陈忆金　梁锦玲　古婷骅

摘   要：弹幕作为社交网站中的一种新型交互方式，让用户在观看视频内容的同时实现实时交互，因而受到了信息行为研究者的关注。为了探讨弹幕是否能够反映用户的情感体验及情感体验的改变，文章采用基于情感词典的文本分析方法，通过情感词的语义加权来获取弹幕情感值及情感类别，构建视频要素词典将带有情感倾向的弹幕归类，分析弹幕所反映的用户情感体验类型和趋势变化。研究发现通过该方法可以判斷用户情感体验的分类，从情感立场、情感体验、情感表达等情感体验特征;用户交互行为能触发不同的情感体验，采访、故事、后期制作这3个视频要素对用户情感体验的影响较大，采访、故事则是触发弹幕用户情感体验的主要因素。

关键词：弹幕交互;新闻视频;用户交互行为;视频要素;情感体验

中图分类号：G206   文献标识码：A   DOI：10.11968/tsyqb.1003-6938.2021058

Analysis of Emotional Experience Characteristics of News Video Danmu Users

Abstract As a new interactive mode in social networking site， Danmu enables users to interact with video content in real time， so it has attracted the attention of many learners and researchers. This paper is to explore whether Danmu can induced the changes of users emotional experience. Using the emotion analysis method based on the emotion dictionary， the emotional value and emotional category of Danmu are obtained by the semantic weighting of the emotional words， and then construct the video element dictionary to classify the Danmu data with emotional tendency， so as to analyze the user's emotional experience reflected by Danmu data. The results show that the user's affective experience reflected by the video Danmu is mainly positive， and its emotional characteristics are mainly embodied in five characteristics： the subjectivity of emotional position， the consistency of emotional experience， the pertinence of emotional expression and so on. The interaction between users and video can induced different user's emotional experience， and the three video elements such as interview， story and post-production， have great influence on the user's emotional experience， interview and story are the main factors that induced the emotion experience of Danmu users.

Key words danmu interactive; news video; user interactive behavior; video elements; emotional  experience

弹幕是指用户在网络上观看视频时发送的浮动在视频上的评论性字幕，起源于日本弹幕视频网站（Niconico动画）。我国首先引进弹幕的网站是AcFun弹幕视频网，之后哔哩哔哩视频网（Bilibili，以下简称“B站”）也将此功能引进。自2019年第一季度起，B站的月活跃用户数达到一亿，视频弹幕广受用户欢迎。支持弹幕功能的参与式网站拥有可观的用户群体，不同用户有不同的价值观，知识储备和见识深浅也因人而异，思考问题的方式和立场更是不尽相同，因此，他们的情感特征更具有普遍性与参考性。如何通过弹幕数据来挖掘民众对社会事件或现象的看法和评价，成为网络舆情研究中的新方向。

民生新闻主要体现的是民情、民意，是反映各阶层生活的社会万花筒，理应受到大众的关注和重视。但在泛娱乐化的趋势下，反映民情、民意的声音难免会被有所掩盖。对社会管理者或政府而言，分析弹幕发送者对社会现象的情绪或意见，有利于及时了解相关舆情，以改进社会管理的相关政策或措施。同时，对新闻工作者或媒体而言，通过发掘弹幕发送者对新闻视频的情感和态度，可以探察民众对社会民生内容的关注点，了解大众的新闻需求，报道出更加贴近群众的社会新闻。

1   相关研究综述

1.1    文本情感分析研究

人们在网上表达对某件事情或事物的看法时， 常常通过一些语句表明自己的立场、态度和情感[1]。文本情感分析是指对带有情感色彩的主观性文本进行采集、处理、分析、归纳、推理的过程[2]。目前，基于网络评论的情感分析方法主要可分为：基于情感词典的情感分析方法和基于机器学习的情感分析方法。

基于情感词典的情感分析方法是指利用情感词典，从评论文本中抽取情感词，通过情感词的权值计算得到情感值及情感类别。情感词典中包含情感类别及对应情感值，如二元情感中的正整数值代表正向情感，负整数值代表负向情感[3]。随着该方法的不断应用，还产生了其他对传统的情感词典进行扩展或重新构建的方法，主要可分为：基于领域情感词的情感词典[4-5]、基于基础情感词典扩建的情感词典[6]、基于基础情感词典重构的情感词典[7]。

