0 引言

近年来，随着移动互联网广泛、迅速地普及应用，微博、微信、抖音、快手、小红书等移动互联网社交软件逐步成为主流的社交媒体媒介(李志恒等，2020；王玉婷等，2019；薄涛等，2016)。与传统媒体媒介相比，移动互联网的发展改变了人们接收和传播信息的方式，由被动接收信息转化为主动搜索信息，使得人人成为信息接收、发布和传播的独立媒介。目前，在众多新型媒体媒介中，微博已成为人们沟通交流、发表事件观点态度的最重要中文网络社交平台之一(闫尚义等，2023)。

地震作为自然界常见的自然灾害之一，具有突发性强、破坏性大、预测性低的特点。地震一旦发生，尤其是人口密度较大地区，不仅对当地的基础设施、经济生产等造成一定影响，还会引发人民群众的恐慌。在特定地震事件下，众多网友通过微博平台发表个人评论、态度、观点等内容，与震情相关的文本数据迅速在平台内传播，形成大规模舆情数据。这些数据包含多元灾情信息，对灾情快速研判定位与处置具有支撑作用。但混杂的负面错误舆情会快速扩散，误导舆论走向，引发不必要恐慌并扰乱社会秩序。因此，对特定地震事件期间的舆情数据进行分析处理，及时掌握社会舆情发展趋势，对于政府高效开展舆情监测、引导及处置工作发挥着至关重要的作用。本文以地震舆情数据情感分析识别为方向，设计了一种基于长短期记忆网络(Long Short-Term Memory，LSTM)的地震舆情情感分析模型，构建相应的情感识别三分类器(积极、中性、消极)，为自动识别地震舆情数据的情感倾向提供技术支撑。首先，设计相应的Python爬虫程序，在微博平台中采集特定震情期间的用户评论数据并进行预处理，建立相应的数据集。然后，使用Word2vec模型训练数据集，将数据样本中的词语转化为计算机可识别的稠密向量，从而捕捉词语间的语义关联。最后，基于LSTM搭建地震舆情情感分析模型，使用数据集对其进行训练与验证。通过一系列实验，验证本文模型在地震舆情情感识别方面的可行性和有效性。

1 相关工作

目前，国内外学者主要基于社交媒体数据，开展特定事件全过程的舆情时空变化和情感识别分析等方面研究，常见的情感分析研究方法主要包含基于情感字典、传统机器学习和深度学习的方法(赵嵩正等，2024)。

基于情感字典的情感分析，其主要任务是计算情感词汇的情感倾向，将多种类词汇根据情感倾向分类为积极、中性和消极，从而构建出合适的情感字典，通过情感字典识别语句的感情倾向(李寿山等，2013)。通常所构建的情感字典丰富程度越高、词汇颗粒度越丰富，其依靠该字典的情感分析效果越好。蒋翠清等(2019)利用PMI和Word2Vec算法识别网络社交媒体用户发表内容中的未知情感词，进一步构建情感字典，开展汽车评论情感分析。郗亚辉(2016)基于情感词间的点互信息和上下文约束，采用标签传播算法，设计了一种二阶段的产品评论领域情感词典构建策略，进一步提升情感分析精度。周知等(2021)基于规格组合改进点互信息的情感词级性识别策略，设计了一种有效合理的图书领域情感词典构建方法。但是，基于情感字典的情感分析方法，其构建优质的情感字典难度高、耗时多，且识别准确率和领域适应性较差。

以往基于机器学习的情感分析是广泛采用的研究策略，一般使用支持决策树、支持向量机等传统机器学习模型和算法，以实现对自然语言情感倾向的分类识别功能。戚天梅等(2020)基于情感强度特征词，结合权重策略，并采用朴素贝叶斯、逻辑回归、回归森林等构建了一种计算外汇新闻文本情感倾向和强度的方法。郑志伟等(2018)采用人工标注文本情感类别，经过分词、特征词权重和选择等步骤，基于随机森林建立公共卫生领域的情感分析模型。刘继等(2022)针对舆情中非平衡数据对舆情文本情感分析的干扰问题，构建了一种BERT与BiLSTM的混合情感识别模型，进一步提升网络舆情识别精度。基于机器学习的情感分析方法，情感分析识别精准度得到一定提升，但其人工和时间成本依旧较高。

