关于算法:自然语言处理NLP主题LDA情感分析疫情下的新闻文本数据

38次阅读

共计 1016 个字符,预计需要花费 3 分钟才能阅读完成。

原文链接:http://tecdat.cn/?p=12310

原文出处:拓端数据部落公众号

新冠肺炎的暴发让往年的春节与平常不同。与此同时,新闻记录下了这场疫情倒退的时间轴。

为此咱们剖析了疫情相干的新闻内容、公布期间以及公布内容的主题和情感偏向这些方面的数据,心愿通过这些数据,能对这场疫情有更多的理解。

新闻对疫情相干主题的情感偏向

通过对疫情相干的新闻进行主题剖析和情感剖析,咱们能够失去每个主题的关键词以及情感散布。

图表 1

症状检测主题的新闻内容表白出最多踊跃情感,该话题下探讨的是医院中检测患者的症状,其次是城市服务以及学校相干的新闻内容,探讨了商店敞开,社区隔离和学校提早开学等话题,生存主题也表白出较多的踊跃情感(关键词:工夫、家庭),疫情减少了家人相处的工夫(图 1)。

新闻表白的情感偏向随工夫变动

思考到新闻公布的工夫、新闻相干的话题因素,图 2 显示了通过情感穿插剖析失去的后果。

图表 2

从话题排名来看,不同时间段的新闻中最热门的话题都有经济、出行和政治。从情感散布来看,1 月份的经济主题新闻表白出较多的负面情绪(如股市因对冠状病毒的日益关注而上涨)。3 月份随着疫情逐步恶化,城市主题新闻(如疫情期间保障商店服务和生产经营)的热度排名超过防护主题(关键词:口罩,洗手,衰弱等)。从 1 月到 3 月,各个主题下的踊跃情感比例都在一直减少。

新闻对不同主题关键词的关注度

思考到不同话题的关注度,图 3 显示了高频关键词的散布。

图表 3

从中咱们能够看到疫情相干的新闻中最关注的方面,首先是衰弱,家庭和隔离和出行,其中衰弱呈现的频率最高。而后关注的话题,蕴含冠状病毒、疫情期间的工作和病毒检测。其次关注的话题蕴含辨别衰弱和感化的症状。其余关注的热门关键词蕴含学校、商业、旅行和经济等。

本文章中的所有信息(包含但不限于剖析、预测、倡议、数据、图表等内容)仅供参考,拓端数据(tecdat)不因文章的全副或局部内容产生的或因本文章而引致的任何损失承当任何责任。


最受欢迎的见解

1. 小红书用户行为数据采集洞察:婚礼种草指南

2. 机器学习助推快时尚精准销售预测

3. 单车上的城市:共享单车数据洞察

4. 用机器学习辨认一直变动的股市情况—隐马尔科夫模型 (HMM) 的利用的利用 ”)

5. 数据盘点:家电线上生产新趋势

6. 在 r 语言中应用 GAM(狭义相加模型)进行电力负荷工夫序列剖析

7. 虎扑论坛基因探秘:社群用户行为数据洞察

8. 把握出租车行驶的数据脉搏

9. 智能门锁“剁手”数据攻略

正文完
 0