基于机器学习的情感分析方法的原理是：先由人工提取文本特征，然后让计算机采用某种特定算法进行文本处理，输出情感类别[2]。目前，其具体方法主要有朴素贝叶斯、支持向量机（SVM）、决策树等[8]。依据基于机器学习的情感分析方法有无与其他分析方法的结合可分为：基于单一的机器学习[9-10]和基于结合的机器学习[11]。

1.2    弹幕文本情感分析研究

在弹幕交互相关研究中，前阶段以理论研究居多，如基于互动仪式链理论分析弹幕视频互动观看仪式，弹幕交互主要表现为用户与内容的交互和用户与用户的交互[12-13]。实证研究主要针对不同视频或平台来探索弹幕交互的效果[14-16]。在弹幕主题相关研究中，研究者主要通过弹幕文本的主题分析，发掘用户对某方面或某领域的关注点[17-18]。在弹幕动机相关研究中，研究表明多数用户的弹幕动机与社交需求、情感需求、信息需求等因素有着密切联系[19-20]。

从已有的弹幕情感相关研究成果来看，研究者主要通过弹幕情感分析，发掘弹幕数据中有价值的情感信息资源及其應用范围。弹幕文本的情感分析方法主要分为基于情感词典的情感分析方法和基于机器学习的情感分析方法：通过构建情感词典进行弹幕情感分析，可以发现弹幕情感信息的多种用途，如为视频内容制作提供建议[3]、提供有效的视频检索途径[21]、为媒体和旅游目的地的联合营销提供参考[22]等;通过基于机器学习的情感分析方法评估弹幕情感类别，可以发现弹幕情感信息具有作为视频片段推荐的依据[23]等用途。由于现有的弹幕情感研究以娱乐类和学习类视频弹幕为主，对新闻类视频弹幕的关注度相对不足，因此，本文拟参考现有研究成果，采用基于情感词典的情感分析方法，通过对社会民生类新闻视频进行弹幕情感分析，分析弹幕交互过程所反映的用户情感体验，从而挖掘弹幕的情感特征、弹幕情感的触发因素。

2   数据采集与分析

弹幕情感分析需要识别弹幕评论文本中的情感词或情感搭配，本文选用的是基于情感词典的句子级情感分析方法。具体步骤包括：（1）利用基于Python的网络爬虫技术，从案例视频中抓取弹幕文本，构成实验数据集。弹幕数据必须包含下列要素：弹幕所属视频集数、弹幕发送时间、弹幕评论文本;（2）利用Jieba分词库对弹幕文本进行分词处理，根据分词结果标注词性，并根据选定的情感维度和选词标准进行筛选、分类;同时，从名词中抽取观众所提及的或可识别的视频要素;（3）本文引用郑飏飏等[3]所构建的弹幕多维情感词典为基础进行弹幕情感分析，并把文本预处理时新发现的情感词或情感搭配扩充进该词典;（4）先提取弹幕中的情感词并标注，识别其中的情感搭配，基于情感词的语义加权计算弹幕情感值;（5）利用文本预处理时抽取的要素词构建视频要素词典，找出带有情感倾向的弹幕文本中的要素词，根据词典匹配其对应要素，将数据归类;（6）结果可视化，得出结论与建议。从情感类别、情感趋势等角度出发，运用饼状图、折线图等方法将分析结果可视化，最后得出结论、给出建议。

2.1    数据分析框架

与一般的文本数据相比，弹幕文本由视频观看者发布，与视频内容实时滚动，内容短小，具有匿名性、即时交互性、融合性等特征。弹幕文本的匿名性是指用户发送弹幕文本具有充分的自由空间，表达对视频内容的即时评价，用户以匿名的方式发送弹幕，这种匿名性也引发了弹幕发送的“羊群效应”和“多重涌现”现象[24]，形成较为聚集的情感效应，对用户表达情感极性和情感强度产生一定的影响。弹幕的即时交互性体现在用户根据视频内容演进，与视频内容在时间序列上的同步互动。在自然语言处理领域，普遍认为目前的技术能够很好处理产品服务领域的观点，但是对社会和政治类文本的分析效果不甚理想，这是由于针对社会和政治的观点复杂且充斥着情感表达、讽刺和反讽等语言现象。结合视频的时间及内容线索，在一定程度上克服了自然语言处理技术在社会类文本情感分析上的短板。弹幕文本的融合性是指其与视频要素的呼应及对内容的再加工和创造（见图1）。

