基于短视频如何开展情感营销？

基于短视频开展情感营销可以通过以下几个步骤：

确定目标受众：确定想要吸引的受众，了解他们的喜好和需求，以此来制定营销策略。

制定营销策略：在制定营销策略时，要把情感元素融入其中。可以从情感需求、情感共鸣、情感互动等方面出发，制作具有情感共鸣的短视频内容，如讲述故事、传递感悟等。

制作短视频内容：在制作短视频内容时，要注意内容的情感性和互动性。可以运用多种视觉元素、音乐、剧情等来传递情感信息，同时设计互动环节，如调查问卷、留言互动等，增加用户参与度。

广泛传播：制作好的短视频要广泛传播，可以在多个平台上发布，如抖音、快手、微信等，同时运用社交媒体、微信公众号等渠道，增加传播效果。

分析效果：通过数据分析工具，分析短视频的观看量、转发量、留言量等数据，及时调整策略和内容，提高效果。

总之，情感营销是基于消费者情感需求的一种营销方式，通过制作情感化的短视频内容来吸引受众，增强品牌认知度和用户忠诚度。

最近感觉男朋友工作越来越忙，很少和我聊微信。或者是说一起吃饭前有什么约会都会很尊重我的意见，会问我想去哪里，或者有没有什么禁忌，但是现在越来越多，我觉得他不把我放在心里，不把我的感受放在第一位，什么都想按照他的意愿和喜好去完成，他真的是越来越以自我为中心了。你甚至会听到你的男友说："你最近胖了吗？"甚至对你的衣服和妆容进行评论。"我觉得你的妆太浓了。我宁愿不化妆。" 诸如此类的事情。

面对这种情况，许多学生会有一个疑问。"他以前从来没有挑剔过我，在交流过程中也没有忽视我，但为什么现在会发生这些事情？"于是，便有了 "不做家务的男人是猪"、"不做家务，是婚姻中最可怕的男性疾病 "这样醒目的标题，引发了无数职场女性的共鸣--这就是女生的第二次失败建立的框架：对情感、婚姻的妥协。当然，女孩们的第三次妥协也让人震惊。一个朋友告诉我，有一次她因为一些琐事和男友吵架。她愤怒的话语像黄河之水一样向她的男友倾泻而去。他笨手笨脚，因尴尬而发怒，对她进行了暴力攻击。

大家都知道，家庭暴力只发生一次，多次发生，但事实就是事实。她低下了头，向家人和朋友解释说："在这件事上我也犯了错误。我以后会更好地与你们沟通"。此后，在她的婚姻中，没有更好的，只有更坏的。许多经历过婚姻起伏的姐妹和阿姨都告诉我婚姻持久的秘诀，那就是忍耐。一定的忍耐固然有道理；但是，盲目的妥协，失去了自己的原则和底线，也许换来的不是更多的甜蜜感情，不是相互理解、谅解、宽容和感恩，更可能是对对方的依赖、轻视和蔑视，使两个人逐渐疏远，甚至成为敌人。

情绪化传播的特点容易做舆论引导，如今我们身处以信息为主导的现代社会环境，人们不仅从网络里获取信息，还将获取的信息再通过网络进行传播，形成了一个网状的交流模式，各种信息接踵而来。但是逐渐发现，一些不良信息、不真实言论的网络问题也随之而来，尤其对当事人的缺陷、丑陋、尴尬之处探寻传播的兴趣过于关注，就如美国学者尼古拉斯•米尔斯所言，“我们的网络世界如今有很大一部分用在了阴暗的东西上，比如，快速传播他人尴尬，夸大他人缺陷等等”。①揭开他人隐私，放大别人缺陷，甚而演变成欺凌与审判，让我们不得不为之警醒。用传播学的理论解释分析这一现象，是本文探究的议题。

一、网络情绪化传播现象

谈到网络情绪化传播不得不说一个案例，莱温斯基和克林顿“拉链门”事件。一个是白宫实习生，一个是美国前总统，两人产生了一段办公室恋情，莱温斯基向自己的好友崔普透露与总统交往的内容，电话被好友秘密录音，还将录音交给了检察官。于是一起桃色新闻调查轰动了整个美国，更是轰动了整个互联网，一种“情绪性舆论”蔓延整个网络，莱温斯基成为全世界公开羞辱的对象，被公开羞辱对个人而言代价很大。

