在社交软件被人骂后，心情很不好怎么办？

来源：蜘蛛抓取(WebSpider) 时间：2022-09-25 12:49 标签： 被骂怎么调整心情

来源：整理 时间： 14:19:50 编辑：手机知识

1，现在的年轻人都玩什么社交软件

微信是最多的啦，它不仅是我们的社交软件还是我们的通讯软件，功能很强大。年轻人的话其实还会玩一些游戏交友软件，语音社交软件的。像语音社交软件的话，比较火的“印印”“soul”都是主打语音社交这块的，里面的用户也都是年轻人的，00后很多。
有两个软件大家用的比较多，第一个是最右，类似微博但是比微博更有趣，第二个弥恋，用来陌生人交友的，很多人在上面找对象或者双人运动对象。
应该用QQ比较多，或者是一些比较有个性的软件例如哔哔bibi，可以拍短视频，加有声贴纸，可以变声聊天等等又例如小肚皮，玩法多样，偏小女生一点二次元的就去B站，哔哔bibi，半次元，第一弹等等地方
熟人微信QQ，陌生人同城陌陌、颜遇、探探

2，现在年轻人最喜欢刷的APP 最离不开的APP是什么

现在年轻人最喜欢刷的是快手和抖音，其实也不只是年轻人，我们的父母也是，工作结束之后，也会看看抖音或者快手娱乐一下，这已经是大多数人，缓解压力的方式啦。最离不开的APP应该是微信，支付宝，因为QQ收付款用的是几乎没有的，而微信是现在比较流行的社交软件，我们的父母也会用微信进行聊天，打视频这样的，就是微信收付款用的也比较多，而且现在我们都不怎么带现金了，人手都是一部手机，网银支付也成了比较方便的支付方式，支付宝也是，余额宝啊，什么的，都比较方便，所以也让大多数人都离不开微信和支付宝，因为日常生活都要使用。

3，当下最火的社交app有哪些

QQ QQ是目前使用人数最多的社交软件,它出现的比微信早,使用的人大部分都是年轻人,功能...微信 微信是目前最受欢迎的社交软件,它的操作简单,画面简洁,既能够查看附近的人,也可以...微博 微博是能够即时分享信息的社交网络平台,微博中有很多的新闻和话题,用户可以自由发表...抖音 抖音是2016年上线的一款短视频社交软件,在抖音上用户可以自己拍摄和发布短视频,

4，袋熊视频改名叫什么了

袋熊视频没有改名，而是不能用了，更新了也进不去。袋熊视频为国内领先的年轻人视频社区，致力于打造全民娱乐的互动视频平台，以多样的美女互动、优质的视频内容、极致的互动体验，满足用户观看、互动需求。袋熊视频app是一款非常好用的视频播放软件,全部的视频你都能够免费收看,资源超丰富,还能够立即在线下载、没有任何限制。拥有数万部热门电影、电视剧、综艺、动漫,袋熊视频没有改名，而是不能用了，更新了也进不去。袋熊视频为国内领先的年轻人视频社区，致力于打造全民娱乐的互动视频平台，以多样的美女互动、优质的视频内容、极致的互动体验，满足用户观看、互动需求。袋熊视频有你想看的一切，全网最新最火的内容都在上面，极速进行更新，保证你能够用户在上面看见你所想要的资源内容，丰富的电视剧以及电影内容等着你来观看，这是完全的区别于各大主流平台的视频观看软件，完全免费并且没有广告是其最大的特点。袋熊视频是一款汇聚全球优质短视频的APP，每日精挑细选优质高清短视频，为你奉上惊艳的视觉盛宴，让你大开眼界。汇聚了旅行运动、创意广告、生活集锦、科普干货等新鲜有趣的视频，给你视觉上的惊艳。

5，当下最火的社交平台有哪些

1、QQ　　QQ是国内大部分年轻人比较喜欢的一款社交软件，拥有众多的个性化的装扮以及社区交流话题，人们可以在不同的地方进行通话交流，并分享自己身边的事情。2、微信　　微信是近年才新起的一款社交软件，都是腾讯旗下的产品，页面简洁功能操作简单，除却基本的聊天功能，还有公众号可以关注，小程序可以玩，目前新增加有好友分享文章的看一看功能。3、微博　　微博也是比较火的一款社交软件，拥有众多的明星话题，活跃着众多用户，其中微博热搜是一个最具争议的话题，每一个人都可以在其平台上分享自己的生活以及身边的故事。4、米聊　　米聊是旗下的一款视频聊天软件，拥有精选的广播内容以及社区功能，可以在线观看短视频以及漫画，在平台上可与众多有趣的人进行互动聊天。5、百度贴吧　　百度贴吧是一个拥有众多大神的地方，除去社交功能，还能在里面找到众多稀有的资源，对于贴吧中许多有兴趣的话题也可以加入进行互动交流。6、豆瓣　　豆瓣是一个成立的比较早的社区，里面拥有众多的话题，其中主要的亮点为电影和书籍的资源整理。在豆瓣中还有众多的小组可以加入，包含有各种话题不管是大神还是小萌新都可以进行和平的交流。7、知乎　　知乎也是一个由话题社区转变而来的一个社交APP，每天都活跃着众多的用户，知乎每天都会进行话题精选，定时推送，人们可以在平台上搜索任何想要了解的话题或者知识，还可以邀请知名活跃用户回答问题。8、抖音　　抖音是目前最为火热的一款短视频社交软件，平台上每年都活跃着众多的用户，涵盖各个年龄层的人，视频内容也风格各异，可萌可甜，还可逗比，其中还有许多大佬级的神仙。

