响力的用户属于特定的社区。这项研究的主要目的是了解特定社区对各种事件的看法。为了检测基于事件的情感的社区，我们提出了一个通用的框架。我们的框架识别了twitter上特定社区的用户。在识别出社区的用户之后，我们获取他们的推文并识别属于特定事件的推文。基于事件的推文被预处理。然后分析预处理的推文，以检测社区对特定事件的情绪。定性和定量评价证实了我们提出的框架的有效性和实用性。
2019-04-25 cs.CL cs.SI
Sentiment Analysis of Twitter Data for Predicting Stock Market Movements
Indian Institute of Technology, Bhubaneswar（布巴内斯瓦尔印度理工学院）；G.G Vishwavidyalaya, Central University（G.G大学（中央大学））
预测股票市场走势是一个众所周知的有趣问题。如今的社交媒体完美地代表了公众对当前事件的情绪和看法。特别是twitter在研究公众情绪方面吸引了众多研究者的关注。根据公众在twitter上表达的情绪来预测股市一直是一个有趣的研究领域。先前的研究已经得出结论，从Twitter收集的公众情绪很可能与道琼斯工业平均指数（DJIA）相关。这项工作的论文是观察一家公司的股票价格的变化，上涨和下跌，与公众对该公司的推文中表达的意见有多相关。情感分析的目的是从文本中理解作者的观点。本文采用Word 2 vec和N-gram两种不同的文本表示方法来分析推文中的公众情绪。在本文中，我们应用情感分析和监督机器学习原则，从twitter上提取的推文，并分析了一家公司的股票市场走势和推文中的情感之间的相关性。在一个精心设计的方式，积极的新闻和社交媒体上关于一家公司的推文肯定会鼓励人们投资该公司的股票，因此该公司的股价会上涨。文章最后指出，股票价格的涨跌与推文中的公众情绪之间存在很强的相关性。
2016-10-28 cs.CL cs.IR cs.SI
Emotion Alignment: Discovering the Gap Between Social Media and Real-World Sentiments in Persian Tweets and Images
Department of Computer Engineering, Sharif University of Technology（计算机工程系，谢赫拉兹大学）
本研究通过分析X上波斯社区的推文和图像，设计流程比较现实与社交媒体情感，发现推文对齐度75.88%，图像仅28.67%，揭示两者间显著情感差距。
2025-04-20 cs.HC cs.LG cs.SI
Enhanced Twitter Sentiment Classification Using Contextual Information
MIT（麻省理工学院）
随着Twitter的普及和普及，对推文的情感分析已经成为一个重要的研究领域。然而，对推文施加的140个字符的限制使得很难使用标准的语言学方法进行情感分类。另一方面，推特缺乏结构，但它们却用庞大的数量和丰富的元数据来弥补。该元数据包括地理位置、时间和作者信息。我们假设情绪依赖于所有这些背景因素。不同的地点，不同的时代，不同的作者，有着不同的情感价值。在本文中，我们通过利用远程监督收集来自不同地点，时间和作者的数百万条标记推文来探索这一假设。我们使用这些数据来分析不同作者，时间和地点的推文情绪的变化。一旦我们探索并理解了这些变量和情绪之间的关系，我们就使用贝叶斯方法将这些变量与更标准的语言特征（如n-gram）结合起来，创建了一个Twitter情绪分类器。这种组合分类器的性能优于纯语言分类器，表明将Twitter上丰富的上下文信息整合到情感分类中是一个很有前途的研究方向。
2021-01-02 cs.AI cs.CL cs.IR
Predicting US State-Level Agricultural Sentiment as a Measure of Food Security with Tweets from Farming Communities
Stanford University（斯坦福大学）
在相关数据可能稀少的发展中地区，获得准确的粮食安全指标的能力对于负责实施粮食援助计划的政策制定者至关重要。因此，大量的工作致力于预测重要的粮食安全指标，如使用各种方法，包括模拟，遥感，天气模型和人类专家输入的年度作物产量。作为对现有作物产量预测技术的补充，这项工作开发了神经网络模型，用于预测来自农业社区的Twitter消息的情绪。具体来说，我们研究了在农业相关推文的小数据集上进行直接学习的潜力，以及从其他领域（例如，政治）来准确预测农业情绪，我们希望这最终将成为一个有用的作物产量预测器。我们发现，从小的相关数据集直接学习优于从大的完全标记的数据集迁移学习，卷积神经网络在Twitter情感分类上广泛优于递归神经网络，并且这些模型在实际设置的三元情感问题上的表现远不如文献中常见的二元问题。