基于弹幕文本的三个特征，从情感极性、情感强度、情感趋势三个指标进行实验数据集的情感体验分析。

2.2    数据来源和采集

《bilibili@黄金眼》是由浙江卫视和B站共同制作的民生新闻节目，来源于浙江卫视的《1818黄金眼》，截至2020年8月10日，节目总播放量达1427万，追剧人数达27.8万，弹幕总数达5.9万，满足作为实验数据集的条件。除了受众基础外，新闻视频配有趣味解读的旁白以及“表情包”，在每一则民生事件结束时，展示针对该事件的高赞评论，能够触发受众情感的变化。

本文选取该节目第1集至第10集共10个视频的弹幕为实验数据集，弹幕抓取时间为2020年2月5日18点30分，抓取在该时间点之前显示的所有实时弹幕，每集视频均有1000条弹幕，共抓取10000条弹幕（以第1集为例的弹幕发送时间和文本内容见表1）。

2.3    弹幕情感词典的扩展

由于本文引用的弹幕情感词典是由郑飏飏等[3]基于7分类标准所构建的，所以本文继续沿用该标准。这7个情感维度可分为正向与负向，分别为：（1）正向情感类：乐（快乐、安心），好（赞扬、喜爱、感动）;（2）负向情感类：怒（愤怒），愁（悲伤、失望、愧疚、郁闷、尴尬、无奈），惊（惊讶、惊奇），恶（厌恶、贬责、烦、讽刺），惧（慌、恐惧）[3]。

本文从动词（如：嘲笑）、叹词（如：呸、唉）、形容词（如：可爱、漂亮）、拟声词（如：哈哈）以及网络语言（如：666）中筛选出带有情感色彩的词语或短语，并按上述情感维度归类。对于被否定词修饰的情感词，杜振雷[25]在微博短文本的情感研究中表示，被否定词修饰的正向情感词，其情感倾向趋于负向;被否定词修饰的负向情感词，其情感倾向趋于无情感，或略趋于正向。所以本文在筛选过程中暂不收纳被否定词修饰的负向情感词或短语（扩展后的弹幕多维情感词典示例见表2）。

谢丽星等[26]基于情感词典分析微博情感时以情感词数量划分情感极性（见公式（1））。本文对弹幕中所含情感词个数进行统计后，第一步先采用公式（1）计算弹幕的多维情感值。

Sentiment1=max（Ni）                               （1）

Sentiment1表示7分类标准下弹幕的多维情感值;Ni表示某类情感词的个数;由于采用7种情感维度，i的数值范围为1到7，按升序分别对应：乐、好、怒、愁、惊、恶、惧（见表3）。

第二步是计算弹幕的正负二元情感值（见公式（2））。

Sentiment2=N正            （N正>N负）0               （N正=N负）（-1）×N负    （N正

Sentiment2表示弹幕的二元情感值，N正表示一条弹幕中包含的正向情感词总数，N负表示一条弹幕中包含的负向情感词总数。公式（2）具体分为3种条件形式：当N正大于N负时，弹幕的二元情感值等于正向情感词个数;当N正等于N负时，弹幕的二元情感值为0;当N正小于N负时，弹幕的二元情感值等于负向情感词个数与负数1相乘。经过公式（1）和（2）的计算后，以第1集为例的弹幕情感值示例（见表4）。

2.4    基于视频要素词典的弹幕归类

参照新闻短视频要素研究[27]，结合案例视频的实际情况，选取故事、采访、人物、细节、画面、后期这6个新闻视频要素，利用文本预处理所得名词构建视频要素词典（见表5）。

然后，根据视频要素词典抽取带有情感倾向的弹幕中的要素词，以此进行弹幕归类。得到归类后的弹幕及其对应情感类别的示例（见表6）。

3   研究结果与讨论

根据研究目的，本文对10000条实验数据集进行情感倾向的量化与分类，并基于视频要素词典将带有情感倾向的弹幕归类，具体的分析维度包括：将主客观情感句和正负向情感分类相结合挖掘情感体验特征，使用正负向情感词频率揭示情感唤醒度对交互行为的预测作用、情感体验特征以及情感唤醒度的分析结果，综合二元情感趋势解释触发情感体验或触发情感转化的因素。

3.1    主客观情感句分类分析

对句子级别的文本进行主客观分类又称主客观情感句识别，是对句子级别文本进行情感分类的基础。若一条弹幕中含有情感词或情感搭配，则该弹幕为主观弹幕，反之为客观弹幕[3]。主客观句在情感分析研究中用于判断用户表达的观点是明确的还是含蓄的[28]，通过弹幕的主客观识别，即可得到有情感倾向的弹幕数量及所占比例。