6，2018年有哪些比较火的年轻人社交软件

本人95年的，平时无聊的时候会下载一些社交软件，或者看别人推荐的，分享几个我觉得还挺好用的软件吧。（按最近使用频率排哈哈）1、抖音这个就不用了吧，《中国有嘻哈》播的时候一直打广告，明星多，玩的人也多，挺酷炫也挺有创意的视频软件。emmm....还捧红了一些雷曲... 没事的时候刷一刷真的会停不下来的，厉害的人长的漂亮的人都很多。2、火山小视频看《爸爸去哪儿》知道的，和抖音差不多，挺好玩的，就不多说了。3、最右搞笑短视频和内容的软件，快本推荐的，神评论、段子、搞笑图都有，开心不开心的时候都可以看看啦。4、蛋蛋其实上面几个不算完全的社交软件，但是蛋蛋是，这是我见过最干净的社交软件（比某些约P聊骚的干净多了），平台审核挺严格的，大尺度的内容几乎没有。虽然功能不是很多，但话题内容很全面，操作也简单。我觉得能找到志同道合的人聊天就好，太多花头反而不会玩。而且里面漂亮妹纸还挺多的，年龄层会偏小一些，95后吧。5、IN图片社交软件，in真的是很适合女生用啊，贴纸、滤镜都炒鸡漂亮的，而且很潮，最近新出的一些贴纸简直少女心爆棚！还有AR相机、油画机器人，涨姿势啊！6、如故很小清新的软件，人群匹配做的很不错，内心测试匹配题也很多，你填的测试题越多，找到的人越匹配。就是刚注册完填写那么多题目的时候挺没耐心的。7、即刻好像是上面广告看到的，不过用了一段时间挺喜欢的，你可以选择感兴趣的领域，然后这个软件每天会精选一些当天热门的内容给你，忙的时候就可以看这个，相当于同时逛了微博、网页等等。8、狼人杀现在最火的游戏，感觉在网上玩比面对面更好玩。暂时先这些吧，以后想到再补充。
国内互联网公司的社交软件有微信，微博, qq, 贴吧，人人网，唱吧，搜狐狐友，网易易信，阿里巴巴点点虫，小米米聊，in, yy语音等。如果从用户量来看，微信，微博, qq, 贴吧，人人网是比较火的，月活跃用户达到1亿多。从垂直行业的活动看，唱吧与搜狐狐友比较火，因为唱吧有很我唱歌用户，而搜狐狐友举办了较多的比赛活动，有较多的比赛用户参加。

7，新买的E40笔记本屏幕刺眼怎么办

屏幕显示的质量和屏幕的质量关系最大，其次是显示的驱动。当然显示器的设置也是非常重要的。显示的驱动在由显示屏生产商、显卡、操作系统供应商三家的软件来决定的，一般来说差异比较小，基本都支持在线升级的。你可以安装个360，在《功能》里看到《360硬件检测》，安装该软件后就可以检测到显示器的生产商和。全球生产液晶显示器的大厂商就那么几家，质量是差不多的，PC厂商用的都是那几家的显示屏。我的E40 DB1用的是友达屏，相对而言友达的屏偏冷色。个人感觉没你说的刺眼的感觉，但长时间使用的话，就感觉眼睛不舒服。其实这个不是某个显示屏的问题，而是笔记本显示器的通病，高端的笔记本用的屏会稍好些，但总体来说是没法和台式机的屏幕相比的。就你说的感觉刺眼的问题，我估计可能是你没调整好屏幕的原因居多，其实是你没有适应笔记本的显示器的缘故吧！关于屏幕的调节在百度回答里不太容易说清楚，你可以到论坛里去学习，也可以向周边的人。关于你说的网上E40的显示屏的问题，以我使用过5个品牌以上的笔记本电脑经验来看，其实是他们没有适应笔记本显示器的缘故。你想想，如果真的是友达的液晶屏有问题的话，这种市场均衡早就被打破了。现实的情况是每个PC商不只使用一家的显示屏，同一型号的笔记本不同批次使用的硬件（包括内存、显示器）都不是同一供应商的，所以各厂商的显示屏质量是差不多的。就连自家生产显示屏的和LG自己的电脑也会采购其他厂商的显示屏。
只需按红色F7 即可，减少屏幕亮度
我建议你用一个能自拍的这样的软件调节一下！ 还有，这个也有可能是视频驱动的问题！这个就需要你去官网上面找到你系统下机器型号的声卡驱动，下载下来安装就可以了！如果还不好用，就下载驱动精灵，这是一个软件，打开以后可以自动检测到你机器硬件用什么驱动最好！上面还有下载的连接，用起来很方便！用过以后就可以卸载这个软件了！
你可以自己调节的啊，举在个性化里面。你还可以到win7论坛上看看，能学到不少东西。

8，我是一高中生将来想要创业但具体从事什么行业的还不清楚请问

1、观察哪个行业自己比较喜欢，而且还生意好。2、进入那个行业，做什么都行。最好做业务。3、弄清楚行业利润、进货渠道、销售模式等关键点后，写自己的创业计划。4、筹集资金，自己创业。
要不就先打工，还是先到社会上学点经验为好，因为刚刚毕业肯定没有什么经验可言，刚毕业就走创业路，当然也不是不可以，只是这条路会走的很艰辛，要想少走点弯路，手里有部分资金的话，可以选择一个项目来加盟，因为目前连锁加盟已成为成功创业的主流方式，但选择加盟要谨慎，要找有一定知名度的好品牌，比如像361度、森马这样的都不错，再就是一些比较有创意的店也很不错，适合年轻人经营，例如aa国际动漫，投资小回报快，多元化互动式经营，是目前国内独一无二的，不仅有各类动漫周边产品，还有个性的动漫diy制作和cosplay摄影写真，个性、新颖、爱情、潮流，深受学生和年轻朋友的喜爱。 希望我说的这些对你有所帮助，祝你创业成功！！
利用免费的输入法赚钱的方法这个是摆地摊的项目，投资比较少，大概在几百元（不包括电脑）。简单的介绍一下目前的市场情况。中国人口有13亿多，有3亿多网民，还有10亿多人还不会用电脑打字。这个10亿人中大多数都是不懂拼音的，他们也不太可能去学五笔。所以，笔画类型的输入法是非常适合他们的。而现在的科技发展迅速，笔画的效率已经超越了拼音和五笔。现在，比较优秀的笔画输入法有三笔输入法、五行码输入法、数字五笔输入法和打字大师输入法。前三者在市场的卖价在98～398元，唯独打字大师输入法是免费的；而且不注册也没有功能限制，几分钟就学会，速度比手写板、拼音和五笔还要快，是最快的笔画输入法。具体做法：首先，下载“利用免费的输入法赚钱的方法”的项目压缩包到U盘里，也可以到光盘的制作公司里，利用他们的电脑下载。一般的光盘制作的公司是制作影视光盘的，他们也可以制作数据光盘，也就是软件光盘，地址一般都是在电脑城里或者附近。让他们把地摊项目压缩包里的“光盘”文件夹制作出100张软件光盘。光盘要最便宜的，当然是每个光盘一块钱，然后在光盘背面上打上彩印（在项目包里有）。总共150元。然后，买一个简单的桌子架，可以的，高度在一米左右，费用大概40元左右，最好不要电脑桌，因为电脑桌扛起来很麻烦。再买一个排插座，要10米以上，费用30元左右。购买各种各样的手机数据线，费用在30元左右。接着，到打印店里喷印一张1米长0.8米宽的图纸，要不怕水的，内容是“免费学打字，几分钟就会，比五笔还快”，背面是黄底的，“免费学打字”是红的，其它字是黑的。10元左右一张。（这个图纸非常重要，放到桌子前）最后要到夜市摊点去租一个摊子，一般是200～500元左右一个月，带押金要200～500元左右，能够要到免摊租的位置是最好的。再跟附近的店铺接电源，大概30～50元一个月。如果不想接别人的电源，可以买一个逆变器150元和一个小电瓶120元。汽车站、火车站和飞机场的出入口要个临时摊位也不错。每天晚上，在夜市摊点通过自己的电脑演示打字大师输入法，让顾客几分钟就学会打字，同时向他们卖光盘，建议价格是20～30元一张。如果有人想随身携带笔画输入法，可以把输入法拷贝到他们的手机、MP3或者U盘里，收费20元。想快速赚钱，就是把那个“免费学打字”的图纸多做出几张（把联系的电话号码印到图纸里），放到贴到三轮车上，每个月给三轮车10～30元左右的广告费。