2019-04-25 cs.CL cs.LG cs.SI
Tripartite Graph Clustering for Dynamic Sentiment Analysis on Social Media
The Chinese University of Hong Kong（香港中文大学）
社交媒体（例如Twitter）的日益普及允许用户轻松地彼此分享信息，并通过表达自己对各种主题的看法来影响他人。在这项工作中，我们提出了一个无监督的\emph{tri-clustering}框架，分析用户级和推文级的情感，通过共同聚类的三方图。该框架的一个引人注目的特点是，推文，用户和功能的情感聚类的质量可以通过联合聚类相互提高。我们进一步研究在线框架中用户级情感和潜在特征向量的演变，并设计一种高效的在线算法，用新到达的数据顺序更新推文、用户和特征的集群。在线框架不仅提供了更好的质量的动态用户级和推文级情感分析，但也提高了计算和存储效率。我们验证了2012年11月加州选票Twitter数据的有效性和效率的方法。
2014-06-12 cs.CL cs.IR cs.SI
A Fair and Comprehensive Comparison of Multimodal Tweet Sentiment Analysis Methods
TIB – Leibniz Information Centre for Science and Technology（莱布尼茨科学技术信息中心）；L3S Research Center, Leibniz University Hannover（汉诺威莱布尼茨大学L3S研究中心）
意见和情感分析是表征社交媒体帖子中的主观信息的重要任务。在本文中，我们提出了一个全面的实验评估和比较与六个国家的最先进的方法，从我们已经重新实现了其中之一。此外，我们研究了不同的文本和视觉特征嵌入，涵盖了内容的不同方面，以及最近推出的多模态CLIP嵌入。两个不同的公开可用的基准数据集的推文和相应的图像的实验结果。与以前工作的评价方法相比，我们引入了一个可重复的和公平的评价方案，使结果具有可比性。最后，我们进行了误差分析，概述了方法的局限性和未来工作的可能性。
2021-06-16 cs.CL cs.CV cs.SI
Sentiment Analysis based on User Tag for Traditional Chinese Medicine in Weibo
Beihang University（北京航空航天大学）
随着西方文化和科学的接受，中医在中国已成为一个有争议的问题。因此，研究公众对中医药的情绪和看法具有重要意义。随着twitter等社交网络的迅速发展，对数以亿计的人进行情感研究变得方便而有效。据我们所知，目前的工作是第一次尝试，将情感分析应用到中医领域的新浪微博（一个类似Twitter的微博服务在中国）。首先从新浪微博中收集关于中医药的推文主题，并根据用户标签自动将推文标记为支持中医药和反对中医药。然后，建立了一个支持向量机分类器来预测中医推文的情感。最后，我们提出了一种调整分类器结果的方法。用我们的方法得到的F-测度的性能是97%。
2014-10-13 cs.CL cs.SI
Efficient Twitter Sentiment Classification using Subjective Distant Supervision
Indian Institute of Technology, Hyderabad（印度海得拉巴理工学院）
随着像Twitter这样的微博服务在当今全球化的世界中变得越来越有影响力，它的情感分析等方面正在被广泛研究。我们不再被自己的观点所束缚。其他人的观点和情感在塑造我们的观点方面发挥着巨大的作用。在本文中，我们建立在以前的作品Twitter的情感分析使用远程监督。现有的方法需要巨大的计算资源来分析大量的推文。在本文中，我们提出的技术，以加快计算过程的情感分析。我们使用tweet主观性来选择正确的训练样本。我们还介绍了EFWS（有效字分数）的概念，从常用词的极性得分，这是一个额外的启发式，可以用来加快与标准的机器学习算法的情感分类推文。我们使用160万条推文进行了实验。实验评估表明，我们提出的技术是更有效的，具有更高的准确性相比，以前提出的方法。我们在10万条推文的训练数据集上实现了约80%的总体准确率（EFWS启发式算法的准确率约为85%），这是基线模型所用数据集大小的一半。我们提出的模型的准确性比基线模型高2-3%，并且该模型的有效训练速度是基线模型的两倍。
