A Topic Modeling Perspective for Tracking the Evolution of Socia...

### 跟踪社会情绪演化的主题模型视角 #### 概述 本文献提出了一种新的方法来跟踪在线新闻中的社会情绪变化，并将其应用于不同类型的在线服务中。研究背景是许多现代在线新闻网站允许用户在阅读新闻后表达自己的情感反应（如愤怒、震惊等）。与传统的用户反馈形式（如评论或评分）相比，这些特定的情感标注更能准确地表达用户的个人情绪。 #### 主题建模视角下的社会情绪演化 ##### 研究问题 本文的核心挑战在于如何有效地将时间因素纳入到情感分析中，以跟踪情感随时间的变化趋势。作者通过提出一种基于时间感知的主题建模方法解决了这一问题。 ##### 模型介绍 为了达到这一目标，作者首先提出了两种模型：情感-主题随时间变化模型（eToT）和混合情感-主题随时间变化模型（meToT）。这两种模型能够直接揭示新闻、情感和时间之间的潜在关系。具体而言： - **情感-主题随时间变化模型（eToT）**：该模型假设新闻主题随时间呈现为贝塔分布，并且新闻情感呈现为多项式分布。这使得模型能够在一定程度上捕捉到主题和情感的动态变化。 - **混合情感-主题随时间变化模型（meToT）**：在eToT的基础上，该模型进一步考虑了不同情感之间可能存在的复杂关系，通过引入混合情感分布来提高模型的灵活性。 然而，这两种模型都未能完全捕捉到主题本身的演变过程。为了解决这一局限性，作者进一步开发了另一种模型——基于情感的动态主题模型（eDTM），该模型利用状态空间模型来追踪主题的动态变化。 ##### 基于情感的动态主题模型（eDTM） eDTM不仅考虑了新闻内容随时间的变化，还关注了主题间的转换关系，这对于理解社会情绪的长期演化至关重要。该模型的关键特点是它能够有效地追踪新闻主题随时间的变化趋势，并在此基础上预测未来可能出现的情感倾向。 #### 应用场景 本文还探讨了所提出的模型可以支持的各种潜在应用，包括但不限于： - **情感预测**：通过分析过去的数据来预测未来的用户情感变化趋势。 - **基于情感的新闻推荐**：根据用户的偏好情感推荐相关的新闻内容，从而提高用户体验。 - **情感异常检测**：监测不寻常的情绪波动，帮助识别突发的社会事件或公众情绪变化。 #### 实验验证 为了验证所提出的模型的有效性，作者进行了一系列实验。实验数据来自真实世界的数据集，结果表明这些模型在追踪社会情绪演化方面具有很高的准确性，并且能够成功应用于上述提到的各种应用场景中。 #### 结论 本文提出了一种新颖的方法来跟踪社会情绪随时间的变化，并通过三种不同的模型展示了如何有效处理这一问题。这些模型不仅有助于深入理解公众情绪的变化趋势，而且还能应用于实际的在线服务中，提高用户满意度并促进更好的社会沟通。