9，急问诺基亚手机6700s功能如何一般是什么价位谢谢

诺基亚6700S炫彩智能手机 3G智能 塞班S60系统 声控语音拨号 光线感应 炫彩外观 500W像素 JAVA。1.拥有多种靓丽色彩 拥有六款艳丽色彩：樱花粉、中国红、湛清蓝、现代银、柠檬绿和诱惑紫，紧致的外型、时尚的设计配以时尚色彩，相信能够引起更多年轻人的共鸣。 2.强大拍照功能 500万像素卡尔蔡司照相机令你完美捕捉和分享生活瞬间。你还可以即刻编辑自己喜爱的照片，并从相机菜单中直接把照片上传到网络。 3.快速接入时下流行的社交网络社区功能 快速的3G连接使你时刻接入你最钟爱的社区，就如你身边的诺基
国行市价在1700左右水货在1350左右我用的是粉色的，感觉很不错啊。它的功能什么的我就不细说了，相信你也有所了解。我就说一下我使用的感觉吧，希望能帮到你。 深爱那谁原创手打很小巧，单薄，虽然是滑盖的，但是很小巧可爱滑道感觉不错，就是合上的时候，按手机的左下角和右上角会感觉有轻微的翘起感觉，个人认为这个不大。屏幕2.2英寸的，还可以吧，主流机都是这个屏。分辨率240*320的，很清晰。数字键按键触感很合手，不硬，不过要是手很大了按着不舒服，适合女孩用。功能很强大，毕竟是S60V3的机子，可以安装的软件非常非常的多，我到现在还在研究使用软件…… 深爱那谁原创手打音质好，是音乐手机。但是手机侧面没有音量调节按钮，只能通过调节播放器声音调节音量，或者设置模式音量，这一点不是很好，很不方便。500万卡尔蔡司认证摄像头，但是拍照的时候要按侧面的相机快捷键，可能引起手的晃动，拍的相片会模糊，不能按确定键拍照，只能按侧面的快捷键。前置摄像头30万像素，基本没什么用。上网速度不错啊，我用着感觉很好。暂时就只有这些感觉了。总的来说还是很值得的，又是时尚手机，又是音乐手机，又是拍照手机，又是智能手机。
一般、我刚买十天，3g只支持联通、性能还不错，我买的1630
诺基亚6700S，优点： 1，手感还不错，适合手小的用户。 2，外观比较时尚大方又简洁。 3，系统反应速度还比较快，不过不知道多装些应用软件之后是否还能保持这个速度。 4，试了几台机器，滑盖基本都比较严实，松紧都比较合适。 5，屏幕比较小2..2寸，不过配上1600万色TFT彩屏，240×320分辨率，看着色彩细腻、清晰、饱满，显示的清晰度较好，令人满意。 6，机身比较结实。 7，GPS功能适合经常出门又需要手机地图来找路的人。 8，双模制式，能用联通的3G网，一段时间内都不会太过时。 9，有新的SyncML功能。 10，500万像素+自动对焦，拍照效果不错。 11，主流的塞班S60V3.2系统，第三方软件丰富，扩展性能极强缺点： 1，没有音量调节键，需要调节听筒音量大小的话，还要在通话中用正面的方向键来调，不方便。 2，镜头没有盖。（如果和之前用的6220c比起来，双led闪光灯怎么也比不上氙气的效果好，也算是个小遗憾。） 。 3，侧面拍照快门键手感很差很差，按下去对焦就已经要很使劲，还要更使劲才能拍照，很容易导致抖动照虚；按键两边的护栏似乎是为防止平时误碰，但是其实很多余、很碍事。 4，键盘按键手感一般般。手大的人用会痛苦些。 5，屏幕小字体就小，不适合眼神不好的人。 6，没有wifi，另一遗憾。 总结： 整体感觉这机器性价比还算可以，，系统是流行的S60V3 FP2，有很多应用软件，可个性化扩展的空间很大。目前价格在1500元左右，推荐入手