2017-01-11 cs.CL cs.IR cs.SI
Fusing location and text features for sentiment classification
地理标记的Twitter数据最近被用来推断社交媒体人性化方面的见解。在最近的研究中，人们已经从带有地理标签的twitter数据中挖掘出了与人口统计、文化活动的空间分布、人类的时空旅行轨迹以及幸福感相关的见解。到目前为止，还没有太多的研究已经做了一个推文的地理定位功能对其情绪的影响。这一观察启发了我们提出使用地理位置特征作为执行情感分类的方法。在该方法中，通过将地理位置特征和独热编码词向量连接起来作为卷积神经网络（CNN）和长短期记忆（LSTM）网络的输入来执行地理标记推文的情感分类。以地理位置特征的形式添加与语言无关的特征有助于丰富推文表示，以对抗短推文消息的稀疏性。所取得的结果表明，与单独使用词向量进行情感分类相比，将地理位置特征连接到独热编码词向量可以实现更高的准确性。
2019-07-28 cs.CL cs.IR cs.SI
Targeting HIV-related Medication Side Effects and Sentiment Using Twitter Data
Pennsylvania State University（宾夕法尼亚州立大学）
我们对Twitter数据进行了描述性分析。我们的研究重点是提取与艾滋病毒治疗相关的主要副作用。我们工作的关键是识别涉及艾滋病毒的个人推文。我们在一个面向公众的信息图中总结了我们的结果。此外，我们提出了一个衡量用户情绪的基础上手评级的推文。
2014-04-11 cs.CL cs.IR cs.SI
Semantic Properties of Customer Sentiment in Tweets
Northwestern University（西北大学）
越来越多的人正在使用在线社交网络服务（SNS），并且大量与消费体验相关的信息通过这种新媒体形式共享。文本挖掘是一种新兴的从网络中挖掘有用信息的技术。我们的目标是发现，特别是在消费者的讨论在社交媒体上的推文语义模式。具体来说，本研究的目的是双重的：1）发现两组文本文档之间的相似性和差异性，包括消费者的情感极性，两种形式的积极与消极的意见和2）驱动实际内容的文本数据，具有语义趋势。经过考虑的推文包括消费者对美国零售公司的看法（例如，亚马逊、沃尔玛）。前一个目标是使用余弦相似度和K均值聚类方法，后一个目标是使用潜在狄利克雷分配（LDA），一个流行的主题建模算法。这是第一个发现消费语境中文本数据语义特性的研究，而不是情感分析。除了主要发现外，我们还将LDA（潜在狄利克雷分配）应用于相同的数据，并绘制了代表消费者在社交媒体上的积极意见和消极意见的潜在主题。
2016-03-24 cs.CL cs.IR cs.SI
Computational Content Analysis of Negative Tweets for Obesity, Diet, Diabetes, and Exercise
School of Library and Information Science, University of South Carolina（南卡罗来纳大学图书馆与信息科学学院）
基于社交媒体的数字流行病学有可能支持更快的反应和更深入地了解公共卫生相关威胁。本研究提出了一个新的框架来分析非结构化的健康相关的文本数据，通过Twitter用户的帖子（tweets）来表征负面的健康情绪和非健康相关的关注与负面情绪的语料库，关于饮食糖尿病运动和肥胖（DDEO）。通过收集一个月的600万条推文，本研究确定了用户的主要话题，因为它与负面情绪有关。我们提出的框架使用两种文本挖掘方法，情感分析和主题建模，发现负面主题。Twitter用户的负面情绪支持了文献叙述以及与DDEO相关的许多发病率问题以及肥胖和糖尿病之间的联系。该框架提供了一个潜在的方法来了解公众的意见和情绪DDEO。更重要的是，这项研究为计算社会科学家、医学专家和公共卫生专业人员提供了共同解决DDEO相关问题的新机会。
2017-09-22 cs.CL cs.SI stat.AP
Sentiment Analysis and Text Analysis of the Public Discourse on Twitter about COVID-19 and MPox
Emory University（埃默里大学）
针对现有研究未同时分析COVID-19与MPox相关推文的空白，本研究对6万余条同时涉及二者的推特开展情感与文本分析，得出情感分布、热门话题标签与高频词等结果，并验证了研究的创新性。
