全文鏈接：http://tecdat.cn/?p=12310

最近我們被客戶要求撰寫(xiě)關(guān)于自然語(yǔ)言處理NLP的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。

新冠肺炎的爆發(fā)讓今年的春節(jié)與往常不同。與此同時(shí)，新聞?dòng)涗浵铝诉@場(chǎng)疫情發(fā)展的時(shí)間軸

▼

為此我們分析了疫情相關(guān)的新聞內(nèi)容、發(fā)布時(shí)期以及發(fā)布內(nèi)容的主題和情感傾向這些方面的數(shù)據(jù)，希望通過(guò)這些數(shù)據(jù)，能對(duì)這場(chǎng)疫情有更多的了解。

新聞對(duì)疫情相關(guān)主題的情感傾向

通過(guò)對(duì)疫情相關(guān)的新聞進(jìn)行主題分析和情感分析，我們可以得到每個(gè)主題的關(guān)鍵詞以及情感分布。

圖表1

癥狀檢測(cè)主題的新聞內(nèi)容表達(dá)出最多積極情感，該話題下討論的是醫(yī)院中檢測(cè)患者的癥狀，其次是城市服務(wù)以及學(xué)校相關(guān)的新聞內(nèi)容，討論了商店關(guān)閉，社區(qū)隔離和學(xué)校延遲開(kāi)學(xué)等話題，生活主題也表達(dá)出較多的積極情感（關(guān)鍵詞：時(shí)間、家庭），疫情增加了家人相處的時(shí)間（圖1）。

點(diǎn)擊標(biāo)題查閱往期相關(guān)內(nèi)容

R語(yǔ)言自然語(yǔ)言處理（NLP）：情感分析新聞文本數(shù)據(jù)

左右滑動(dòng)查看更多

01

02

03

04

新聞表達(dá)的情感傾向隨時(shí)間變化

考慮到新聞發(fā)布的時(shí)間、新聞相關(guān)的話題因素，圖2顯示了通過(guò)情感交叉分析得到的結(jié)果。

圖表2

從話題排名來(lái)看，不同時(shí)間段的新聞中最熱門(mén)的話題都有經(jīng)濟(jì)、出行和政治。從情感分布來(lái)看，1月份的經(jīng)濟(jì)主題新聞表達(dá)出較多的負(fù)面情緒（如股市因?qū)跔畈《镜娜找骊P(guān)注而下跌）。3月份隨著疫情逐漸好轉(zhuǎn)，城市主題新聞（如疫情期間保證商店服務(wù)和生產(chǎn)經(jīng)營(yíng)）的熱度排名超過(guò)防護(hù)主題（關(guān)鍵詞：口罩，洗手，健康等）。從1月到3月，各個(gè)主題下的積極情感比例都在不斷增加。

新聞對(duì)不同主題關(guān)鍵詞的關(guān)注度

考慮到不同話題的關(guān)注度，圖3顯示了高頻關(guān)鍵詞的分布。

圖表3

從中我們可以看到疫情相關(guān)的新聞中最關(guān)注的方面，首先是健康，家庭和隔離和出行，其中健康出現(xiàn)的頻率最高。然后關(guān)注的話題，包含冠狀病毒、疫情期間的工作和病毒檢測(cè)。其次關(guān)注的話題包含區(qū)分健康和感染的癥狀。其他關(guān)注的熱門(mén)關(guān)鍵詞包含學(xué)校、商業(yè)、旅行和經(jīng)濟(jì)等。

本文章中的所有信息（包括但不限于分析、預(yù)測(cè)、建議、數(shù)據(jù)、圖表等內(nèi)容）僅供參考，拓端數(shù)據(jù)（tecdat）不因文章的全部或部分內(nèi)容產(chǎn)生的或因本文章而引致的任何損失承擔(dān)任何責(zé)任。

本文摘選?《?自然語(yǔ)言處理NLP：主題LDA、情感分析疫情下的新聞文本數(shù)據(jù)?》?，點(diǎn)擊“閱讀原文”獲取全文完整資料。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