10，QQ是何时兴起的

简介 1996年夏天，以色列的三个年轻人维斯格、瓦迪和高德芬格聚在一起上决定开发一种软件，充分利用互联网即时交流的特点，来实现人与人之间快速直接的交流，由此产生了ICQ的设计思想。当时是为了他们彼此之间能及时在网上联系以交流用的，可以说近乎一种个人的"玩具"，并且成立了一家名为Mirabilis的小公司，向所有注册用户提供ICQ服务。 后来，美国在线以2.87亿美元收购了ICQ，在1998年5月它的用户数量已经突破1亿大关，每天平 有1000万用户在线，每个用户平均在线时间为三个小时。 在1999年，国内冒出一大批模仿ICQ的在线即时通讯软件，如最早的Picq、Ricq、Ticq(TQ) 、Qicq、Micq、PCicq、Oicq、OMMO等，新浪、网易、搜狐等也开发了类似的软件，如新浪的UC,网易的泡泡。QQ的前身OICQ也是在1999年2月第一次推出的。 QQ之所以能够在如此众多的在线即时通讯软件中脱颖而出，最终把其它竞争对手全埋没掉而占领了中国在线即时通讯软件市场74%以上的市场，一半靠的是实力，另一半靠的是运气。 腾讯QQ发展的历史 1997年，马化腾接触到了ICQ并成为它的用户，他亲身感受到了ICQ的魅力，也看到了它的局限性：一是英文界面，二是在使用操作上有相当的难度，这使得ICQ在国内使用的虽然也比较广，但始终不是特别普及，大多限于"网虫"级的高手里。 马化腾和他的伙伴们一开始想的是开发一个中文ICQ的软件，然后把它卖给有实力的企业，腾讯当时并没有想过自己经营需要投入巨大资金而又挣不了钱的中文ICQ。当时是因为一家大企业有意投入较大资金到中文ICQ领域，腾讯也写了项目建设书并且已经开始着手开发设计OICQ，到投标的时候，腾讯公司没有中标，结果腾讯决定自己做OICQ。 要知道，当时腾讯给OICQ标的价格才仅仅为三十多万而已。 到后来腾讯开始迅速发展的时候，马化腾十分合时宜的说：“我们需要自己的中文网络软件，我们需要自己的ICQ！”，但事实上，腾讯推出OICQ纯属是一个偶然，如果那家大企业没打算投入资金到中文ICQ领域，也就不会有OICQ，如果腾讯公司中了标，也就不会有腾讯的OICQ，腾讯的成功某种程度上说一半是运气，一半是实力。 决胜于诸侯之中 很多人一直在质疑，为什么功能并不特别好的QQ能够力压群芳，最终几乎接近垄断中国在线即时通讯软件市场？是的，从功能上说，一直以来QQ并没有什么特别之处，但相比之下，其它在线即时通讯软件也没有什么特别之处，大家都是模仿ICQ。 但QQ之所以能够取得成功，原因不在于它的功能如何强大，而在于它的界面设计的十分合理，用户操作简单，相比较和QQ同时代的其它在线即时通讯软件，如Sina pager、OMMO等，它们一开始的功能并不弱于QQ，特别是OMMO，其在一面世就推出了比QQ强大得多的功能，如电子邮件、网络硬盘，过多的功能反而让使用者觉得操作十分烦琐，这是它之所以失败的重要原因所在。 令人吃惊的是，在腾讯新增了这么多功能后，OICQ的界面仍然没有任何改变。 事实上，这时候OICQ已经胜利了，在线即时软件的特点决定了这个市场马太效应的发生，这就像两个城市，人们都愿意去越繁荣的城市，结果繁荣的城市就更加繁荣，而贫瘠的城市就更加贫瘠。 树大开始招风，QQ上演大变脸 到2000年，腾讯的OICQ基本上已经占领了中国在线即时通讯90%以上的市场，基本上已经锁定了胜局，这时候麻烦来了。AOL给腾讯发来律师函，ICQ是AOL的注册商标，因此任何在名称中使用ICQ字样的同类软件都有侵犯AOL商标使用权的风险。要求腾讯把OICQ改名，否则将诉诸以法庭。 所以在OICQ2000 Build 0325版里面，OICQ做了另一个提前自我保护的改变，0325版本却从安装文件开始就自称为"QQ2000"，以避免和ICQ发生法律冲突，这QQ本来是网友对OICQ的一种昵称，不料一夜之间却成了OICQ正式的新名字。 99年2月，腾讯自主开发了基于Internet的即时通信网络工具--腾讯即时通信（Tencent Instant Messenger,简称TIM或腾讯QQ），其合理的设计、良好的易用性、强大的功能，稳定高效的系统运行，赢得了用户的青睐。 QQ和OICQ QQ也就是OICQ，也叫腾讯即时聊天工具。 　　QQ以前是模仿ICQ来的，ICQ是面向国际的一个聊天工具，是I seek you（我找你）的意思，OICQ模仿它在ICQ前加了一个字母O，意为opening I seek you,意思是“开放的ICQ”，但是遭到了控诉说它侵权，于是腾讯的老板就把OICQ改了名字叫QQ，就是现在我们用的QQ，除了名字，腾讯QQ的标志到2005年一直没有改动，一直是小企鹅。现在则是在企鹅外加上了红、蓝、绿三条环

提起哪种真心话大冒险app最好玩，想必大家都有一定了解，有人问有一款可以玩真心话大冒险的社交软件叫什么，也可以发心情的，另外，还有人想问有个社交软件里面有玩摇真心话大冒险的叫什么社交软件来着？这到底是咋回事？其实哪种肺腑之言大冒险app透顶玩，下面就一起来了解下可以玩软件真心话大冒险，希望能够帮助到各位朋友们。

推荐一款名叫“真心话大冒险！！抄”的APP

微博情感分析是社交媒体挖掘中的重要任务之一，在个性化推荐、舆情分析等方面具有重要的理论和应用价值.挖掘性能良好且可同步进行文档主题分析与情感分析的主题情感模型，近年来在以微博为代表的社交媒体情感分析中备受关注.然而，绝大多数现有主题情感模型都只简单地假设不同微博的情感极性是互相独立的，这与微博生态的现实状况不相一致，从而导致这些模型无法对用户的真实情感进行有效建模.基于此，综合考虑了微博用户相互关联的事实，提出了基于LDA和微博用户关系的主题情感模型SRTSM（social relation topic sentiment model）.该模型在LDA中加入情感层与微博用户关系参数，利用微博用户关系与微博主题学习微博的情感极性.针对新浪微博真实数据集上的大量实验结果表明：与代表性算法JST，Sentiment-LDA及DPLDA相比较，SRTSM模型能够对用户真实情感与讨论主题进行更加有效的分析建模.

2.0时代兴起的一种集成化、开放化的互联网社交服务,它让用户能够向公众发布简短的文本消息.由于其简便的特点,日益受到互联网用户的青睐.目前,新浪微博用户规模已经超过3亿,每天都有大量的微博消息发布.在这些海量的微博消息中,有许多包含个人情感的资源,例如,不同读者对于同一条新闻事件持有不同的看法,不同用户对于某款手机有着其个性化的用户体验,不同影视爱好者对于同一部电影会留下不同的观影评论,等等.研究如何高效挖掘隐藏于这些鱼目混杂的微博消息中的观点与情感,即文本情感挖掘,有助于各级政府机构、企业组织与理性个体的管理决策.例如,政府机构可以对网络舆论进行实时监测与导向,网上商家能够根据用户反馈意见及时调整生产服务实现利润最大化,个体网民可以敏捷获取目标信息,等等.