二、心理暴力与大众传播

互联网还没问世之前，大众传播的途径主要是报刊，广播电视等传统媒介，互联网的到来推动了新媒体传播技术发展，给大众带来了一场别开生面的信息之旅，从传统媒体传播单向性强的特点演变到多向互动极强的新媒体传播。日本传播学者清水几太郎认为，大众传播使现代人满足于肤浅的表层信息，现在社会是一个由“大量复制的信息”支配着的社会，大众媒介不管出于盈利也好还是宣传也罢，将广大受众淹没于表层信息的“洪水”之中，使其丧失了对公众事物的理性思考和判断能力，大众传播对于现代人来说类似于一种“心理暴力”。②互联网络中出现的种种非理性的信息传播，受众必须要保持自我净化能力，理性地看待网络信息，而非被网络牵着鼻子走。

三、受众心理和传播行为研究

（一）从使用满足到受众传播心理研究。在网络环境中，受众参与公共事件比较突出的心理有猎奇心理、从众心理和表现心理。有时总是乐于接受新奇的、反常的、罕见的信息，而在接触信息并且传播的过程中又希望被认同，不被群体排除在外，于是总是与群体意见保持一致，进而使得群体影响由压力变为动力；另一方面，受众个体在群体前总有一种表现的欲望，当自己的意见与群体保持一致时这种欲望更为强烈，希望得到群体的支持或赞赏，显示出一种“夸示动机”。基于这三点，受众在新媒体圈层的活动显得游刃有余，用传播学“使用与满足”理论佐证这一观点再合适不过了。新媒体环境下，传播媒介的使用更为频繁，媒介类型也更为多元。网络受众，也就是网民们的一些表现也是在这一框架之下，比如一些网民喜欢在微博上发言，或是开通自己的博客，写一些自己喜欢的文章，自己的情感通过互联网而得到了宣泄和抒发，如若是能得到“粉丝”的青睐，那在感情上就得到了共鸣和满足，这比一个人独自在家写写日记，无人问津自己的心情要有存在感得多。再举例来说，一些网民喜欢在论坛上发帖，表达自己的观点，传视频，发自己的美照，晒出自己的个性，通过使用网络来引起他人关注，满足表现欲望，将自己展现在他人面前，从而通过他人的评价来构建自我形象。（二）从沉默的螺旋到舆论的产生。何为舆论，“大家都在说的就是舆论”，是“能够公开的大家的意见”，这里的大家指的就是公众，也可以理解为网络受众，强调能够公开就是指言论有支持的人群，与之唱反调就会被孤立，就有遭受制裁的危险。这种环境认知所带来的压力或安全感会引起公众事件中“劣势意见的沉默”和“优势意见的大声疾呼”的螺旋式扩展过程，并导致网络生活中占优势的“多数意见”在这场博弈中胜出，这种多数意见就是“舆论”。公众事件中有意见领袖发声，或是有了舆论的引导，受众关注的事件信息点就会集中于一处，另一方面，媒介可以通过对报道议题的选择和报道数量的集中，来影响受众对具体事件的关注度，所以绝不能孤立地看待公众和媒介，他们是一个相互作用的关系。四、正确引导网络舆论当好把关人“非理性谩骂，群体攻击，盲从冲动”等等网络舆论问题都属于网络“心理暴力”的发泄，网络舆论引导不力和相关网络管理部门监管不到位是引发网络舆论问题的最大原因。错误的舆论意见会使舆论导向发生偏离，网络舆论问题随之而来。“把关人”可以是有影响力的意见引导者、政府宣传部门、公共行政部门、有影响力的媒体等，他们可以在一定程度上遏制谣言、羞辱言论，传播的公信力要高于普通公众。公共行政部门一向都是通过对传统媒体的监控来表达自己的声音从而引导公众舆论的走向，但是这样的方法不再适用于新媒体网络。以往的处理是把某些信息过滤了再公之于众，于公众来说，这些信息是隔着一块“毛玻璃”的，会失去主动选择接受信息的权利。然而新媒体网络的一大特点就是公开和“草根化”，更加强调主动选择而不是被动接受。一味地采取陈旧的模式不创新，还是继用对负面信息封锁、删除，只会愈加引起公众的反感和不信任，当然舆论引导的结果往往事与愿违。“谣言止于公开”如若没有第一时间内在公众平台上将事实澄清，将受众的观点扭转，那么谣言与羞辱的原液持续发酵会一发不可收拾。互联网技术的发展速度迅猛，新媒体相应的监管部门和监察制度设立并未完善，受众观点及言论的审查并不能在短时间内有效地审核后进行反馈和传播，所以监管部门或是媒体对网络舆论的引导和监管也是心有余而力不足。如何做好“把关”工作，第一，加强对互联网平台运营的管理和提高互联网平台运营的准入门槛以提升互联网平台综合素质。第二，需要制定相应的法律法规来保证互联网正常良好的运行。第三，公共行政部门需要打破以往固化的观念，推成出新，找到一条引导舆论的新道路，既可以满足受众的需求，也达到正确引导舆论方向的目的。结语针对网络情绪化传播现象，运用传播学理论深刻揭示心理暴力在互联网传播的原因。刺激和助长网络心理暴力的因素极为复杂，不能简单概括而论。减少乃至杜绝新媒体下的情绪化传播不仅需要完善的法律制度，正确的舆论引导，更加需要的是受众自律，需要受众努力提高自身媒介素养，以此保证网络良好地运行和健康地发展。

