王藝霖　趙文浦　吳春穎

摘? 要：近年來，國內(nèi)情感識別領域研究發(fā)展迅速，但仍缺乏對已有進展的整理統(tǒng)計。為找出該領域內(nèi)研究不足和未來發(fā)展趨勢，文章基于中國知網(wǎng)（CNKI）中的國內(nèi)情感識別相關文獻進行樣本檢索，通過文獻計量法對樣本進行多維度分析;利用可視化工具（CiteSpace）探究樣本關鍵詞及發(fā)展階段。結果表明其研究熱點主要圍繞語音情感識別、支持向量機、深度學習等;歷經(jīng)了起步探索、發(fā)展強化至深化研究三個階段;未來情感識別領域的研究趨勢將集中于語音情感識別等方向。

關鍵詞：情感識別;網(wǎng)絡輿情;文獻計量學;CiteSpace

中圖分類號：TP18;G353.1 文獻標識碼：A? 文章編號：2096-4706（2021）17-0001-06

Abstract： In recent years， the research in the field of emotion recognition in China has developed rapidly， but there is still a lack of sorting and statistics of the existing progress. In order to find out the lack of research and future development trend in this field， based on the domestic emotion recognition related literatures in China National Knowledge Internet （CNKI）， this paper carries out sample retrieval， multi-dimensional analysis of the samples through bibliometrics， and uses visualization tools （CiteSpace） to explore the sample keywords and development stages. The results show that it's research hotspots mainly focus on speech emotion recognition， support vector machine and deep learning; it has gone through three stages： initial exploration， development and strengthening to in-depth research; the research trend in the field of emotion recognition will focus on speech emotion recognition in the future.

Keywords： emotion recognition; internet public opinion; bibliometrics; CiteSpace

0? 引? 言

情感識別與交互是基于人工智能的方法和技術賦予機器或計算機以人類式的情感，使之具有識別、表達和理解情緒的能力，具有模仿、延伸和擴展人類情感的能力，從而建立和諧的人機環(huán)境，并使機器人智能化[1]。根據(jù)情感信息來源的不同，情感識別可分為語音情感識別、表情識別、身體姿勢和生理信號等情感信息的識別[2]。近年，情感識別逐漸成為人工智能研究的重要領域，廣泛應用在社會安全治理，網(wǎng)絡輿論分析，醫(yī)療，教育等眾多方面。

隨著科學技術手段的不斷發(fā)展，人們要求計算機、機器人能夠輔助或替代人類分析海量數(shù)據(jù)，適應越來越復雜且廣泛的工作。算法程序讓計算機具有情感識別，表達，理解能力，從而能在愈多的方面替代、補償和加強人的感知功能、思維功能和行為功能。Pang等最早將機器學習算法應用至文本情感分類任務中，利用不同的機器學習模型對影片評論進行情感分析[3]。1989年，LeCun通過反向傳播和神經(jīng)網(wǎng)絡識別手寫數(shù)字，是CNN的第一個實現(xiàn)網(wǎng)絡[4]。2012年，Alex等人通過訓練深度卷積網(wǎng)絡，將120萬張高分辨率的圖片分為1 000個類別，在ImageNet LSVRC-2012 contest上，獲得了驚人的準確度（top-5：15.3%）[5]。自2006年，深度學習在算法，應用等領域都獲得引人注目的成就，成為人工智能時代不可或缺的強大支柱。2016年《地平線報告（高等教育版）》提出，之后的四至五年里，情感計算或?qū)⒈淮罅窟\用于各個方面[6]。2020年，全球新冠爆發(fā)，徐永順對核心疫區(qū)不同人群在疫情的各個拐點期的情緒進行識別并進行深度全面的需要分析，為政府部門解決實際民生問題提供了決策支撐[7]。