以微博情感分析为代表的网络短文本情感挖掘正在吸引着来自人工智能、数据挖掘、自然语言处理等不同领域研究者的广泛关注[-],涌现出的各种算法大致可归纳为3类:有监督的情感挖掘、无监督的情感挖掘与半监督的情感挖掘.有(半)监督的情感挖掘方法不同程度地利用训练语料来训练生成文本情感分类器,一般具有较高的分类准确率,但获取训练样本的昂贵代价极大地限制此类方法的应用性.因此,以JST[],Sentiment- LDA[]与ASUM[]等为代表的无监督情感分类方法近年来备受青睐,此类方法有效地避免了传统无监督情感分类方法具有的情感词典依赖性缺点,能够达到较好的情感识别效果.然而,现有的这些LDA情感主题模型也许还不能完全捕获网络短评用户的真实情感,下面以例1说明.

例1:作为NBA球星库里的粉丝,用户A与用户B在微博上是相互关注的,二者针对NBA球星各自发了一条微博.

· 用户A:“库里的三分球真是太准了,库里太厉害了,很崇拜他!”

· 用户B:“库里太变态了,简直不是人!”

从用户A的微博可以看出:其对库里表达的是钦佩之情,情感是积极的,且现有的LDA主题情感模型可以正确地分析出该微博的情感极性,由于其包含“厉害”“崇拜”等积极情感词;而对于用户B发表的微博,现有LDA主题情感模型往往将其归属到消极情感类中,由于该微博包括“变态”“不是人”等贬义词.然而,联系到A与B互相关注的事实,这在一定程度上可以表明他们的兴趣爱好相似.用户A的微博总体情感极性为积极,那在判断用户B所发微博的时候,应该认为用户B的微博为积极情感极性的概率更大,但是现有LDA主题情感模型假设不同微博的情感极性是互相独立的,从而无法准确识别用户B所发微博的情感极性.事实上,社会心理学研究早在20多年前就已经得出人们在社会交互的过程中表现出情绪感染特性[],亦即,朋友间交互表现出的情感比非朋友间交互表现出的情感更可能相似.近期社会媒体分析领域[]发现,情绪感染特性也存在于网民的微博交互过程中.

从上面的分析可以看出:虽然以JST,Sentiment-LDA与DPLDA为代表的LDA情感主题模型可以获取单条微博的主题与情感极性,但这些模型都假设不同微博的情感极性与主题偏好是相互独立的,这一方面极大地损害模型的识别性能,另一方面,该假设是与微博生态的现实状况不相一致的,由于微博用户之间通过“粉”“评论”与“转发”等行为可以建立起不同程度的关联.

model),该模型在LDA中加入情感层与微博用户关系参数,当判断用户A的微博时,将参考与用户A相互关注的其他用户所发微博的总体情感极性,适当修改积极或消极情感极性先验参数.该模型与现有微博情感分析方法的主要区别是:SRTSM考虑了微博用户关系对微博情感分析准确率的影响,在建模微博单词生成过程时加入用户关系参数,用以更好地刻画微博间的主题情感关系.

1) 综合考虑了微博用户相互关联的事实,基于LDA模型提出了适合于微博主题情感分析的新模型SRTSM;

2) 利用吉布斯采样对SRTSM模型进行求解,实现情感与主题挖掘;

3) 在真实的微博数据集上对模型进行实验,表明SRTSM模型能够较好地对微博进行情感与主题挖掘.

本文第1节简要介绍相关工作.第2节将提出我们的模型.第3节将对我们的模型与其他模型进行实验,对它们的性能进行比较与分析.第4节将对本文进行总结.

1 相关工作 1.1 基于LDA的无监督情感挖掘

基于主题模型的无监督情感挖掘主要是通过应用主题建模技术对主观性文本进行学习来实现隐含情感知识的发现,作为完全生成模型的LDA(latent dirichlet allocation)[]主题模型,由于其具有良好的数学基础和灵活拓展性而被广为使用.

Mei等人[]提出了主题情感模型TSM进行主题及其相关情感的演化分析.TSM一方面存在着类似pLSI所有的学习过度问题,另一方面需要相关后处理操作才能完成文档情感的预测.Titov等人[]应用MG-LDA提取评论对象中的各个被评价,然后提出MAS模型对情感进行总结,MAS模型要求评论对象的每个方面至少在部分评论中被评价过,然而,这对真实评论文本数据集来说是不实际的.Dasgupta等人[]提出一种基于用户反馈的谱聚类技术进行网络文本的无监督情感分类,聚类分析过程涉及数据特征都是具有情感倾向的主题,然而在该分析过程中,需要人为指定最重要的特征维.Lin等人[]提出一种基于LDA模型的JST模型,该模型将文本情感标签加入LDA,形成了包含词、主题、情感和文档的4层贝叶斯概率模型.电影评论数据集上的实验表明,JST模型的分类效果要优于Pang等人的有监督分类,但由于该模型是基于BOW(bag of words)模型的文本特征之间相互独立的假设而没有考虑词的语境,会导致not good movie被分为积极情感与not bad movie被分为消极情感的错误.观测到JST模型中的Gibbs采样推理过程中出现大量“1”的现象,He[]对LDA模型的目标函数进行修改,即:在建立情感先验分布时,应用广义期望标准来表达情感词的情感期望.Jo等人[]提出与JST类似的情感分类主题模型ASUM,将JST中的主题替换为方面(aspect).为了克服JST的不足,Li等人[]提出与JST类似的4层贝叶斯概率模型Dependency-Sentiment-LDA,引入一个转移变量来刻画单词之间的情感关联性. Brody等人[]对主题词进行了情感识别,然而没有建立文档或句子的情感模型.基于产品评分是与产品某个方面质量的优劣相互依赖的,Moghadda等人[]提出ILDA模型,通过增加相关参数来改进LDA,依据产品的文本评论同时实现产品属性方面的提取与评分. 孙艳等人[]提出一种主题情感混合模型UTSU,通过对每个句子与词分别进行采样情感标签与主题标签来得到各个主题的主题情感词,进而实现文本的情感分类.Samaneh等人[]提出D-PLDA模型,假设文本为bag-of-phrases模型,基于bag-of-phrases对文本提取主题词与情感词. Mukherjee等人[]提出SAS模型,假设我们已有待建模语料的种子词集,然后利用这些种子词集对aspect词语进行簇分析,进而得到文本的aspect词语与情感词语.欧阳继红等人[]提出两个多粒度主题情感混合模型:文档级MGR-JST与局部MG-JST.Rao等人[]提出有监督的多标签主题模型MSTM和隐含情感主题模型SLTM对社交情绪分类.Li等人[]提出了基于文本主题与用户-商品潜在因子的有监督情感分析模型SUIT.Yang等人[]提出了用户感知的主题情感模型USTM,该模型把评论者的人口统计学信息纳入到主题建模 过程中.黄发良等人[]提出一种新的基于LDA和互联网短评行为理论的主题情感混合模型TSCM.