与其他的人工智能技术相比，情感分析(Sentiment Analysis)显得有些特殊，因为其他的领域都是根据客观的数据来进行分析和预测，但情感分析则带有强烈的个人主观因素。情感分析的目标是从文本中分析出人们对于实体及其属性所表达的情感倾向以及观点，这项技术最早的研究始于2003年Nasukawa和Yi两位学者的关于商品评论的论文。

随着推特等社交媒体以及电商平台的发展而产生大量带有观点的内容，给情感分析提供了所需的数据基础。时至今日，情感识别已经在多个领域被广泛的应用。例如在商品零售领域，用户的评价对于零售商和生产商都是非常重要的反馈信息，通过对海量用户的评价进行情感分析，可以量化用户对产品及其竞品的褒贬程度，从而了解用户对于产品的诉求以及自己产品与竞品的对比优劣。在社会舆情领域，通过分析大众对于社会热点事件的点评可以有效的掌握舆论的走向。在企业舆情方面，利用情感分析可以快速了解社会对企业的评价，为企业的战略规划提供决策依据，提升企业在市场中的竞争力。在金融交易领域，分析交易者对于股票及其他金融衍生品的态度，为行情交易提供辅助依据。

目前，绝大多数的人工智能开放平台都具备情感分析的能力，如图所示是玻森中文语义开放平台的情感分析功能演示，可以看出除了通用领域的情感分析外，还有汽车、厨具、餐饮、新闻和微博几个特定领域的分析。

那么到底什么是情感分析呢？从自然语言处理技术的角度来看，情感分析的任务是从评论的文本中提取出评论的实体，以及评论者对该实体所表达的情感倾向，自然语言所有的核心技术问题，例如：词汇语义，指代消解，此役小气，信息抽取，语义分析等都会在情感分析中用到。因此，情感分析被认为是一个自然语言处理的子任务，我们可以将人们对于某个实体目标的情感统一用一个五元组的格式来表示：(e,a,s,h,t)

以图为例，e是指某餐厅，a为该餐厅的性价比属性，s是对该餐厅的性价比表示了褒义的评价，h为发表评论者本人，t是19年7月27日。所以这条评论的情感分析可以表示为五元组（某餐厅，性价比，正向褒义，评论者，19年7月27日）。

情感分析根据处理文本颗粒度的不同，大致可以分为三个级别的任务，分别是篇章级、句子级和属性级。我们分别来看一下。

1 篇章级情感分析

篇章级情感分析的目标是判断整篇文档表达的是褒义还是贬义的情感，例如一篇书评，或者对某一个热点时事新闻发表的评论，只要待分析的文本超过了一句话的范畴，即可视为是篇章级的情感分析。

对于篇章级的情感分析而言有一个前提假设，那就是全篇章所表达的观点仅针对一个单独的实体e，且只包含一个观点持有者h的观点。这种做法将整个文档视为一个整体，不对篇章中包含的具体实体和实体属性进行研究，使得篇章级的情感分析在实际应用中比较局限，无法对一段文本中的多个实体进行单独分析，对于文本中多个观点持有者的观点也无法辨别。