【視頻】文本挖掘：主題模型（LDA）及R語(yǔ)言實(shí)現(xiàn)分析游記數(shù)據(jù)
NLP自然語(yǔ)言處理—主題模型LDA案例：挖掘人民網(wǎng)留言板文本數(shù)據(jù)
Python主題建模LDA模型、t-SNE 降維聚類、詞云可視化文本挖掘新聞組數(shù)據(jù)集
自然語(yǔ)言處理NLP：主題LDA、情感分析疫情下的新聞文本數(shù)據(jù)
R語(yǔ)言對(duì)NASA元數(shù)據(jù)進(jìn)行文本挖掘的主題建模分析
R語(yǔ)言文本挖掘、情感分析和可視化哈利波特小說(shuō)文本數(shù)據(jù)
Python、R對(duì)小說(shuō)進(jìn)行文本挖掘和層次聚類可視化分析案例
用于NLP的Python：使用Keras進(jìn)行深度學(xué)習(xí)文本生成
長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM在時(shí)間序列預(yù)測(cè)和文本分類中的應(yīng)用
用Rapidminer做文本挖掘的應(yīng)用：情感分析
R語(yǔ)言文本挖掘tf-idf,主題建模，情感分析,n-gram建模研究
R語(yǔ)言對(duì)推特twitter數(shù)據(jù)進(jìn)行文本情感分析
Python使用神經(jīng)網(wǎng)絡(luò)進(jìn)行簡(jiǎn)單文本分類
用于NLP的Python：使用Keras的多標(biāo)簽文本LSTM神經(jīng)網(wǎng)絡(luò)分類
R語(yǔ)言文本挖掘使用tf-idf分析NASA元數(shù)據(jù)的關(guān)鍵字
R語(yǔ)言NLP案例：LDA主題文本挖掘優(yōu)惠券推薦網(wǎng)站數(shù)據(jù)
Python使用神經(jīng)網(wǎng)絡(luò)進(jìn)行簡(jiǎn)單文本分類
R語(yǔ)言自然語(yǔ)言處理（NLP）：情感分析新聞文本數(shù)據(jù)
Python、R對(duì)小說(shuō)進(jìn)行文本挖掘和層次聚類可視化分析案例
R語(yǔ)言對(duì)推特twitter數(shù)據(jù)進(jìn)行文本情感分析
R語(yǔ)言中的LDA模型：對(duì)文本數(shù)據(jù)進(jìn)行主題模型topic modeling分析
R語(yǔ)言文本主題模型之潛在語(yǔ)義分析（LDA:Latent Dirichlet Allocation）R語(yǔ)言對(duì)NASA元數(shù)據(jù)進(jìn)行文本挖掘的主題建模分析
R語(yǔ)言文本挖掘、情感分析和可視化哈利波特小說(shuō)文本數(shù)據(jù)
Python、R對(duì)小說(shuō)進(jìn)行文本挖掘和層次聚類可視化分析案例
用于NLP的Python：使用Keras進(jìn)行深度學(xué)習(xí)文本生成
長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM在時(shí)間序列預(yù)測(cè)和文本分類中的應(yīng)用
用Rapidminer做文本挖掘的應(yīng)用：情感分析
R語(yǔ)言文本挖掘tf-idf,主題建模，情感分析,n-gram建模研究
R語(yǔ)言對(duì)推特twitter數(shù)據(jù)進(jìn)行文本情感分析
Python使用神經(jīng)網(wǎng)絡(luò)進(jìn)行簡(jiǎn)單文本分類
用于NLP的Python：使用Keras的多標(biāo)簽文本LSTM神經(jīng)網(wǎng)絡(luò)分類
R語(yǔ)言文本挖掘使用tf-idf分析NASA元數(shù)據(jù)的關(guān)鍵字
R語(yǔ)言NLP案例：LDA主題文本挖掘優(yōu)惠券推薦網(wǎng)站數(shù)據(jù)
Python使用神經(jīng)網(wǎng)絡(luò)進(jìn)行簡(jiǎn)單文本分類
R語(yǔ)言自然語(yǔ)言處理（NLP）：情感分析新聞文本數(shù)據(jù)
Python、R對(duì)小說(shuō)進(jìn)行文本挖掘和層次聚類可視化分析案例
R語(yǔ)言對(duì)推特twitter數(shù)據(jù)進(jìn)行文本情感分析
R語(yǔ)言中的LDA模型：對(duì)文本數(shù)據(jù)進(jìn)行主題模型topic modeling分析
R語(yǔ)言文本主題模型之潛在語(yǔ)義分析（LDA:Latent Dirichlet Allocation）