与JST等上述模型相同,本文提出的SRTSM对每个词进行情感与主题采样.不同的是:SRTSM在基于采样的情感推理过程会根据微博用户的关系分布对微博的情感极性进行调整,而上述模型却将微博用户关系直接忽略.

1.2 基于微博行为分析的情感识别

在微博社交平台上,微博用户之间通过关注、粉丝、互相关注等行为实现信息分享与传播,目前已有不少学者尝试利用微博用户关系对微博情感分析展开研究.Zhou等人[]提出:一个社区不仅由社区中活跃度较高的人组成,而且由这些活跃度较高的人所讨论的话题组成.基于此,提出COCOMP(collaborator community profiling)模型来挖掘社区中参与度较高的人与这些人讨论的热门话题.COCOMP通过如下方法产生文本集:首先产生文本d的社区Cd,然后对于每个人p,决定p是否属于社区Cd,最后生成文本d的单词.通过真实Twitter数据集证明该模型可以挖掘不同社区中活跃度较高的人与社区中的热门话题.Hu等人[]提出一种社会学方法来分析Twitter的情感极性,该方法将情感一致性与情感传染理论融入有监督学习,并且利用稀疏学习来处理微博中的噪声.通过两个真实Twitter数据集上的实验证明,该方法具有较好的微博情感分析性能.West等人[]利用微博用户交互文本的情感值构造正负值加权的用户关系网络,进而预测用户彼此间的看法与观点.Wu等人[]提出结构化微博情感分类框架SMSC,根据两种不同社交关系(不同微博用户间的链接与同一用户不同微博消息间的链接)将情感分类问题转化为图优化问题,从而实现微博情感分类.Tan等人[]将微博用户的关注、粉丝与“@”关系加入到一个半监督学习框架中,提出新的模型来提高微博情感分析准确率.该模型假设有着某种关联的用户有较大可能拥有相同的性格,相比只用词作为特征训练的SVM分类器,该模型具有更高的微博情感分析准确率.Lu等人[]使用微博关系构造了基于图的半监督学习分类器SSA-ST来分析微博情感,该方法综合微博用户关系与微博文本相似性来建立微博关系.Speriosu等人[]把微博粉丝融入微博情感分析,利用标签传播算法将最大熵分类器从噪声数据里训练的标签、词典里单词类型知识与微博粉丝图结合,用来分析微博情感.为了克服微博文本较短且难以对意见进行分析的不足,Fu等人[]分别构建了用户关注图与用户粉丝图,并将其融入贝叶斯与SVM分类器,以此提高贝叶斯与SVM分类器对微博情感分析的准确率.

上述模型虽然都使用微博用户关系对微博进行分析处理,但是这些模型都存在着一些缺陷:(1) 虽然文献[]对微博用户与单词的生成过程进行建模,但是只能发现社区中活跃度较高的人与社区的热门话题,无法对话题进行情感分析;(2) 虽然文献[-]利用微博用户关系提高了微博情感分析准确率,但是这些模型都是基于有(半)监督学习的,没有基于无监督LDA模型来构建微博单词的生成过程.

2 基于社交关系的微博主题情感模型 2.1 模型描述

LDA模型是Blei等人于2003年提出的“文档-主题-单词”三层贝叶斯模型(如所示,该图中的符号说明见),通过运用概率推导方法来寻找数据集的语义结构,从而得到文本的主题.



该模型是建立在如下假设之上的:文档是由不同主题组成的,而一个主题是单词集合的概率分布.在此假设下,文档单词的产生步骤可以分为两个阶段:首先,从文档-主题分布中选择一个主题;然后,根据随机选择的主题从主题-单词分布中选择一个单词.

牢固的数学基础与良好的扩展性,使得完全生成模型LDA在文本主题挖掘研究中广为使用,但情感层的缺失使得LDA无法完成文档情感的分析.基于此,我们对LDA进行改造,通过在LDA中嵌入情感层,并在情感层中添加用户关系分布G和用户关系参数λ.在SRTSM中,情感标签不仅与文档、主题相关联,而且还与微博用户社交关系分布相关联.

对于微博集C={d1,d2,…,dM},其中,M为微博集的微博数,与微博集C对应的词典大小为V,微博dm由Wm个单词组成,即,dm={w1,w2,…,wWm}.SRTSM产生微博集C的过程可简单归结为如下两个步骤.

初始化SRTSM模型的分布Θ={A,B,H}.具体地,A,B与H分别服从狄利克雷分布Dir(α),Dir(β)与Dir(η),其中,β是指单词在微博集C中出现的先验次数,η是指情感标签l在微博dm中出现的先验次数,α是指主题t在微博dm中出现的先验次数;

生成微博集C中的单词,此生成过程可简单描述如下:首先,从微博-主题分布A中选出一个主题t,t服从Mul(A)分布(Mul(*)表示多项分布);接着,根据产生的主题t,从(微博,主题)-情感分布H中选出一个情感标签l,l服从Mul(H)分布并且受l的影响,l受用户关系分布G影响,G为已知的微博用户关系矩阵.假设当前微博作者为用户X,若用户X与Y互相关注,则GX,Y=1,否则GX,Y=0,当GX,Y为1时,计算用户Y的情感极性值,通过所有与用户X互相关注的用户的情感极性值确定用户关系参数l;最后,根据选出的主题t和情感并且l,从(主题,情感)-词语分布B中选择一个单词w,w服从Mul(B)分布.该生成过程的形式化描述见算法1.

Carlo)采样方法,它是通过迭代的采样方式对复杂的概率分布进行推导.为了得到参数分布A,B与H,我们需要计算联合分布p(ti=t,li=l|t-i,l-i,w),其中,t-i与l-i分别是指除微博dm中第i个词以外的其他词的主题与情感标签.联合分布可以拆分为如下项:

通过对公式(1) 进行展开可得:

其中,nt,l,w表示单词w同时属于主题t、情感标签l的频数,nt,l表示所有同时属于主题t、情感标签l的单词总频数.G(*)表示伽马函数.