随着计算机算力逐步提升，基于深度学习模型的情感分析研究成为主流。基于深度学习的情感分析，其主要通过卷积神经网络(Convolutional Neural Networks，CNN)、循环神经网络(Recurrent Neural Network，RNN)等模型以及相关融合模型自动学习文本语义特征，实现语句的情感识别分析。孟佳娜等(2022)融合CNN和门控单元构建了跨领域情感分类模型，并使用小量数据集对模型进行迁移学习，实现了跨领域英文文本的情感分类。潘列等(2022)将广义自回归预训练语言模型(XLNet)与RNN相结合构建文本情感分类模型，通过片段递归等机制充分利用文本预警信息，进一步提升了文本情感分类的综合性能。

与其他常见情感分析策略相比，基于深度学习模型的情感分析具有精度高、领域适应度强、处理速度快等优点，更适合开展情感分析工作。而以往学者的研究工作主要集中在金融、新闻等领域，地震舆情领域则相对较少。为此，本文基于LSTM构建地震舆情分析模型，开展相关情感识别研究。

2 模型构建

本文基于LSTM和Word2Vec搭建地震舆情情感分析模型，通过四阶段的数据预处理(数据采集、裁剪、清洗和分词操作)和词向量转换等操作，实现地震舆情数据的三分类识别功能(即积极、中性和消极)，最后对搭建的舆情情感分析模型进行训练验证，模型结构如 图 1所示。

2.1 数据预处理

高质量数据集是训练神经网络模型的基础，也是模型取得精准识别效果的关键。由于文本数据无法被LSTM直接识别，需通过相关的数据预处理操作，去除数据中无效冗余内容，以提升数据集整体质量。数据预处理共包含四部分，即数据采集、数据裁剪、数据清洗和数据分词。

(1) 数据采集。该阶段基于Python开发了相应的网络爬虫脚本程序，以新浪微博为数据源，爬取特定地震事件期间主流媒体微博的评论内容作为数据集。同时，采用人工标注的方式，对数据集中所有评论内容手动标注其情感类别(积极、中性和消极)。数据采集程序和采集的评论数据样例如 图 2和表 1所示。

(2) 数据裁剪。由于LSTM模型仅可输入固定长度的语句，需对数据样本进行裁剪操作。适宜的裁剪长度，既能减少重要情感词汇遗失，确保语句的情感倾向，又能提升模型训练速度和效果，降低不必要时间成本。一般对数据集中所有数据样本长度进行统计分析，将裁剪长度设定为等于或略大于所有样本长度的中位数。

(3) 数据清洗。由于微博用户发表的评论内容无统一格式，其中掺杂着许多无效冗余内容，需对数据集进行逐条清洗，删除语句中自动回复、表情符号、重复内容等，以提升数据集质量。

(4) 数据分词。按照一定规则和顺序，将连续的评论文本语句切分为单独的词(字)序列，实现数据分词功能。同时，对数据进行去停用词处理，去除分词中无效的词字，保证数据样本的有效性。本文采用jieba分词库(邢玲等，2023)，对文本数据实现分词、去停用词处理。

2.2 建立词向量字典

Word2Vec(柴源，2022；Kolesnikova et al，2020)是谷歌在2013年发布的一种神经网络模型，其可根据语句的共现信息，通过多次训练将每个词语由高维词向量转换为低维空间向量，且保留了词向量间顺序关系，解决了数据属性和语义缺失等问题。Word2Vec包含两种训练模式，即通过跳字模型(Skip-gram，SG)和连续词包模型(Continuous bag of word，CBOW)开展词/字向量的训练和转换。

CBOW模型通过上下文和周边词汇预测当前位置词语w(t)的概率，SG模型为逆序版的CBOW模型，通过当前位置词汇w(t)预测上下文概率(图 3)。

2.3 基于LSTM的地震舆情情感分析模型搭建

LSTM是循环神经网络的改良型，其主要在RNN基础上添加其他类型门结构(如忘记门、输入门等)，通过对神经元状态增加或删除相关信息，促使RNN网络更加深层次利用长距离的时序信息，有效解决了训练过程中存在的梯度消失等问题(柴源，2022；Sun et al，2023；王晓湘等，2022)。

LSTM模型训练流程为：首先，向输入层输入t时刻的数据特征，经激活函数计算结果；然后，将计算结果与t-1时刻隐藏层输出数据、t-1时刻cell单元存储的信息作为输入数据，全部传输至LSTM结构的节点中，通过门和单元协同处理输出计算结果，并传输至下一隐藏层或输出层，计算反向传播误差，更新各个权值。LSTM模型网络结构和流程如 图 4所示。