本文对数据集中主客观弹幕分析结果显示，主观弹幕占比32%，客观弹幕占比68%。客觀弹幕的数量占比远高于主观弹幕，可见本研究数据集大部分弹幕在情感表达的清晰度上是以隐喻的态度为主。

3.2    正负向情感分类分析

根据弹幕情感值计算结果，勾勒每集的弹幕情感值结构（见表7）。总体来看，每集视频中情感值大于0的弹幕数占比都远大于情感值为0和情感值小于0的弹幕数占比;同时，情感值为0的弹幕数占比在每集视频中都是最小的，具体数量最多不超过9条，第8集则没有情感值为0的弹幕。

此外，在统计了数据集基于多维情感类别的弹幕数量分布之后发现（见图2），多维情感类别弹幕数的最大值分布于正向情感类的“乐”，共2063条;最小值分布于负向情感类的“惧”，共26条。综合表7与图2可以看出，《bilibili@黄金眼》前10集的弹幕情感倾向以正向情感为主，其中的主导情感是“乐”。在心理学的相关研究中与本文的分析结果一致，Mauri[28]的研究发现，积极的情感体验是社交网站能够保持使用热度的重要因素;Wu[29]的研究结果也表明，感知愉悦和内在享受会触发用户持续交互行为。

3.3    情感词的使用频率与情感交互分析

“词云”是指对文本中出现频率较高的关键词予以视觉上的突出，在字体大小、颜色上区分标签的重要程度，形成“关键词云层”。基于正负向情感倾向弹幕数据生成了正向情感倾向词云以及负向情感倾向词云（见图3）。

由图3（a）可见，比较突出的高频正向情感词都来自于情感类别“乐”，而且正向情感词的使用情况较为单一，使用频率最高的是“哈哈”，并常被用户叠加使用来强化情感表达;图中还出现与“哈哈”含义相似的其他高频词，如“hhh”“红红火火恍恍惚惚”等网络用语，表示人正处于一种开心的状态，使用频率不及“哈哈”。结合高频词在各视频中出现的时间及该时间点上的视频内容来看，多出现在记者对当事人的提问，“表情包”配图，以及后期制作加入的旁白。

从图3（b）可见，比较突出的高频负向情感词有“卧槽”“心疼”“呵呵”“可怜”“恶心”等，使用情况较为多样，它们主要来自于情感类别“惊”“愁”“恶”等。这些负向情感词相对于常被叠加使用的正向情感词“哈哈”来说，言简意赅地达到了情感效果。

进一步结合弹幕情感值计算结果发现，词云中并未出现表达情感效价的程度副词，表明弹幕行为与浏览节目时的情感效价无关，但是与情感唤醒度有密切联系，即在浏览节目时，被触发的情感越多，情感唤醒度越高，用户做出弹幕行为的可能性越高。

3.4    弹幕二元情感趋势分析

二元情感趋势分析是对每集弹幕的二元情感均值进行计算，并绘制折线图将其可视化（见图4）。在图中10个视频弹幕的二元情感趋势折线图，横轴为时间轴，以30秒（即0.5分钟）为单位，纵轴为二元情感均值，折线上的每个取值点是每半分钟内所有主观弹幕的二元情感均值，虚线为趋势线。

由图可知，除了第3、4、8集以外，其他视频在折线上的点都位于纵轴的0值或0值上方，折线在0轴上方波动，弹幕情感倾向以正向为主;而第3、4、8集皆出现了低于0值的点，折线在0轴上下波动，情感倾向变化较大，正负向皆有。

3.5    视频要素分类分析

根据主观弹幕分类结果得出6个视频要素的弹幕情感体验触发数百分比分别为： 40%的弹幕情感体验由采访要素触发，35%的弹幕情感体验由故事要素触发，15%的弹幕情感体验由后期制作要素触发，5%的弹幕情感体验由人物要素触发，3%的弹幕情感体验由细节要素触发，2%的弹幕情感体验由画面要素触发。

根据6个视频要素激发的正向情感与负向情感弹幕归类，采访、故事这2个要素对正负向情感体验激发的比例都高于35%，后期制作要素对正向情感体验的激发占比超过15%，但对负向情感体验的激发比例仅为8%，说明它主要对正向情感体验产生影响;人物、细节、画面这3个要素对正负向情感体验的激发比例都不超过10%，说明它们对正负向情感倾向的影响都不明显，尤其是画面要素（见图5）。