例如评价的文本是：“我觉得这款手机很棒。”评价者表达的是对手机整体的褒义评价，但如果是：“我觉得这款手机拍照功能很不错，但信号不是很好”这样的句子，在同一个评论中出现了褒义词又出现了贬义词，篇章级的分析是无法分辨出来的，只能将其作为一个整体进行分析。

不过好在有很多的场景是不需要区分观点评价的实体和观点持有者，例如在商品评论的情感分析中，可以默认评论的对象是被评论的商品，评论的观点持有者也是评论者本人。当然，这个也需要看被评论的商品具体是什么东西，如果是亲子旅游这样的旅游服务，那么评论中就很有可能包含一个以上的观点持有者。

在实际工作中，篇章级的情感分析无法满足我们对于评价更细致，如果需要对评论进行更精确，更细致的分析，我们需要拆分篇章中的每一句话，这就是句子级的情感分析研究的问题。

2 句子级情感分析

与篇章级的情感分析类似，句子级的情感分析任务是判断一个句子表达的是褒义还是贬义的情感，虽然颗粒度到了句子层级，但是句子级分析与篇章级存在同样的前提假设是，那就是一个句子只表达了一个观点和一种情感，并且只有一个观点持有人。如果一个句子中包含了两种以上的评价或多个观点持有人的观点，句子级的分析是无法分辨的。好在现实生活中，绝大多数的句子都只表达了一种情感。

既然句子级的情感分析在局限性上与篇章级是一样的，那么进行句子级的情感分析意义何在呢？关于这个问题，需要先解释一下语言学上主观句与客观句的分别。在我们日常用语当中，根据语句中是否带有说话人的主观情感可以将句子分为主观句和客观句，例如：“我喜欢这款新手机。”就是一个主观句，表达了说话人内心的情感或观点，而：“这个APP昨天更新了新功能。”则是一个客观句，陈述的是一个客观事实性信息，并不包含说话人内心的主观情感。通过分辨一个句子是否是主观句，可以帮助我们过滤掉一部分不含情感的句子，让数据处理更有效率。

但是在实操过程中，我们会发现这样的分类方法似乎并不是特别准确，因为一个主观句也可能没有表达任何的情感信息，知识表达了期望或者猜测，例如：“我觉得他现在已经在回家的路上了。”这句话是一个主观句，表达了说话人的猜测，但是并没有表达出任何的情感。而客观句也有可能包含情感信息，表明说话者并不希望这个事实发生，例如：“昨天刚买的新车就被人刮花了。”这句话是一个客观句，但结合常识我们会发现，这句话中其实是包含了说话人的负面情感。

所以，仅仅对句子进行主客观的分类还不足以达到对数据进行过滤的要求，我们需要的是对句子是否含有情感信息进行分类，如果一个句子直接表达或隐含了情感信息，则认为这个句子是含有情感观点的，对于不含情感观点的句子则可以进行过滤。目前对于句子是否含有情感信息的分类技术大多都是采用有监督的学习算法，这种方法需要大量的人工标注数据，基于句子特征来对句子进行分类。

总之，我们可以将句子级的情感分析分成两步，第一步是判断待分析的句子是否含有观点信息，第二步则是针对这些含有观点信息的句子进行情感分析，发现其中情感的倾向性，判断是褒义还是贬义。关于分析情感倾向性的方法与篇章级类似，依然是可以采用监督学习或根据情感词词典的方法来处理，我们会在后续的小节详细讲解。

句子级的情感分析相较于篇章级而言，颗粒度更加细分，但同样只能判断整体的情感，忽略了对于被评价实体的属性。同时它也无法判断比较型的情感观点，例如：“A产品的用户体验比B产品好多了。”对于这样一句话中表达了多个情感的句子，我们不能将其简单的归类为褒义或贬义的情感，而是需要更进一步的细化颗粒度，对评价实体的属性进行抽取，并将属性与相关实体之间进行关联，这就是属性级情感分析。

3 属性级情感分析

上文介绍的篇章级和句子级的情感分析，都无法确切的知道评价者喜欢和不喜欢的具体是什么东西，同时也无法区分对某一个被评价实体的A属性持褒义倾向，对B属性却持贬义倾向的情况。但在实际的语言表达中，一个句子中可能包含了多个不同情感倾向的观点，例如：“我喜欢这家餐厅的装修风格，但菜的味道却很一般。”类似于这样的句子，很难通过篇章级和句子级的情感分析了解到对象的属性层面。