(1) C_t为cell单元，代表神经元状态的记忆，其使得LSTM的神经元具有保存、读取、重置和更新长距离历史信息的能力。

(2) f_t为遗忘门(Forget Gate)，表示要从cell单元中删除哪些信息，其主要由sigmoid层决定。h_t-1和x_t为遗忘门f_t的输入数据，在C_t-1单元输出[0，1]之间的数值，1代表完全遗忘，0代表完全保留，即

$ f_t=\operatorname{sigmoid}\left(W_f\left[h_{t-1}, x_t\right]+b_f\right) $

(1)

其中，f_t代表在时间步长t的遗忘状态；W_f、b_f分别代表时间步长t的遗忘状态的权重和偏差。

(3) 输入门(Input Gate)决定单元中需要存储哪种信息，主要由输入门sigmoid层和tanh层构成。其中，sigmoid层决定更新哪些数值，tanh层创建候选向量$\widetilde{C}$，可以加入状态机中。计算公式为

$ i_t=\operatorname{sigmoid}\left(W_i\left[h_{t-1}, x_t\right]+b_i\right) $

(2)

$ \tilde{c}=\tan h \left(W_c\left[h_{t-1}, x_t\right]+b_c\right) $

(3)

其中，x_t代表t时刻的输入数据；h_t-1代表在t-1时刻的隐藏状态；i_t代表输入层在t时刻的输入；$\tilde{c}$代表在t时刻需要添加至输入门的输出候选值；b_i、b_c分别代表输入门和候选值间的计算偏差；W_i、W_c分别代表输入门和候选值的计算权重。

因此，可将旧状态C_t-1更新为C_t，即

$ C_t=f_t \times C_{t-1}+i_t \times \tilde{C} $

(4)

输出门(Output Gate)主要控制单元状态输出值，其计算公式为

$ o_t=\operatorname{sigmoid}\left(w_o \times\left[h_{t-1}, x_t\right]+b_o\right) $

(5)

$ h_t=o_t \times \tan h \left(W_c\right) $

(6)

其中，o_t代表t时刻的输出门的输出值；w_o、b_o分别代表t时刻输出门的权重和偏差。

3 实验验证 3.1 实验环境

本文所开展的模型训练、验证等实验均采用GPU计算加速，实验设备配置如 表 2所示。

3.2 数据采集及处理

为确保爬虫程序所采集数据集的质量，最大限度提升数据与地震事件的相关度，以新浪微博为评论数据主要采集平台，以2020—2023年期间显著地震事件为主题搜索相关微博评论内容。经对比分析发现，与个人用户和大V账号(粉丝量较大的微博认证用户)相比，国家政府机关和主流媒体微博官方账号中，关于地震事件相关新闻简讯的网络评论内容较为丰富且相对集中、数量较大。因此，本文采用分散爬取汇总的策略，以国内地震信息速报的权威机构(中国地震台网中心)和部分主流新闻媒体的官方微博账号为主要舆情数据爬取源，采集特定地震事件简讯或速报发布后24h内的网民评论数据。为确保数据爬取效率，本文设计的网络爬虫程序采用多个用户ID和IP代理池相结合的策略，最大限度避免新浪微博数据反爬机制的干扰。

对于爬取的舆情数据，经汇总筛选处理后共计6万条评论数据，均通过人工方式逐条标注数据样本的情感倾向，其中-1代表消极情感倾向，0代表中性情感倾向，1代表积极情感倾向。主要采集的微博用户和震情事件如 表 3所示。

对采集数据样本长度进行统计分析(图 5)，发现样本长度集中在[30，34]，为最大限度保留评论文本语义，数据预处理中的语句裁剪长度设置为样本中位数长度32。为避免数据样本情感倾向不均衡，地震舆情数据集设定了相对等量的情感倾向，划分方法如 表 4所示。同时，将采集的数据集分别划分为训练集、验证集和测试集，划分比例为4 : 1 : 1。

3.3 模型搭建

为验证搭建的舆情分析模型的有效性，本文通过设定多样的实验确定模型最优架构参数，并分别与传统CNN、RNN的情感分析模型进行实验对比。其中，模型失活率(Dropout) 设定为[0.1，0.9]，学习率(LearRate)设定为[0.1，0.00001]，批处理规模(Batch_size)设定为128，文本处理长度(Pad_size)设定为32，隐藏层数(Hidden_size)设定为128，模型层数(Num_layer)设定为2，识别类别数设定为3。