文獻計量學是在科學計量學與數(shù)據(jù)可視化背景下逐步發(fā)展起來的一種可視化分析方法，其以知識圖譜的形式對固定領域研究現(xiàn)狀和發(fā)展態(tài)勢有很好的分析及預測作用[8]。如今，文獻計量法廣泛運用于生物生態(tài)環(huán)境研究、城市風險預測和人工智能等多個領域。本文利用中國知網(wǎng)數(shù)據(jù)庫（CNKI）作為文獻數(shù)據(jù)檢索來源，通過CiteSpace軟件，對既往情感識別文獻進行梳理整合，結合圖譜辨析該領域的研究熱點與演化路徑，探究該領域國內(nèi)未來可能的發(fā)展趨勢。

1? 文獻來源及研究方法

1.1? 數(shù)據(jù)來源

中國知網(wǎng)（CNKI）數(shù)據(jù)庫擁有穩(wěn)定廣泛的數(shù)據(jù)來源，專業(yè)的信息資料通道，并且保持實時更新期刊、報紙、行業(yè)動態(tài)，具有權威性、規(guī)范性、前沿性等特點。本文以CNKI數(shù)據(jù)庫為基礎，在“高級檢索”的檢索方式下，以“主題”為檢索項，“情感”+“識別”為檢索詞，全年份進行搜索，選擇中文文庫，經(jīng)過人工篩選，剔除關聯(lián)度較低的新聞報道、書評、導語序言及其他不符合本研究的文獻后，最終得到并導出情感分析領域有效文獻數(shù)據(jù)3 911篇。

1.2? 研究方法及工具

文獻計量學軟件CiteSpace是由陳超美教授于2004年開發(fā)的一款科學知識圖譜可視化軟件。其作為近年來熱門的文獻可視化工具，通過繪制、生成、解讀知識圖譜來展示信息群間的網(wǎng)絡、互動與衍生，實現(xiàn)對知識的梳理與整合。本文通過CNKI數(shù)據(jù)庫檢索得到文獻數(shù)據(jù)并進行格式轉換，以ReWorks數(shù)據(jù)格式導出;隨后，運用CiteSpace對情感識別領域相關研究作者及機構的合作網(wǎng)絡進行共現(xiàn)分析，從而展現(xiàn)該領域的基本現(xiàn)狀;最終，通過高頻關鍵詞探究自該領域被提出以來其研究熱點，通過時區(qū)熱詞探究情感識別學科演化路徑及發(fā)展動態(tài)。

2? 情感識別研究知識圖譜梳理

2.1? 發(fā)表年份和發(fā)表數(shù)量

本文基于CNKI數(shù)據(jù)庫中現(xiàn)有的國內(nèi)情感識別領域相關文獻，對其發(fā)表年份與對應數(shù)量進行統(tǒng)計，如圖1所示。

由圖1可知1992年到2005年情感識別領域發(fā)表文獻數(shù)量較少，表明該領域還處于起步發(fā)展階段。2006年學科領域發(fā)文量出現(xiàn)了一個小高峰，由于該年1月，蔣丹寧等人運用統(tǒng)計特征和時序特征的情感識別算法對語音進行分類，引起學界廣泛關注，將語音情感識別領域的研究推向高潮[9]。2019年至今，我國在該研究領域的文獻數(shù)量呈現(xiàn)爆發(fā)式增長態(tài)勢?！疤卣魈崛　薄吧窠?jīng)網(wǎng)絡”“遺傳算法”“機器學習”“深度學習”等新技術新算法的提出為情感識別體系構造開拓了研究范圍，從而情感識別與人工智能不斷融合，互相推進。從整體上看，學界對情感識別領域的研究從未停歇，直至今日仍然為共同關注的焦點。

2.2? 研究作者及合作網(wǎng)絡分析

通過對中文核心期刊發(fā)文作者的共現(xiàn)研究，可以明確該領域核心作者的合作情況[10]。對CNKI數(shù)據(jù)庫中全部國內(nèi)情感識別領域的研究作者進行統(tǒng)計分析，運用CiteSpace軟件，參數(shù)選?。⊿election Criteria）為Top50 per slice，時間跨度截取1996—2020年，時間切片為一年（Slice Length=1），得到情感識別領域主要研究作者及其合作網(wǎng)絡圖，如圖2所示。