其中,nm,t,l表示微博dm的中情感标签为l的词语属于主题t的频数,nm,t表示微博dm中属于的主题t的词语总频数.λ为用户关系参数,λ由与当前微博作者相互关注用户的情感极性决定,每个微博用户的λ取值不同.

其中,nm,t表示微博dm中主题t出现的频数,nm表示微博dm总单词数.

有了公式(2) ~公式(4) 后,就可以计算吉布斯采样的联合概率.

其中,${{\{n_{t,l}^{w}\}}_{-i}}$表示除了当前单词,所有微博中单词w同时属于主题t和情感标签l的频数;{nt,l}-i表示除了当前单词,所有微博中属于主题t和情感标签l的单词总频数;${{\{n_{m,t}^{l}\}}_{-i}}$表示微博dm中,除了当前单词,情感标签l属于主题t的频数;{nm,t}-i表示微博dm中,除了当前单词,属于主题t的情感标签总频数;${{\{n_{m}^{t}\}}_{-i}}$表示除了当前单词,微博dm中主题t的频数;{nm}-i表示除了当前单词,微博dm的单词总数.

进一步利用最大似然估计方法对参数Π={A,B,H}进行估计,其可形式化为公式(6) ~公式(8) .

其中,$B_{t,l}^{w}$表示所有微博中词语w同时属于主题t和情感标签l的概率,$A_{m}^{t}$表示微博dm中,主题t出现的概率,$H_{m,t}^{l}$表示微博dm中情感标签l属于主题t的概率.

首先,对每条微博d={w1,w2,…,wn}中的每个单词w随机分配情感极性l与主题t,并且更新向量TmpVec,直到微博集C中每个微博d的所有单词都已被分配情感极性l与主题t;

然后,循环执行如下过程MAX次(MAX是指定的循环控制参数):对每篇微博d中的每个单词w,计算p(zi=z,li=l|z-i,l-i,w),并且更新向量TmpVec,若当前迭代次数大于某一个指定值X(本文取X=1000)

· 最后根据$H_{m,t}^{l}$计算微博的情感极性,若微博属于积极情感的概率大于微博属于消极情感的概率(即$H_{m,t}^{0}＞H_{m,t}^{1}$,其中,0为积极情感,1为消极情感),则判定该微博的情感极性为积极;反之,则判定该微博的情感极性为消极.

　　输出:微博情感极性.

　　1:　初始化分布A,B和H,并对微博集C中的词语进行话题与情感随机初始化

　　6:　　　　　从TmpVec中除去当前词语w所属的情感标签与主题;

　　7:　　　　　利用公式(4) 重新给w赋一个情感标签和主题,情感标签受到用户关系参数λ的影响,通过用户关系分布G查找与当前微博作者相互关注的用户并以此更新λ;

　　8:　　　　　更新变量TmpVec;

为了定量地分析和比较不同模型的性能,我们在3个不同的真实微博数据集进行实验,然后分别从情感分类准确率、用户关系对准确率的影响、主题提取与时间效率4个方面进行分析和比较.实验环境为:CPU为Intel Core ,内存8G,OS为Windows 7.

由于微博主题情感分析研究目前还处于萌芽状态,再加上诸如新浪、Twitter之类的微博平台处于隐私安全需要对其提供的微博服务加以各种不同限制条件,从而导致在科研上很少有用于实验比较的标准数据集.虽然有少部分公开的文本情感分析实验数据集,诸如电子商务评论数据(电影评论、Amazon商品评论)与社交媒体数据(Sentiment140) ,但这些数据仅包含文本数据而缺乏用户之间的链接关系数据,从而无法满足本实验的要求.基于此,我们通过调用新浪微博API接口编写网络爬虫来构造实验数据集(见).


对于采集到的微博数据,我们通过聘请第三方人员对数据集的情感极性进行人工标注.在微博情感人工标注的过程中,我们请3个微博情感标注者对采集微博数据进行情感极性标注,并对标注结果的一致性进行Kappa检验,检测结果见.


对于情感标注不一致的微博,我们根据high-voting的投票原则来确定其情感极性归属.

从可以看出:与数据集Data1和Data2相比较,Data3的情感人工标注结果一致性较低,这说明Data3中的微博情感模糊性相对较强,可能会给微博情感自动分析提出更大的挑战.经过分词与去停用词等相关预处理的文本数据见.


3.2 情感分类准确率

为了评价SRTSM的微博情感识别能力,考虑到SRTSM模型学习的无监督性,我们将其与当前最具代表性的无监督情感学习模型(JST[],Sentiment-LDA[]和DPLDA[])、半监督情感模型SSA-ST[]、基于分词特征(1-gram+2-gram)的有监督算法libSVM进行微博情感分类正确率ACC的比较.通过独立同分布的随机抽样,对数据集(Data1,Data2与Data3) 分别构造8组实验数据集.实验结果分别见~.




与SSA-ST相比较,SRTSM的微博情感分类正确率略低,但这劣势非常微弱;(3) 检测3个表中的最大ACC可以发现,所有最大的ACC都出现在SVM中,这说明SVM具有比其他非监督情感分类算法高的情感识别能力,而这正好与Pang等人[]的实验结论相吻合.尽管与SVM相比较,SRTSM的情感分类能力存在着差距,但考虑到获取带标签微博情感训练数据的高昂代价,其差距还是可以接受的.值得指出的是,与半监督情感分析方法SSA-ST和有监督情感分析方法SVM相比较,SRTSM的情感分类正确率略低一些,但是SRTSM无需消耗任何带情感标签的微博消息数据,这可以为算法应用节约巨大的成本,而这些代价成本是SSA-ST与SVM无法回避的.

为进一步分析SRTSM的微博情感识别能力,我们利用4个不同指标(正例召回率Recall、正例命中率PV+、反例召回率Specificity与反例命中率PV-)对SRTSM在3个数据集上的平均表现进行评价,实验结果见.


从可以发现一些有趣的现象:SRTSM在3个实验数据集上的正例召回率Recall均高于其对应的反例召回率Specificity,而正例命中率PV+都高于反例命中率PV-,虽然高出的程度在不同数据集上存在着差异.对此可以做出这样的解释:由于微博社交媒体中,正面的消息更易于在朋友间传播,特别是在舆情监控的环境中,朋友之间在做出转发、评论或发布负面消息的决策时是非常谨慎的;微博用户在对一些诸如天怒人怨的事件往往表现非常强烈的消极情感倾向,进而使得消极情感消息更易于识别,即有SRTSM命中率更高.