2023-12-17 cs.AI cs.CL cs.LG
Dynamic Allocation of Crowd Contributions for Sentiment Analysis during the 2016 U.S. Presidential Election
Boston University（波士顿大学）
关于2016年美国总统候选人的意见已经在数百万条推文中表达出来，这些推文很难自动分析。众包政治推文的有效分析也很困难，因为当涉及讽刺时，评级者之间存在很大的分歧。每条推文通常由固定数量的工人和多数投票进行分析。我们在这里提出了一个众包框架，而不是使用工人数量的动态分配。我们探索了两种动态分配方法：（1）根据预测的识别特定推文的情感的难度离线计算被查询以标记推文的工人数量。(2)在迭代的众包过程中，基于标签之间的评分员协议，众包工作者的数量是在线确定的。我们将我们的方法应用于2016年2月收集的关于四位美国总统候选人克林顿，克鲁兹，桑德斯和特朗普的1,000条Twitter消息。我们使用决策树实现了这两种方法，这些决策树将更多的人群努力分配给预测为讽刺的推文。我们表明，我们的框架优于传统的静态分配计划。它以低得多的成本从人群中收集意见标签，同时保持标签的准确性。
2017-02-09 cs.CL cs.HC cs.SI
Sentiment Analysis of Twitter Posts on Global Conflicts
Conestoga College（康尼斯托加学院）；Wilfrid Laurier University（威尔弗里德·劳雷尔大学）；Southern Utah University（南犹他大学）
本文提出一种情感分析模型，基于Twitter上近期全球争端事件数月间约31,000条筛选推文，分析全球冲突期间的公众情绪。
2023-11-21 cs.CL cs.LG cs.SI
BERT-Deep CNN: State-of-the-Art for Sentiment Analysis of COVID-19 Tweets
University of Birjand（比尔詹德大学）；Dibrugarh University（迪布鲁加尔大学）；Fasa University（法萨大学）；Ferdowsi University of Mashhad（马什菲尔德大学）；Deakin University（迪肯大学）；Shahid Beheshti University（沙希德·贝赫什提大学）；Khulna University（库尔纳大学）
本文提出结合BERT与Deep CNN分析COVID-19推文情感，借助NLP和机器学习识别社会情绪趋势，并通过相关研究对比表明BERT优于其他深度模型。
2023-03-10 cs.CL cs.SI
Comparing methods for Twitter Sentiment Analysis
这项工作扩展了一套工程，其中涉及的情感分析在Twitter的流行问题。它研究了最流行的文档（“推文”）表示方法，这些方法提供了情感评估机制。特别是，我们研究了词袋，n-gram和n-gram图方法，对于每一种方法，我们使用一组4451条手动注释的推文评估了基于词典和7种基于学习的分类算法（即SVM，朴素贝叶斯网络，逻辑回归，多层感知器，最佳优先树，功能树和C4.5）及其组合的性能。结果表明，基于学习的方法的优越性，特别是n-gram图的方法来预测推文的情绪。他们还表明，组合方法对n-gram具有令人印象深刻的影响，使用多数投票和平衡数据集（相同数量的正面，负面和中性推文进行训练），将5-Gram的置信度提高到83.15%。在n-gram图的情况下，改善很小，甚至没有，在4-gram图上达到94.52%，使用正交距离和0.001的阈值。
2015-05-12 cs.CL cs.IR cs.SI
CML-COVID: A Large-Scale COVID-19 Twitter Dataset with Latent Topics, Sentiment and Location Information
作为一个平台，Twitter一直是讨论COVID-19疫情的重要公共空间。Twitter等公共社交媒体平台是参与大流行病的重要网站，这些数据可供研究团队用于社会、健康和其他研究。了解公众对COVID-19的看法以及信息如何在社交媒体上传播对政府和研究机构非常重要。Twitter是一个无处不在的公共平台，因此在了解公众对COVID-19的看法、行为和态度方面具有巨大的效用。在这项研究中，我们展示了CML-COVID，这是一个COVID-19 Twitter数据集，包含来自5，977，653个独立个体的19，298，967百万条推文，并总结了这些数据的一些属性。这些推文是在2020年3月至2020年7月期间使用与COVID-19相关的冠状病毒、COVID和口罩等查询词收集的。我们使用主题建模、情感分析和描述性统计来描述我们收集的与COVID-19相关的推文以及推文的地理位置（如有）。我们提供有关如何访问我们的tweet数据集的信息（使用twarc存档）。