3.4 实验指标

为展现模型性能表现，本文采用3项评价指标进行实验对比，即模型准确率(Accuracy)、平均召回率(ARecall)和F1值。

指标1：准确率(Accuracy)

$ \text { Accuracy }=\frac{\mathrm{TP}+\mathrm{TN}+\mathrm{TNe}}{\mathrm{TP}+\mathrm{FP}+\mathrm{TN}+\mathrm{FN}+\mathrm{TNe}+\mathrm{FNe}} \times 100 \% $

(7)

其中，TP(True Postive)代表被模型识别情感倾向为积极，且自身也为积极的样本数量；FP(False Postive)代表被模型识别情感倾向为非积极，但自身为积极的样本数量；TN(True Negtive)代表被模型识别情感倾向为消极，且自身也为消极的样本数量；FN(False Negtive)代表被模型识别情感倾向为非消极，但自身为消极的样本数量；TNe(True Neutral)代表被模型识别情感倾向为中性，且自身也为中性的样本数量。

指标2：平均召回率(ARecall)

$ \left\{\begin{array}{l} \text { ARecall }=\frac{\text { RecallP }+ \text { RecallNe }+ \text { RecallN }}{\text { ClassNum }} \times 100 \% \\ \text { RecallP }=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FNe}+\mathrm{FN}} \\ \text { RecallNe }=\frac{\mathrm{Tne}}{\mathrm{FP}+\mathrm{TNe}+\mathrm{FN}} \\ \text { RecallN }=\frac{\mathrm{TN}}{\mathrm{FP}+\mathrm{FNe}+\mathrm{TN}} \end{array}\right. $

(8)

其中，ClassNum代表模型情感倾向分类总数。

指标3：F1值

$ F 1=\frac{2 \times \text { Accuracy } \times \text { ARecall }}{\text { Accuracy }+ \text { ARecall }} \times 100 \% $

(9)

3.5 实验结果分析

为多方位表现所搭建的情感分析模型性能，本文通过设定多样的模型超参数、失活率(Dropout)开展相关实验，并与其他常见情感分析模型进行性能对比。

3.5.1 模型超参数性能对比

(1) 多样学习率的模型性能对比。该部分通过设定多样的模型学习率(LearRate)，展现本文搭建模型的性能表现。从 表 5中可见，随着学习率的降低，模型的验证准确率、平均召回率和F1值随之升高，然后再降低。当模型学习率为0.001时，本文搭建的情感分析模型性能表现最优，其准确率、召回率和F1值均达到96.5%。

(2) 多样失活率的模型性能对比。该部分通过设定不同梯度的模型失活率(Dropout)，展现本文搭建模型的性能变化。从 表 6可见，随着失活率升高，模型的验证准确率、平均召回率和F1值先随之降低，然后再升高，当增长至一定数值后，再随之降低。当模型失活率为0.7时，模型性能表现最优，从而说明基于小规模数据集的情感分析模型，需要相对更强的正则化抑制模型过拟合，从而确保神经网络的性能与稳定性。

3.5.2 模型性能分析

本阶段实验的模型学习率(LearRate)和失活率(Dropout)分别设定为0.001和0.7，模型在测试集上的性能表现如 表 7所示。由 表 7可见，与CNN、RNN模型相比，LSTM模型的准确率、平均召回率和F1值均有提高，表明LSTM模型可从文本数据中读取到更为深度、丰富的语义，从而提升识别精度及准确率，证明了本文所搭建的地震情感分析模型的有效性。

4 结论

随着移动互联网应用的普及与新媒体的发展，基于网络评论内容的舆情情感分析成为当前研究热点，深度学习方法被舆情识别分析广泛采用。本文搭建了一种基于LSTM的地震舆情情感分析识别模型，通过Python网络爬虫程序，采集了特定地震事件下的微博用户网络评论数据，经过数据预处理，构建了相应的地震舆情数据集。基于该数据集，对模型开展训练实验，确定了模型最优参数配置，验证了本文所搭建模型的可行性和有效性。未来可进一步丰富地震舆情数据集种类和体量，结合情感强度分析方法，开展多模态地震舆情情感分析的相关研究，进一步拓宽模型的应用广度，提升性能表现。

致谢: 感谢本文审稿专家给予的高质量评审意见及建议，感谢中国地震局地震科技星火计划攻关项目、中国地震局地震信息青年重点任务、中国地震局第一监测中心科技创新主任基金项目对本研究的支持。