由此可见，用户与用户、用户与视频之间的实时交互使得观众的情感倾向随着节目内容的变化而变化，而构成视频内容的6个视频要素既有可能触发用户的正向情感体验，也有可能触发用户的负向情感体验，所以每集视频的情感趋势折线都有多个明显波动，甚至在正负向情感倾向之间波动。

4   研究结论与建议

4.1    研究结论

基于以上分析结果，本研究主要发现可以概括为以下五点：

（1）弹幕用户交互在情感表达上较为含蓄，主观情感表达的倾向性较为明确。主客观分类分析结果显示弹幕用户直接表达主观情感的意见占比远低于客观情感句的数量，但主观情感表达的倾向于积极情感，而触发负面情绪的多为社会事件本身，说明用户表达情感的立场是主观的，他们的情感倾向主要受所接收信息的刺激，新闻事件本身的是与非也在一定程度上会影响用户情感，当新闻内容触及用户内心的灰色地带时，他们也会产生负向情感，如愤怒、心疼等。

（2）在句子级别的情感表达上，用户的情感体验呈现单一性和一致性。根据情感值的计算及分析结果，10个视频中属于“多元”情感类别的弹幕仅有88条，数量远小于正向情感类的弹幕总数和负向情感类的弹幕总数，说明多数弹幕的情感倾向为正负向情感类别中的某一具体情感或集中在某一具体情感，一条弹幕中同时存在两种或两种以上的情感类别的情况较少，用户的情感体验较为单一或一致。

（3）用户对于正负向情感表达呈现不同的特征，正向情感呈现主要表现为对情绪效价的表达，负向情感的表达则主要表现为描述的精准明确。对于正向情感倾向，尤其是情感类别“乐”，多数用户会通过情感词的叠加使用来强化情感表达，典型例子是情感词“哈哈”的叠加使用;对于负向情感倾向，用户通常运用“卧槽”“恶心”等负面情绪明显的情感词就能言简意赅地达到情感效果，说明用户会针对不同的情感倾向选择不同的文本表达。

（4）弹幕的交互性影响用户的情感体验及情感转化。根据情感高频词的词云，用户与视频之间、用户与用户之间存在交互行为。新闻视频内容主要由故事、采访、后期、细节、人物、画面这6个要素构成，二元情感趋势计算结果也表明视频要素对用户情感体验有着不同程度的影响，可见用户与视频的交互能触发不同的用户情感体验。采访、故事对用户的正负向情感体验都有着重要影响，尤其是采访;后期对用户的正负向情感体验都有一定影响，但对正向情感的影响相对更大;人物、细节、画面对用户情感体验的影响并不明显，而且对正负向情感的影响程度都有所差别。

（5）弹幕行为使得情感交互具有实时性。每集的弹幕情感趋势折线都有多个明显波动，甚至在正负向情感倾向之间波动，这是因为每集视频都会报道多则不同的民生新闻，导致弹幕情感倾向随着视频内容的变化而变化，说明基于弹幕的用户与视频之间的交互，对用户情感体验的影响是实时的、可感知的。

4.2    研究建议

基于研究结论，本文提出两点研究建议：

（1）彈幕用户反映出“情感立场的主观性”和“情感体验的一致性”的特征，而且弹幕用户的情感体验会受到多种视频要素的触发，视频的内容制作应从用户视角出发，打造出让用户感兴趣、让用户满意的视频内容，以激发用户更为积极的情感表达，并且将弹幕用户情感体验与互联网文化融合，扩大目标受众群体。

（2）弹幕用户反映出“情感表达的针对性”“情感倾向的交互性”和“情感交互的实时性”的特征，可见弹幕数据是反映弹幕用户情感体验的一类新的信息来源，研究人员可以使用情报学研究方法分析弹幕用户常用的情感表达方式，挖掘用户对视频的关注点，尽可能满足用户的多元信息需求。

参考文献：

[1]  陈忆金，曹树金，陈桂鸿.网络舆情意见挖掘：用户评论情感倾向分析研究[J].图书情报知识，2013（6）：90-96.

[2]  洪巍，李敏.文本情感分析方法研究综述[J].计算机工程与科学，2019，41（4）：750-757.

[3]  郑飏飏，徐健，肖卓.情感分析及可视化方法在网络视频弹幕数据分析中的应用[J].现代图书情报技术，2015（11）：82-90.

[4]  曹树金，张学莲，陈忆金.网络舆情意见挖掘中极性词典构建和极性识别方法研究[J].图书情报知识，2012（1）：60-65.