2021-01-28 cs.CY cs.HC cs.SI
Improved Twitter Sentiment Prediction through Cluster-then-Predict Model
NITTTR Bhopal（博帕尔国家技术教师培训与研究学院）
在过去的十年中，人类在使用在线资源方面经历了指数级增长，特别是社交媒体和微博网站，如Facebook，Twitter，YouTube以及移动应用程序，如WhatsApp，Line等。这些知识提供了宝贵的反馈，使他们能够进一步开发下一代产品。在本文中，情感分析的产品是通过提取有关该产品的推文和分类的推文显示它作为积极和消极的情绪。作者提出了一种混合的方法，它结合了无监督学习的K-means聚类的形式来聚类的推文，然后执行监督学习方法，如决策树和支持向量机进行分类。
2015-09-08 cs.CL cs.IR cs.LG
Balotage in Argentina 2015, a sentiment analysis of tweets
Universidad Nacional de Chilecito（智莱西托国立大学）；KUNAN；Universidad Nacional Experimental del Táchira（塔奇拉国立实验大学）
Twitter的社交网络包含了大量的信息产生的用户。这些信息由可能反映社会行为趋势的意见和评论组成。当有可能确定许多人共同的观点和评论时，就会谈到趋势。为了确定两个或多个书面意见是否共享同一地址，使用了自然语言处理（NLP）技术。本文提出了一种基于社会行为的情感分析函数NLP的Twitter预测方法。该案例研究选择了2015年阿根廷总统选举，并使用了由Vertica数据库组成的软件架构Big Data，其中包含称为Pulse的组件。通过分析，有可能发现总统候选人的投票意向趋势，在预测方面比传统系统调查更准确。
2016-11-07 cs.CL cs.IR cs.SI
Understanding Public Opinion on Using Hydroxychloroquine for COVID-19 Treatment via Social Media
羟氯喹（HCQ）用于预防或治疗由蚊子叮咬引起的疟疾。最近，该药物被建议用于治疗COVID-19，但尚未得到科学证据的支持。有关药物疗效的信息充斥着社交网络，通过歪曲他们对药物疗效的看法，对社区构成潜在威胁。本文通过分析推文的反应模式和情绪，研究社交网络用户对使用HCQ治疗COVID-19的建议的反应。我们从2020年2月至12月收集了164，016条推文，并使用文本挖掘方法来识别社会反应模式和意见随时间的变化。我们的描述性分析发现，用户的反应模式与HCQ和COVID-19治疗发展的社交和新闻推送密切相关。该研究将推文和谷歌搜索频率联系起来，以揭示当地社区对不同州使用HCQ治疗COVID-19的观点。此外，我们的推文情感分析显示，公众对使用HCQ治疗COVID-19的建议的意见随着时间的推移发生了显著变化。数据显示，早期的支持率很高，但在10月份显着下降。最后，使用人类对4，850条推文的手动分类作为我们的基准，我们的情感分析表明，Google Cloud自然语言算法在分类推文方面优于Valence Aware Dictionary和social Reasoner，特别是在讽刺推文组中。
2022-01-01 cs.IR cs.SI
Movie Recommendation System using Sentiment Analysis from Microblogging Data
推荐系统是一种重要的智能系统，在为用户提供选择性信息方面起着至关重要的作用。推荐系统中的传统方法包括协同过滤和基于内容的过滤。然而，这些方法有一定的局限性，如需要先前的用户历史和习惯来执行推荐任务。为了减少这种依赖性的影响，本文提出了一种混合推荐系统，它结合了协同过滤，基于内容的过滤和情感分析的电影推文。电影推文是从微博网站收集的，以了解电影的当前趋势和用户反应。在公共数据库上进行的实验产生了令人满意的结果。
2018-11-27 cs.IR cs.SI
Sentiment analysis model for Twitter data in Polish language