圖2中每個節(jié)點代表一位作者，節(jié)點的大小與作者發(fā)文量及影響力呈正相關;節(jié)點不同顏色的線圈代表發(fā)文時間，隨著圖表上的時間軸色階圖而變化，每個節(jié)點內(nèi)側顏色代表該作者早期的發(fā)文時間，外側顏色代表目前最新的發(fā)文時間;各節(jié)點之間的連線代表作者間的合作關系，線條越粗則合作聯(lián)系程度越強。由圖2可得，趙力（55篇）、張雪英（33篇）、劉光遠（29篇）、孫穎（28篇）等為主要高產(chǎn)發(fā)文作者，在該學科領域中研究成果頗豐;孫穎、張雪英、張衛(wèi)近年來合作共著與學術交流較密切，皆來自太原理工大學，形成穩(wěn)固的合作關系群落。另有以趙力為核心的多位學者間存在密切聯(lián)系，且大多為跨機構、跨院校合作，影響力較大。同時存在部分學者獨立發(fā)文，如王志良、毛峽等。從整體上看情感識別學科領域內(nèi)呈整體分散、部分集中的特點。學者間跨機構合作研究力度不深，同一合作群落中的學者多為同一科研院所。

2.3? 代表性研究機構分析

分析文獻的研究機構可以反應出該機構在該領域里的影響及地位，同時也能展示出不同機構之間的合作關系[11]。本文對情感識別領域樣本數(shù)據(jù)的研究機構進行統(tǒng)計分析，并運用CiteSpace軟件生成研究機構合作共現(xiàn)圖，清晰展示出國內(nèi)情感識別領域主要研究力量分布與聯(lián)系。主要研究機構合作網(wǎng)絡共現(xiàn)如圖3所示。

圖3中每一個節(jié)點代表一個研究機構，其表示含義與圖2相近。如圖3所示，從研究機構發(fā)文量看，合肥工業(yè)大學計算機與信息學院（71篇）、上海交通大學計算機科學與工程系（37篇）、東南大學信息科學工程學院（33篇）等高?；蜓芯繖C構節(jié)點較大，發(fā)文量排名靠前，表明近年來這些高?；蜓芯繖C構在情感識別領域有較為深入的探索;從研究機構類別來看，大多科研成果集中在高校，高校是研究領域的核心力量與研究陣地。同時，高校中的研究集中于計算機與信息工程學院，這也與情感識別領域研究特色與專業(yè)方向有關;從發(fā)文機構間合作群落來看，東南大學與復旦大學，南京工程學院、江南大學與武漢商學院，江蘇第二師范學院分別形成機構間合作網(wǎng)絡，皆為跨機構合作。其中僅有桂林電子科技大學與桂林海威科技股份有限公司存在校企間合作研究群落，表明當前該領域的研究大多匯集于高校內(nèi)部，缺乏多校融合交流、校企合作共贏。總體來看，該領域研究，還主要聚焦在高校，缺乏產(chǎn)業(yè)支撐，需要在產(chǎn)業(yè)端發(fā)掘科研潛力。

2.4? 發(fā)文期刊分布

對發(fā)文刊物分布進行分析可反映出該領域文獻的主要分布脈絡以及期刊對文獻的認可度對CNKI上所有的國內(nèi)情感識別領域刊載量最多的期刊進行統(tǒng)計，得到情感識別領域刊載量前十期刊統(tǒng)計表1[12]。

