文章/答案/技术大牛

发布

社区首页 >问答首页 >测量跨几个主题的触发器行为

问测量跨几个主题的触发器行为
EN

Data Science用户

提问于 2019-08-20 22:02:42

回答 1查看 64关注 0票数 3

我试图分析数据集中用户的一种称为“情感翻转”的行为，但我无法继续下去。

假设我有两组用户，分别是好用户和坏用户。

我的数据集包含分为6个主题的N个tweet。这些推文是由坏用户和好用户创建的。

这6个主题是关于一般问题，其中3个是关于“坏”用户支持的组织/个人，另3个是反对(B)他们的意识形态。

坏用户和好用户在推特行为上的区别是：

这位好用户在一些话题中发布了推文(可能全部)，而没有强迫主题中出现“正面”或“负面”情绪。
坏用户在推特上发布的推文中包含了针对她/他的意识形态的负面情绪，以及对她/他所支持的主题的积极情绪。两个用户之间的明显区别还在于，坏用户在B主题上大量发布负面情绪，在A主题上发布积极情绪。

我如何用分数/值来衡量/显示这种翻转行为；假设每条推文都由一个向量表示，比如: Pos的<#，Neg words>的#。

我认为一个好的解决方案将考虑如何密集和意识形态清楚的不良用户行为。

此图像总结了前面的描述：

sentiment-analysis

social-network-analysis

data-mining

回答 1

Data Science用户

发布于 2019-08-23 13:30:03

所以我对此有一个理论。我们希望能够区分那些情感和偏见的用户和那些没有情感和没有偏见的用户。

M = emotionality\\ B = Bias\\ t_i = tweet\ number\ i\\ b_i = bad\ words\ in\ t_i\\ p_i = good\ words\ in\ t_i\\ w_i = words\ in\ t_i\\ M = \frac{(b_i+p_i)}{w_i}\\ B = \frac{(b_i-p_i)^2}{w_i}\\

M是情绪化的，因为它计算出单词将是情感的频率(而不是描述性的)。

B是偏见，因为有偏见的推文会有更多的好(或坏)字比那些保持双方平等的。

我不知道这一预测是否成立，但我认为如果你把每条推文都画成偏见，把y画成带有好或坏色彩的情绪化，那么就会有两大类(我渴望被证明是错的--这听起来肯定是个有趣的问题)！

票数 0

页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://datascience.stackexchange.com/questions/57910

复制

相似问题

问测量跨几个主题的触发器行为
EN

回答 1

Data Science用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问测量跨几个主题的触发器行为EN

回答 1

Data Science用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问测量跨几个主题的触发器行为
EN