Politechnika Warszawska（华沙理工大学）；Wydział Elektroniki i Technik Informacyjnych（电子与信息技术学院）；Instytut Informatyki（计算机科学研究所）
对2015年5月10日波兰总统选举期间收集的推文进行文本挖掘分析。该项目包括实现从Twitter检索信息的引擎，构建文档语料库，语料库清理，以及创建术语文档矩阵。来自文本语料库的每条推文都根据其情感得分被分配了一个类别。分数是使用每个文档中积极和/或消极的表情符号和波兰语单词的数量计算的。结果数据集用于训练和测试四个机器学习分类器，以选择提供最准确的自动推文分类结果的分类器。朴素贝叶斯算法和最大熵算法的准确率最高，分别为71.76%和77.32%。所有的实现任务都是使用R程序设计语言完成的。
2019-11-03 cs.CL cs.IR cs.LG
TweetsCOV19 -- A Knowledge Base of Semantically Annotated Tweets about the COVID-19 Pandemic
公开的社交媒体档案促进了社会科学研究，并为培训和测试各种机器学习和自然语言处理方法提供了语料库。就最近爆发的2019冠状病毒病（COVID-19）而言，Twitter上的网上话语反映了公众对疫情本身的意见和看法，以及缓解措施及其社会影响。理解这样的话语，它的演变，以及与现实世界的事件或（错误）信息的相互依存关系，可以培养有价值的见解。另一方面，这样的语料库是解决诸如情感分析、事件检测或实体识别等任务的计算方法的关键促进者。然而，获取、归档和语义注释大量的tweet是昂贵的。在本文中，我们描述了TweetsCOV 19，这是一个公开的知识库，目前有800多万条推文，时间跨度为2019年10月至2020年4月。关于tweets的元数据以及提取的实体、主题标签、用户提及、情感和URL使用已建立的RDF/S词汇表公开，为一系列知识发现任务提供了前所未有的知识库。在描述数据集及其提取和注释过程之后，我们给出了语料库的初步分析和用例。
2020-08-15 cs.IR cs.SI
Covid-19 Discourse on Twitter: How the Topics, Sentiments, Subjectivity, and Figurative Frames Changed Over Time
University College Dublin（都柏林大学学院）
我们在社交媒体上谈论当前流行病危机时使用的词汇，可以让我们了解我们是如何对这一流行病进行概念化的，以及我们是如何对其发展作出反应的。本文提供了一个广泛的探索性分析，以了解Twitter上关于新冠肺炎的话语是如何随着时间的推移而变化的，重点是这场大流行的第一波。基于广泛的推文语料库（产生于2020年3月20日至7月1日之间），我们首先使用主题建模展示了与疫情发展相关的主题如何随时间变化。其次，我们展示了在推文中使用的语言的情感极性如何从第一次锁定期间相对积极的效价变化到与重新开放相对应的更消极的效价。第三，我们展示了推文的平均主观性是如何线性增加的，第四，当真正的骚乱和打斗进入话语时，WAR的流行和常用的比喻框架是如何变化的。
2021-03-16 cs.CL cs.SI
Taureau: A Stock Market Movement Inference Framework Based on Twitter Sentiment Analysis
本文提出Taureau框架，利用Twitter情感分析预测股市走势，通过提取历史推文生成词嵌入并量化情感，建立滞后情感分数与月度股价走势的关联模型。
2023-03-30 cs.CY cs.SI q-fin.CP
COVID-19 Vaccine and Social Media: Exploring Emotions and Discussions on Twitter
University of South Carolina（南卡罗来纳大学）；City University of New York（纽约市立大学）
了解公众对COVID-19疫苗的反应是控制COVID-19疫情的关键成功因素。为了了解公众的反应，有必要探讨民意。传统的调查费用昂贵，耗时，涉及的健康问题有限，获得的数据规模较小。Twitter可以提供一个很好的机会来了解公众对COVID-19疫苗的看法。目前的研究提出了一种使用计算和人类编码方法来收集和分析大量推文的方法，以提供关于COVID-19疫苗的更广泛的视角。本研究使用机器学习基于规则的方法来识别推文的情感，发现主要主题，探索时间趋势，并使用统计测试来比较负面和非负面推文的主题，并揭示具有负面和非负面情感的推文的热门主题。我们的研究结果显示，2020年11月至2021年2月期间，有关COVID-19疫苗的负面情绪呈下降趋势。我们发现Twitter用户在2020年11月至2021年2月期间讨论了从疫苗接种地点到2020年美国大选的广泛话题。研究结果表明，有一个显着的差异之间的推文有负面和非负面情绪的权重的大多数主题。我们的研究结果还表明，负面和非负面的推文有不同的主题优先级和重点。这项研究表明，Twitter数据可用于探索有关COVID-19疫苗的公众意见。