为了在句子级分析的基础上更加细化，我们需要从文本中发现或抽取评价的对象主体信息，并根据文本的上下文判断评价者针对每一个属性所表达的是褒义还是贬义的情感，这种就称之为属性级的情感分析。属性级的情感分析关注的是被评价实体及其属性，包括评价者以及评价时间，目标是挖掘与发现评论在实体及其属性上的观点信息，使之能够生成有关目标实体及其属性完整的五元组观点摘要。具体到技术层面来看，属性级的情感分析可以分为以下6个步骤：

关于文本中的实体抽取和指代消解问题，我们已经在知识图谱的相关章节中做了介绍，这里就不再赘述。针对篇章级、句子级、属性级这三种类型的情感分析任务，人们做了大量的研究并提出了很多分类的方法，这些方法大致可以分为基于词典和基于机器学习两种，下面我们进行详细的讲解。

做情感分析离不开情感词，情感词是承载情感信息最基本的单元，除了基本的词之外，一些包含了情感含义的短语和成语我们也将其统称为情感词。基于情感词典的情感分析方法，主要是基于一个包含了已标注的情感词和短语的词典，在这个词典中包括了情感词的情感倾向以及情感强度，一般将褒义的情感标注为正数，贬义的情感标注为负数。

具体的步骤如图所示，首先将待分析的文本先进行分词，并对分词后的结果做去除停用词和无用词等文本数据的预处理。然后将分词的结果与情感词典中的词进行匹配，并根据词典标注的情感分对文本进行加法计算，最终的计算结果如果为正则是褒义情感，如果为负则是贬义情感，如果为0或情感倾向不明显的得分则为中性情感或无情感。

情感词典是整个分析流程的核心，情感词标注数据的好坏直接决定了情感分类的结果，在这方面可以直接采用已有的开源情感词典，例如BosonNLP基于微博、新闻、论坛等数据来源构建的情感词典，知网（Hownet）情感词典，台湾大学简体中文情感极性词典（NTSUSD），snownlp框架的词典等，同时还可以使用哈工大整理的同义词词林拓展词典作为辅助，通过这个词典可以找到情感词的同义词，拓展情感词典的范围。

当然，我们也可以根据业务的需要来自己训练情感词典，目前主流的情感词词典有三种构建方法：人工方法、基于字典的方法和基于语料库的方法。对于情感词的情感赋值，最简单的方法是将所有的褒义情感词赋值为+1，贬义的情感词赋值为-1，最后进行相加得出情感分析的结果。

但是这种赋值方式显然不符合实际的需求，在实际的语言表达中，存在着非常多的表达方式可以改变情感的强度，最典型的就是程度副词。程度副词分为两种，一种是可以加强情感词原本的情感，这种称之为情感加强词，例如“很好”相较于“好”的情感程度会更强烈，“非常好”又比“很好”更强。另外一种是情感减弱词，例如“没那么好”虽然也是褒义倾向，但情感强度相较于“好”会弱很多。如果出现了增强词，则需要在原来的赋值基础上增加情感得分，如果出现了减弱词则需要减少相应的情感得分。

另一种需要注意的情况是否定词，否定词的出现一般会改变情感词原本的情感倾向，变为相反的情感，例如“不好”就是在“好”前面加上了否定词“不”，使之变成了贬义词。早期的研究会将否定词搭配的情感词直接取相反数，即如果“好”的情感倾向是+1，那么“不好”的情感倾向就是-1。但是这种简单粗暴的规则无法对应上真实的表达情感，例如“太好”是一个比“好”褒义倾向更强的词，如果“好”的值为+1，那么“太好”可以赋值为+3，加上否定词的“不太好”变成-3则显然有点过于贬义了，将其赋值为-1或者-05可能更合适。

基于这种情况，我们可以对否定词也添加上程度的赋值而不是简单的取相反数，对于表达强烈否定的词例如“不那么”赋值为±4，当遇到与褒义词的组合时褒义词则取负数，与贬义词的组合则取正数，例如贬义词“难听”的赋值是-3，加上否定词变成“不那么难听”的情感得分就会是（-3+4=1）。