由表1所示，刊載量在20篇以上的期刊有8個，占期刊文獻總量的20.07%。排名前三的期刊分別是《計算機工程與應用》《計算機科學》《計算機應用研究》，其發(fā)文量為53、44、37篇?！赌暇C械高等專科學校學報》是最早收錄情感識別文獻的期刊（2000年）其側重于分析語音信號的韻律特征，運用主分量分析、GMM、神經(jīng)網(wǎng)絡進行分類識別，是情感識別在語音情感識別的啟蒙文獻?！队嬎銠C工程與應用》在2017年和2019年均收錄了6篇情感識別領域的文獻，主要探討“深度學習”“腦電信號”與情感識別的有機融合。

2.5? 高被引文獻分析

對高被引文獻進行分析能有效了解該學科領域的基礎知識。對情感識別領域樣本數(shù)據(jù)中被引頻次排名前十的文獻進行統(tǒng)計，如表2所示。其中8篇文獻皆為語音信號與情感識別相關的研究。這些高被引文獻的研究方向主要分布在三個方向：一是通過統(tǒng)計分類識別在影視、買賣市場、微博下的網(wǎng)絡評論分析，方便人們在無須閱讀評論的條件下，即可作出決策，如郝媛媛以體驗型商品——電影為研究對象，深度考察正、負面情感對評論實用性影響的差異，并挖掘其他影響評論有效性的重要文本特征因素，建立高擬合度的評論有效性影響因素模型，有助于消費者更精確、及時地識評論有效性，提高決策效率和效果;二是歸納前人的研究成果，即對語音情感識別、情感分析的研究現(xiàn)狀和進展進行歸納總結，展望未來領域內(nèi)技術發(fā)展趨勢，如韓文靜綜合總結情感描述模型、具有代表性的情感語音庫、語音情感特征提取、識別算法和識別技術應用，對語音情感識別研究的主流方法及前沿進展進行總括、對照和分析[13];三是識別漢語中句主題和文章主題與情感描述項之間的聯(lián)系以及計算主題的語義傾向，如姚天昉操縱領域本體來抽取語句主題及它的屬性，在句法分析的基礎上，識別主題和情感描述項之間的關系，從而最終決定文句中每個主題的極性[14]。

3? 情感識別研究知識圖譜可視化

3.1? 關鍵詞突發(fā)性監(jiān)測圖

為更清晰展示出國內(nèi)公共危機事件研究領域發(fā)展進程，利用CiteSpace中burstness功能進行關鍵詞突發(fā)性監(jiān)測。突變詞指在短時間內(nèi)出現(xiàn)較多或使用頻次較高的詞，依據(jù)突現(xiàn)詞的詞頻變化可以判斷研究領域的前沿趨勢，同時可以展示該新興熱點在學科領域中受關注度與可挖掘性[15，16]。對情感識別領域突發(fā)詞頻排列前十的關鍵詞進行整理，得到情感識別領域突現(xiàn)主題及對應的凸顯率和被引歷史曲線，如圖4所示。

圖4? 情感識別領域關鍵詞突發(fā)性監(jiān)測圖（跨年度：1年）

由圖4可知，突顯強度最大的是“深度學習”（41.31），其次是“情感計算”（21.73），隨后是“情感識別”（20.74）。其中“腦電信號”“情感識別”一直都是該領域熱詞，“情感計算”自2003年起爆發(fā)性增長。同時“深度學習”“卷積神經(jīng)網(wǎng)絡”集中出現(xiàn)的年份在2018年。越來越多的學者將深度學習運用在情感識別、情感分析、情感計算領域。如劉鴻宇就評價對象抽取和傾向性判斷進行深入研究，結合基于網(wǎng)絡挖掘的PMI算法和名詞剪枝算法對候選評價對象進行篩選，并使用無指導的方法完成評價對象在情感句中的傾向性判斷，提高了信息處理精度[17]?？傮w來看，未來情感識別領域?qū)⑾蛏疃葘W習、卷積神經(jīng)網(wǎng)絡等方向進行下一步探索。