2021-09-29 cs.CL cs.SI
Sentiment Analysis in Twitter for Macedonian
University American College Skopje（斯科普里美国学院）；Qatar Computing Research Institute（卡塔尔计算研究所）；HBKU（哈马德·本·哈利法大学）
我们目前的工作情感分析在Twitter的马其顿。由于这是语言和体裁相结合的开创性工作，我们创建了合适的资源，用于培训和评估马其顿推文的情感分析系统。特别是，我们开发了一个tweet语料库，标注了tweet级别的情感极性（积极，消极和中性），以及短语级别的情感，我们免费提供用于研究目的。我们进一步引导了几个大规模的情感词汇马其顿语，以前的工作为英语的动机。几个不同的预处理步骤，以及各种功能的影响显示在实验中，代表的第一次尝试建立一个系统的情感分析在Twitter的形态丰富的马其顿语。总的来说，我们的实验结果显示F1分数为92.16，这是非常强大的，与最近SemEval比赛中取得的英语最好成绩相当。
2021-09-27 cs.AI cs.CL cs.IT
Leveraging Twitter Data for Sentiment Analysis of Transit User Feedback: An NLP Framework
Department of Civil and Environmental Engineering（土木与环境工程系）；The Pennsylvania State University（宾夕法尼亚州立大学）；College of Information Sciences and Technology（信息科学与技术学院）
提出一种基于NLP的框架，利用少样本学习和基于词典的情感分析技术，从Twitter数据中高效获取公交用户反馈，准确分类问题并评估情感，为公交系统改进提供低成本方案。
2025-10-11 cs.AI cs.SI
Twitter Sentiment Analysis of Covid Vacciness
Courant Institute of Mathematical Sciences, New York University（纽约大学柯朗数学科学研究所）
针对社交媒体上新冠疫苗相关意见的排序与分类需求，本研究使用两种排序量表和自然语言处理技术，对Twitter推文进行情感分析，力求高准确率地归类用户对新冠疫苗的观点。
2023-11-08 cs.CL cs.IR cs.LG
SemEval-2014 Task 9: Sentiment Analysis in Twitter
Columbia University（哥伦比亚大学）；Qatar Computing Research Institute（卡塔尔计算研究所）；Carnegie Mellon University（卡内基梅隆大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
我们描述了Twitter任务中的情感分析，作为SemEval-2014的一部分运行。这是去年作为SemEval-2013的一部分成功运行的任务的延续。与2013年一样，这是最受欢迎的SemEval任务;共有46个团队为子任务A（21个团队）提交了27份提交，为子任务B（44个团队）提交了50份提交。今年，我们引入了三个新的测试集：（i）常规推文，（ii）讽刺推文和（iii）LiveJournal句子。我们进一步测试了（iv）2013年的推文和（v）2013年的短信。NRC-加拿大子任务A的F1得分最高，为86.63，TeamX子任务B的F1得分最高，为70.96。
2019-12-06 cs.CL cs.IR cs.LG
A Sentiment Analysis of Breast Cancer Treatment Experiences and Healthcare Perceptions Across Twitter
The University of Vermont（佛蒙特大学）；Harvard Medical Center（哈佛医学中心）；UVM Health Network（佛蒙特大学健康网络）；Arizona State University（亚利桑那州立大学）；Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心）