[5]  郁圣卫，卢奇，陈文亮.基于领域情感词典特征表示的细粒度意见挖掘[J].中文信息学报，2019，33（2）：112-121.

[6]  吴杰胜，陆奎.基于多部情感词典和规则集的中文微博情感分析研究[J].计算机应用与软件，2019，36（9）：93-99.

[7]  王仁武，宋家怡，陈川宝.基于Word2vec的情感分析在品牌认知中的应用研究[J].图书情报工作，2017，61（22）：6-12.

[8]  赵杨，李齐齐，陈雨涵，等.基于在线评论情感分析的海淘APP用户满意度研究[J].数据分析与知识发现，2018，2（11）：19-27.

[9]  杨艳霞.基于分类的微博情感分析算法研究及实现[J].计算机与数字工程，2017，45（2）：197-200，396.

[10]  趙刚，徐赞.基于机器学习的商品评论情感分析模型研究[J].信息安全研究，2017，3（2）：166-170.

[11]  龚安，费凡.基于多特征融合的评论文本情感分析[J].计算机技术与发展，2018，28（8）：91-95.

[12]  邓昕.互动仪式链视角下的弹幕视频解析——以Bilibili网为例[J].新闻界，2015（13）：14-19.

[13]  诸葛达维.互联网时代的弹幕电影分析——基于互动仪式链视角[J].新闻界，2015（3）：2-6，30.

[14]  张婧婧，杨业宏，安欣.弹幕视频中的学习交互分析[J].中国远程教育，2017（11）：22-30，79-80.

[15]  杨九民，吴长城，皮忠玲，等.促进学习还是干扰学习——弹幕对学习影响的元分析[J].电化教育研究，2019，40（6）：84-90，120.

[16]  Zhou J，Zhou J，Ding Y，et al.The magic of danmaku ：A social interaction perspective of gift sending on live streaming platforms[J].Electronic Commerce Research and Applications，2019，34：1-14.

[17]  Sun S，Wang F，He L.Movie summarization using bullet screen comments[J].Springer US，2018，77（7）：9093-9910.

[18]  Zhang L，Cassany D."Is it always so fast？"：Chinese perceptions of Spanish through danmu video comments[J].Spanish in Context，2019，16（2）：217-242.

[19]  刘晓萍.“存在”的诉求与“吐槽”的狂欢——弹幕电影的受众心理分析[J].当代电影，2018（1）：151-154.

[20]  仝冲，赵宇翔.基于内容分析法的弹幕视频网站用户使用动机和行为研究[J].图书馆论坛，2019，39（6）：80-89.

[21]  王敏，徐健.视频弹幕与字幕的情感分析与比较研究[J].图书情报知识，2019（5）：109-119.

[22]  Hao X，Xu S，Zhang X.Barrage participation and feedback in travel reality shows：The effects of media on destination image among Generation Y[J].Journal of Destination Marketing & Management，2019，12：27-36.

[23]  邓扬，张晨曦，李江峰.基于弹幕情感分析的视频片段推荐模型[J].计算机应用，2017，37（4）：1065-1070，1134.

[24]  He M，Ge Y，Chen E，et al.Exploring the Emerging Type of Comment for Online Videos：DanMu[J].ACM Transactions on the Web（TWEB），2017，12（1）：1-10.

[25]  杜振雷.面向微博短文本的情感分析研究[D].北京：北京信息科技大学，2013.

[26]  谢丽星，周明，孙茂松.基于层次结构的多策略中文微博情感分析和特征抽取[J].中文信息学报，2012，26（1）：73-83.

[27]  王雅贤.新闻短视频的基本要素和制作要点[J].新闻与写作，2020（1）：103-106.

[28]  刘楠.面向微博短文本的情感分析研究[D].武汉：武汉大学，2013.

[29]  Mauri Cipresso P，Balgera A，Villamira M，et al.Why is Facebook so successful？Psychophysiological measures describe a core flow state while using Facebook[J].Cyberpsychology，Behavior，and Social Networking，2011，14（12）：723-731.

[30]  Wu H.Utilitarian and hedonic values of social network services[C].AMCIS 2009 Proceedings，2009：289.

作者简介：陈忆金（1983-），女，华南师范大学经济管理学院副教授，博士，研究方向：网络信息组织、用户健康信息搜索行为;梁锦玲（1998-），女，华南师范大学经济管理学院本科生;古婷骅（1989-），女，广东省科技干部学院讲师，博士，研究方向：社交网络用户情感体验分析。