（1）基于共现耦合的信息聚合网络

根据9.1节对实体及其属性之间的EFOC值算法，对第6章所选语料中的100个网民评论进行聚合单元的抽取，并根据聚合模式计算部分聚合单元对之间的EFOC值，表8-3所示为机构-关键词的EFOC值矩阵，表8-4所示为矩阵中所用的机构名称和关键词代码的对应名称，根据表8-3构建的机构-关键词聚合网络实例如图8-5所示，图中直观地展现了机构与关键词之间的聚合关系，根据图中边的宽度和位置可以看出，机构1和机构5可以聚合成一个子群，机构3和机构6可以凝聚成一个子群，机构2与机构1、3、5、6之间没有紧密联系。而如果采用单纯统计共现词频的方式来分析，则只能分析出单独的机构与其对应的关键词之间的关系。

表8-3　机构-关键词的EFOC值矩阵

续表

图8-5　机构-关键词聚合网络实例

（2）基于关系的聚合网络

采用相同的语料，基于关系呈现聚合网络。表8-5是语料中出现的人物-人物关系分析以及人物-机构关系分析结果。图8-6是根据关系分析而得到的人物聚合网络，图中直观地呈现了根据网民评论得到的人物关系、人物机构关系图。结合本体的推理功能，还可以对表中的显性关系推理得到一些潜在关系，补充在网络图中（虚线所示连线为推理关系，例如实例中为孙顺利与边静之间的关系，除了语料显示的家人关系之外，推理得到的关系类型还有同事关系）。

表8-4　代码对照表

表8-5　实体关系分析实例表

以往的网络舆情分析结果已经普遍采用可视化的方式呈现，然而，由于缺乏观点聚合或关系推理，信息分析水平处于较浅的层次，所呈现的信息或信息之间的关系较为简单，如描述统计、频率统计，聚合结果也局限于识别出聚合单元之后的分类、情感极性值等，缺乏对观点内容本身、资源与用户之间的关系等的可视化模式，从以上实例可以看出，本书提出的观点聚合算法能有效呈现观点内容本身，实体间关系能在一定程度上实现关系推理，增加了网络舆情分析的深度。(www.daowen.com)

图8-6　人物-机构聚合网络实例

【注释】

[1]Turney P D，Pantel P.From frequency to meaning：Vector space models of semantics[J].Journal of Artificial Intelligence Research，2010，37（1）：141-188.

[2]Turney P D，Pantel P.From frequency to meaning：Vector space models of semantics[J].Journal of Artificial Intelligence Research，2010，37（1）：141-188.

[3]Takamura H，Inui T，Okumura M.Extracting semantic orientation of words using spin model[J].Ipsj Sig Notes，2010，2005（22）：79-86.

[4]Xu T，Peng Q，Cheng Y.Identifying the semantic orientation of terms using S-HAL for sentiment analysis[J].Knowledge-Based Systems，2012，35（15）：279-289.

[5]Ding X，Liu B，Yu P S.A holistic lexicon-based approach to opinion mining[C].International Conference on Web Search and Web Data Mining，WSDM 2008，Palo Alto，California，Usa，February，2008：231-240.

[6]Saif H，He Y，Fernandez M，et al.Semantic Patterns for Sentiment Analysis of Twitter[M].The Semantic Web-ISWC，2014.

[7]Cambria E，Havasi C，Hussain A.Senticnet 2：A semantic and affective resource for opinion mining and sentiment analysis[C].FLAIRS Conference，2012：202-207.

[8]Garcia-Moya L，Anaya-Sanchez H，Berlanga Lavori R.Retrieving Product Features and Opinions from Customer Reviews[J].Intelligent Systems IEEE，2013，28（3）：19-27.

[9]Thelwall M，Buckley K，Paltoglou G，et al.Sentiment strength detection in short informal text[J].Journal of the American Society for Information Science＆Technology，2011，62（2）：200-208.

[10]Saif H，He Y，Fernandez M，et al.Contextual semantics for sentiment analysis of Twitter[J].Information Processing＆Management，2015，52（1）：5-19.