第三种需要注意的情况是条件词，如果一个条件词出现在句子中，则这个句子很可能不适合用来做情感分析，例如“如果我明天可以去旅行，那么我一定会非常开心。”，在这句话中有明显的褒义情感词，但是因为存在条件词“如果”，使得这个句子的并没有表达观点持有者的真实情感，而是一种假设。

除了条件句之外，还有一种语言表达也是需要在数据预处理阶段进行排除的，那就是疑问句。例如“这个餐厅真的有你说的那么好吗？”，虽然句子中出现了很强烈的褒义情感词“那么好”，但依然不能将它分类为褒义句。疑问句通常会有固定的结尾词，例如“……吗？”或者“……么？”，但是也有的疑问句会省略掉结尾词，直接使用标点符号“？”，例如“你今天是不是不开心？”，这个句子中含有否定词和褒义词组成的“不开心”，但不能将其分类为贬义情感。

最后一种需要注意的情况是转折词，典型词是“但是”，出现在转折词之前的情感倾向通常与转折词之后的情感倾向相反，例如：“我上次在这家酒店的住宿体验非常好，但是这次却让我很失望。”在这个转折句中，转折词之前的“非常好”是一个很强的褒义词，但真实的情感表达却是转折词之后的“很失望”，最终应该将其分类为贬义情感。当然，也存在出现了转折词，但语句本身的情感并没有发生改变的情况，例如“你这次考试比上次有了很大的进步，但是我觉得你可以做得更好”，这里的转折词没有转折含义，而是一种递进含义。在实际操作中，我们所以需要先判断转折句真实的情感表达到底是哪个，才能进行正确的分析计算。

构建情感词典是一件比较耗费人工的事情，除了上述需要注意的问题外，还存在精准度不高，新词和网络用语难以快速收录进词典等问题。同时基于词典的分析方法也存在很多的局限性，例如一个句子可能出现了情感词，但并没有表达情感。或者一个句子不含任何情感词，但却蕴含了说话人的情感。以及部分情感词的含义会随着上下文语境的变化而变化的问题，例如“精明”这个词可以作为褒义词夸奖他人，也可以作为贬义词批评他人。

尽管目前存在诸多问题，但基于字典的情感分析方法也有着不可取代的优势，那就是这种分析方法通用性较强，大多数情况下无需特别的领域数据标注就可以分析文本所表达的情感，对于通用领域的情感分析可以将其作为首选的方案。

我们在机器学习算法的章节介绍过很多分类算法，例如逻辑回归、朴素贝叶斯、KNN等，这些算法都可以用于情感识别。具体的做法与机器学习一样需要分为两个步骤，第一步是根据训练数据构建算法模型，第二步是将测试数据输入到算法模型中输出对应的结果，接下来做具体的讲解。

首先，我们需要准备一些训练用的文本数据，并人工给这些数据做好情感分类的标注，通常的做法下，如果是褒义和贬义的两分类，则褒义标注为1，贬义标注为0，如果是褒义、贬义和中性三分类，则褒义标注为1，中性标注为0，贬义标注为-1

在这一环节中如果用纯人工方法来进行标注，可能会因为个人主观因素对标注的结果造成一定影响，为了避免人的因素带来的影响，也为了提高标注的效率，有一些其他取巧的方法来对数据进行自动标注。比如在电商领域中，商品的评论除了文本数据之外通常还会带有一个5星的等级评分，我们可以根据用户的5星评分作为标注依据，如果是1-2星则标注为贬义，如果是3星标注为中性，4-5星标注为褒义。又比如在社区领域中，很多社区会对帖子有赞和踩的功能，这一数据也可以作为情感标注的参考依据。

第二步是将标注好情感倾向的文本进行分词，并进行数据的预处理，前文已经对分词有了很多的介绍，这里就不再过多的赘述。第三步是从分词的结果中标注出具备情感特征的词，这里特别说一下，如果是对情感进行分类，可以参考情感词典进行标注，也可以采用TF-IDF算法自动抽取出文档的特征词进行标注。如果分析的是某个特定领域的，还需要标注出特定领域的词，例如做商品评价的情感分析，需要标注出商品名称，品类名称，属性名称等。第四步根据分词统计词频构建词袋模型，形成特征词矩阵，如表所示。在这一步可以根据业务需要给每个特征词赋予权重，并通过词频乘以权重得到特征词分数。最后一步就是根据分类算法，将特征词矩阵作为输入数据，得到最终的分类模型。