3.2? 關鍵詞共現(xiàn)網(wǎng)絡可視化分析

基于CiteSpace可視化軟件，以文獻的關鍵詞為節(jié)點，時間切片設置一年，閾值選擇“Top N per slice”，并設定為任意時間片段內(nèi)篩選排名前50的高頻節(jié)點數(shù)據(jù)。結合圖譜修剪及人工調(diào)整等處理手段，對情感識別領域核心文獻進行關鍵詞共現(xiàn)網(wǎng)絡分析，如圖5所示。圖中每個節(jié)點代表一個高頻關鍵詞，節(jié)點內(nèi)不同顏色的線圈代表其出現(xiàn)年份，外圈呈紫色說明該關鍵詞出現(xiàn)的年份較早且仍為當前研究熱點;節(jié)點間的連接則表示兩個關鍵詞在同一篇文章中共同出現(xiàn)，連接越粗則表示共現(xiàn)頻次越高[18]。

由圖5可知，情感識別、情感分析、情感計算、語音情感識別所在位置的節(jié)點較多，發(fā)文量最多，且其首次出現(xiàn)的年份較早（由表1可知），它們的出現(xiàn)伴隨著各種分類、聚類算法的加速發(fā)展衍生。在二十一世紀初，關于情感識別主題的研究集中于情感識別基本計算理論和情感識別系統(tǒng)模型的建造;2004年，吳丹等人建立了一個大型人臉表情視頻數(shù)據(jù)庫并制定了一套人臉表情視頻數(shù)據(jù)庫技術規(guī)范，得到情感識別領域?qū)W者的關注[19];隨后，自2005年起，人臉表情情感識別的研究進入高峰，相關論文數(shù)量飆升，人機交互領域與情感識別領域逐漸交叉融合，并在接下來的10年內(nèi)，相關主題得到發(fā)展、完善。圖中語音情感識別、支持向量機、腦電信號等主題對應的節(jié)點也相對較大，一直以來為情感識別領域的研究熱點。2019年情感識別領域的發(fā)文量是歷年最高的，其主要涉及的主題包括深度學習、主題模型、自然語言處理。目前，情感識別領域的覆蓋面逐年增廣，其主要涉及的主題包括機器人、科技教育、醫(yī)療、輿情預測、決策判斷等，情感識別領域從以往的體系建設逐步發(fā)展到關系民生，社會穩(wěn)定發(fā)展的重要輔助力量，這些事關民生福祉的主題工程很可能是該領域未來的研究趨勢。

3.3? 時間分區(qū)與演化路徑

為更清晰地梳理該領域研究主題的演化軌跡，運用CiteSpace可視化軟件中的Timeline View功能，以情感識別研究文獻的轉折時間節(jié)點和峰值時間節(jié)點為限，分3階段進行整理歸納，如圖6所示。

下文具體對各階段進行闡述：

（1）起步探索階段（1992年—2005年）。由圖1和圖6可知，這時期屬于情感識別研究領域的探索階段，研究成果數(shù)量相對較少，僅占總體的1.57%。研究主題主要集中于“情感識別”“卷積神經(jīng)網(wǎng)絡”“情感計算”“腦電信號”等方面。情感識別、人機交互、腦電信號、卷積神經(jīng)網(wǎng)絡這些詞匯首次出現(xiàn)的年份較早（2000年之前），其詞頻數(shù)總和占比為48.06%，反映出情感識別領域在基礎研究領域日趨完善。2004年起人臉表情視頻數(shù)據(jù)庫開始進入學者視野，受到情感識別體系學者廣泛關注。隨后，自2005年起，人臉表情情感識別的研究進入高峰階段。此階段人臉表情識別作為一個生物特征識別與情感計算領域中極富挑戰(zhàn)性的交叉課題，魯棒的自動人臉表情識別系統(tǒng)正在逐步建成[20]。同時，2005年，一家英國公司開發(fā)出一套軟件可以識別文章褒貶，但該軟件仍然不能判斷諷刺和花言巧語此時主題識別首次傳入中國，為之后主題模型的研究奠定了基礎[21]。