3.3 用户关系对准确率的影响

为了评价用户关系对情感识别准确率的影响程度,我们首先对3个数据集的微博用户集分别构造有向关注网络,即形成3个表示关注关系的布尔矩阵Mat1121×121,Mat298×98与Mat3128×128;然后,根据给定关系比例(0,10%,20%,30%,40%,50%,60%,70%,80%,90%,100%)随机选取用户关系,形成具有不同用户关系比例的微博数据集,实验结果如所示.


从可以看出:虽然随着互相关注用户比例的增加,微博情感分析准确率有提升也有降低,但是总体趋势是提升的.从Data1的曲线可以看出:除了在用户比例50%~60%和70%~80%处准确率呈下降趋势外,随着比例的提高,微博情感分析准确率呈上升趋势,在40%~50%处提升最大,并且在50%处达到准确率最大值.对于Data2来说,微博集在10%~20%处出现了降低趋势,其余都是呈上升趋势,在50%~60%处上升最多,在90%处达到最大值.类似地,微博集Data3在用户比例为20%~30%,50%~60%和80%~90%处准确率呈降低趋势,其余准确率都呈上升趋势,在10%~20%与40%~50%处准确率提高较大,在80%处达到最大值.

从上述分析可以得出:微博用户关系对准确率的影响较大,当互相关注的用户比例较大时,微博情感分析准确率较高,所以微博用户关系有助于提高微博情感分析的准确率.

本实验用SRTSM分别对Data1,Data2与Data3进行主题提取,并且列出积极情感与消极情感出现概率最高的15个主题词,结果见.


Data1的积极情感主题词中包含“喜欢”“好看”“可爱”“好玩”等积极情感极性较强的词语,从“泡面”“抽奖” “手机”等可以看出:这可能是一个讨论抽奖的话题,用户应该是抽中了手机、泡面等奖品,因此表示自己喜悦的心情.Data1的消极情感主题词中出现的“苦恼”“烦躁”等词较明显地展示了用户消极的情感,“天气”“孩子”等词表达了用户对天气不好而造成孩子生病的抱怨.

的积极情感主题词可以看出:“谢谢”“有趣”“支持”等词具有较强的积极情感色彩,“湖南卫视”“节目”“游戏”等词可能说明用户们正在谈论湖南卫视的一档节目,对该节目某个环节的游戏或其他表示了支持,“电视剧”“搞笑”等词表示用户可能正在讨论一部搞笑的电视剧.而Data2消极情感主题词中的“难过”“麻烦”、“不爽”具有较强的消极情感色彩,其中,“付费”“音乐”“流行”等词也许是在谈论某些流行歌曲需要付费,用户对此表达了自己的不满.

Data3积极情感主题词中出现了“恭喜”“谢谢”“快乐”“喜欢”“漂亮”,这些词具有较强的积极情感极性,“生日”“礼物”“聚会”“唱歌”等向我们展示了一幅庆祝生日的场景,表示用户们可能在谈论一场生日会或者是帮某人过生日.Data3消极情感主题词中“害怕”“难受”具有较强消极情感极性,从“好像”“燃烧”“肚子”中可以看出,该主题应该是对于肚子疼或其他类似主题的探讨.而这样的主题通常是消极情感的.

从上述分析可以得出:SRTSM模型可以较好地提取出微博的主题词,让我们大致了解微博的主题,为微博主题分析提供很好的帮助.

为了更好地分析SRTSM的主题提取性能,我们进一步引入KL散度对SRTSM与LDA进行实验比较分析(如所示).

其中,k为指定主题数,DT为算法从数据集中提取的主题集合,P(w)与Q(w)指不同主题中单词w的出现概率.KL值越大,表示所提取主题之间的相似度越低.

从中可以看出:与LDA相比较,SRTSM提取的主题集合具有更高KL值.这说明由SRTSM从同一个数据集中提取的不同主题具有更大的区分度,从而能更好地为微博话题发现服务.当然,SRTSM在不同数据集上表现出的这种优势存在着差异,这种优势可以从SRTSM的主题提取过程得到解释,即:SRTSM的主题提取与微博情感识别是协同进行的.


为了评价SRTSM模型的时间性能,我们进一步将SRTSM与上述3个无监督情感分析算法(JST,SLDA和DPLDA)进行比较分析,实验结果如所示.


从可以看出:在3个数据集上,SRTSM的耗时均高于其他3种算法.结合SRTSM的算法流程可以不难解释这种统计现象:由于我们在比较相关算法时都是以迭代次数作为算法循环终止条件,且4种算法的迭代次数相等(均为1 000) ,从而算法耗时总量可以归结到算法每一次迭代的耗时;而与JST,SLDA和DPLDA比较,在对微博情感推理过程中,SRTSM不仅考虑微博文本信息,而且还将微博用户间的链接关系纳入其内,这必然会导致其时间代价的增加.进一步比较SRTSM在3个不同数据集的时间性能表现可以发现,SRTSM的耗时从Data2到Data1再到Data3是逐步减少的.而这恰好与中的微博用户数是相一致的,从而进一步验证了上面的解释.鉴于当前SRTSM的时间性能表现欠佳,我们将改进情感推理机制以提高计算效率作为未来的研究工作之一.

随着微博服务的广泛普及,人们可以在微博平台上针对现实各种事件进行所见分享与所感交流,挖掘隐藏在海量微博消息中的主题情感能够有效辅助用户个体、企业组织与政府机构等的决策行为.针对传统无监督的主题情感分析模型的不足,本文提出了一个新的基于微博用户社交关系的主题情感分析模型SRTSM.实验结果表明:SRTSM不仅能实现微博消息的主题情感同步检测与分析,而且具有比现有典型无监督主题情感模型(JST,Sentiment-LDA和DPLDA)更优的情感分类能力.

将来的工作将在以下几个方面进行:首先,我们将微博用户的档案属性信息纳入微博消息情感极性与主题推理以提升情感分类的准确率;其次,微博消息具有实时特征,我们将对微博消息的情感主题动态演化模式进行分析;最后,改进SRTSM的推理机制以提升算法时间效率.

我要回帖

更多关于 被骂怎么调整心情 的文章

 

随机推荐