背景资料：社交媒体有能力为医疗保健行业提供来自患者的宝贵反馈，这些患者透露和表达了他们的医疗决策过程，以及治疗期间和治疗后自我报告的生活质量指标。在以前的工作中，[Crannell et.等]，我们研究了Twitter上活跃的癌症患者群体，并编辑了一组描述他们患这种疾病的经历的推文。我们将这些在线公开证词称为“隐形患者报告结果”（iPRO），因为它们带有相关指标，但难以通过传统的自我报告方式获取。方法：我们目前的研究旨在识别与患者体验相关的推文，作为监测公共卫生的额外信息工具。使用Twitter的公共流媒体API，我们编译了2016年9月至2017年12月中旬的530多万条与“乳腺癌”相关的推文。我们将监督机器学习方法与自然语言处理相结合，筛选与乳腺癌患者经历相关的推文。我们分析了845个乳腺癌患者和幸存者账户的样本，这些账户负责超过48，000个帖子。我们调查了tweet内容与快乐情感分析定量提取情感主题。结果：我们发现，积极的经验，分享病人的治疗，提高支持，并传播意识。与医疗保健有关的进一步讨论很普遍，主要是负面的，重点是担心可能导致失去覆盖面的政治立法。结论：社交媒体可以为患者提供一个积极的渠道，让他们讨论他们的需求和对医疗保险和治疗需求的担忧。从在线通信中获取iPRO可以帮助告知医疗保健专业人员，并导致更多的连接和个性化的治疗方案。
2018-10-12 cs.CL cs.SI
SenWave: Monitoring the Global Sentiments under the COVID-19 Pandemic
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
自世界卫生组织发出首次警报（二零二零年一月五日）以来，COVID-19已蔓延至超过180个国家及地区。截至2020年6月18日，目前共有超过8，400，000例病例和超过450，000例相关死亡。这导致全球经济和就业岗位的巨大损失，并限制了全球约58%的人口。在本文中，我们介绍了SenWave，这是一项新颖的情感分析工作，使用收集的1.05亿多条推文和微博消息来评估COVID-19大流行期间全球情绪的起伏。为了对我们面对这场全球健康危机时的感受进行细致的分析，我们将10000条英语推文和10000条阿拉伯语推文分为10类，包括乐观，感谢，同情，悲观，焦虑，悲伤，烦恼，否认，官方报告和开玩笑。然后，我们利用一个集成的Transformer框架，称为simpleTransformer，进行多标签情感分类微调预训练的语言模型的标记数据。同时，为了进行更完整的分析，我们还将带注释的英语推文翻译成不同的语言（西班牙语，意大利语和法语），以生成用于构建这些语言的情感分析模型的训练数据。因此，SenWave揭示了疫情蔓延后，全球六种不同语言（包括英语、西班牙语、法语、意大利语、阿拉伯语和中文）对COVID-19的看法。随着时间的推移，所有国家的对话都呈现出非常相似的快速上升和缓慢下降的模式，在群体免疫战略等特殊主题上也是如此，全球对话对此反应强烈。总体而言，SenWave显示乐观和积极的情绪随着…
2020-06-18 cs.IR cs.LG cs.SI
Integrating sentiment and social structure to determine preference alignments: The Irish Marriage Referendum
University of Limerick（利默里克大学）；Sinnia；University of Oxford（牛津大学）
我们通过分析大量关于2015年爱尔兰婚姻公投的推文来研究社会结构和情绪之间的关系。我们获取了公投前几天发布的每一条带有#marref和#marriageref标签的推文的情绪，并构建网络来聚合情绪，并使用它来研究用户之间的互动。我们的研究结果表明，用户发布的提及推文的情感与收到的提及的情感相关，并且在提及和追随者网络中，具有相似情感分数的用户之间的联系明显多于具有相反分数的用户之间的联系。我们结合两个网络的社区结构与用户的活动水平和情感得分，找到支持在全民公决中投票“是”或“否”的用户群体。在没有追随者联系的情况下，辩论对立双方的用户之间进行了许多对话，这表明一些用户努力建立跨越意识形态分歧的对话和辩论。我们的分析表明，社会结构可以成功地与情感相结合，以分析和理解社交媒体用户的倾向。这些结果在整合数据和元数据以研究民意动态、民意建模和民意调查方面具有潜在的应用。
2017-02-18 cs.CL cs.IR cs.SI