当训练好分类模型之后，就可以对测试集进行分类了，具体的流程与建模流程类似，先对测试的文本数据进行分词并做数据预处理，然后根据特征词矩阵抽取测试文本的特征词构建词袋矩阵，并将词袋矩阵的词频数据作为输入数据代入之前训练好的模型进行分类，得到分类的结果。

采用基于机器学习的方法进行情感分析有以下几个不足之处，第一是每一个应用领域之间的语言描述差异导致了训练得到的分类模型不能应用与其他的领域，需要单独构建。第二是最终的分类效果取决于训练文本的选择以及正确的情感标注，而人对于情感的理解带有主观性，如果标注出现偏差就会对最终的结果产生影响。

除了基于词典和基于机器学习的方法，也有一些学者将两者结合起来使用，弥补两种方法的缺点，比单独采用一种方法的分类效果要更好，另外，也有学者尝试使用基于LSTM等深度学习的方法对情感进行分析，相信在未来，情感分析会应用在更多的产品中，帮助我们更好的理解用户需求，提升用户使用智能产品的体验。

随着深度神经网络等算法的应用，情感分析的研究方向已经有了非常大的进展，但依然存在着一些难题是目前尚未解决的，在实操过程中需特别注意以下几种类型数据：

情绪轮在用户体验设计上被广泛的应用，很多情感化设计都是基于情绪轮进行的。但是在人工智能领域，将情绪进行多分类比情感分析的三分类任务要难得多，目前大多数分类方法的结果准确性都不到50%。这是因为情绪本身包含了太多的类别，而且不同的类别之间又可能具有相似性，一个情绪词在不同的语境下有可能表达的是不同的情绪类别，算法很难对其进行分类。即使是人工对文本进行情绪类别标注也往往效果不佳，因为情绪是非常主观性的，不同的人对不同的文本可能产生不同的理解，这使得人工标注情绪类比的过程异常困难。如何让机器可以理解真实的情绪目前还是一个未能攻克的难题。

传播学框架理论简单一点来说，就是人们运用过去的经验和接触到的信息来理解社会的，也就是人们对现实的定义。

传播学的框架理论还不成熟，引用了很多学说。主要运用是：

新闻框架影响了受众如何想，影响受众如何处理和储存信息，将受众的注意力引到事实的某些方面，从而使其忽略其他方面。长期的狭隘的程式化的报道难免会产生刻板印象，框限了受众的主观认知世界的活动，忽略了框架外的世界。但受众也是根据自己的认知结构对事件进行主观解释，并建构社会现实的。因此，在社会现实的建构中，存在着新闻工作者的框架和受众个体的框架，两者之间不一定存在高度的相关性。

如果用这个理论来研究城管的媒介形象的话，那么可以选择近期城管新闻的各种报道二十篇，通过关键词的搜索与分析，来分析出媒介是如何构建城管这一形象，我记得是城管和小贩相互下跪的新闻还挺火的，给人的感觉是就是城管是人性执法了。

事实上，我的切身经历过城管执法的事情，因为我摆过地摊，城管过来了，只是说这里不允许摆摊，赶快收拾走人，根本不会没收东西和罚钱。这个媒介当中宣传的城管形象差距甚远，另外城管和小贩是有牵扯的，很多小贩都提前知道城管来查，会主动消失几天。至于媒介为什么选取这样的城管新闻报道就是吸人眼球，把个别事例扩大到社会，当然也会有这样的城管，但是城管为何打小贩，或者城管为甚会给小贩下跪，其实更大的原因在于政府的宣传意图。

说的有点远了，其实我们只需要分析出媒体报道中的城管形象来就可以了。

质化研究就是定性分析，城管的媒介形象应该是定量分析，从众多的新闻中，测量某个关键词的出现频率，其实是涉及到了语义分析。

质化研究=定性分析，

定性分析就是对研究对象进行“质”的方面的分析。具体地说是运用归纳和演绎、分析与综合以及抽象与概括等方法，对获得的各种材料进行思维加工，从而能去粗取精、去伪存真、由此及彼、由表及里，达到认识事物本质、揭示内在规律。

其实定性分析在我国的影响很多，从长远发展来看，还是定量分析为重点，因为用数据说话才能知道我们的发展到底是怎样的。当然也需要定性分析来进行辨证思考，两者相铺相成，各有千秋的。