（2）發(fā)展強化階段（2006年—2018年）。由圖1和圖6可知，2006年—2018年時間段內(nèi)國內(nèi)情感識別研究領域不斷發(fā)展壯大，此階段內(nèi)的中文文獻發(fā)文量逐年遞增，占總體的74.03%。同時，研究主題也逐步開始橫向發(fā)展：語音情感識別、人工智能、意見挖掘、觀點挖掘、情感分析、特征選擇、特征提取、支持向量機等主題開始活躍起來。意見挖掘即對文本中隱含的情緒進行研判，主要采用基于機器學習、詞典的方法等;情感分析領域的研究主要集中在對主觀內(nèi)容的識別、褒貶情感分析以及在線評論的經(jīng)濟價值挖掘等幾大方面，大部分研究借鑒文本挖掘、信息檢索、機器學習、自然語言處理、統(tǒng)計學等方面的技術和方法[22]。人工智能方面主要采用深度學習、大數(shù)據(jù)等手段。研究人機交互過程中機器識別情緒態(tài)度的途徑，達到交流和互動的最佳效果[23]。自2010年后，文本意見挖掘，評論分析，語音情感識別的研究較為豐富。目前，世界上已有較多的語音特征提取方法，但研究者尚未針對特征提取方法對語音情感識別的有效性研究定論。整體上可將語音特征歸為3個類別：韻律特征、譜特征、其他特征[24]。語音情感識別的興起讓學者將這一技術運用到文化遺產(chǎn)保護上，例如2017年李虹等人為了研究世界記憶遺產(chǎn)——東巴經(jīng)典古籍的音頻分類[25]。以基于語音情感特征提取的方法鑒別分類東巴音頻，并實現(xiàn)對東巴經(jīng)典語音的情感狀態(tài)識別，并同時提高人機交互性能，提出采用Mel頻率倒譜系數(shù)（MFCC）實現(xiàn)對語音情感特征的提取。

（3）深化研究階段（2018年至今）。此階段內(nèi)情感識別領域的研究呈現(xiàn)平穩(wěn)上升的趨勢，約占總體的34.74%。由圖6中年份欄可知：近年來并未出現(xiàn)新的熱點研究主題，可能由于當前前沿理論研究仍處于萌芽階段，范圍較小，沒有形成大規(guī)模的研究。隨著“深度學習”和“大數(shù)據(jù)”的手段不斷推進，該時期學界的研究主題轉向社交媒體的輿論等，更加重視情感識別建設的社會穩(wěn)定價值;2020年新型冠狀病毒疫情蔓延全球，屆時國內(nèi)情感識別領域的熱點集中于公共安全領域以及分析重大事件對網(wǎng)民情緒的影響有重大貢獻。劉忠寶、秦權在情感詞典的基礎上，引用雙向長短期記憶網(wǎng)絡建立網(wǎng)民情緒模型，利用自注意力機制和Bi-LSTM模型對疫情事件與網(wǎng)民情緒進行關聯(lián)分析[26]。多種機器學習預測模型的在線生態(tài)識別（OER）法和詞典法等分析方法在此階段得到很好的運用[27，28];同時在突發(fā)公共衛(wèi)生事件、謠言傳播、輿情分析等方向不斷深化探討，優(yōu)化突發(fā)重大事件從被動處理到主動預防方向的轉變，通過關聯(lián)分析網(wǎng)民情緒與疫情發(fā)展，對構建科學性、先發(fā)性、戰(zhàn)略性的重大事件防控體系有導向作用。

4? 結? 論

本文運用CiteSpace軟件，對中國知網(wǎng)（CNKI）數(shù)據(jù)庫中1996—2020年情感識別領域的中文文獻生成的圖譜及相關數(shù)據(jù)進行了不同層次的分析和可視化研究，研究得出以下結論：

（1）1992年—2020年國內(nèi)情感識別領域研究呈現(xiàn)逐步增長的態(tài)勢。對核心研究作者及機構合作網(wǎng)絡分布研究可知，趙力為該領域發(fā)文量最多的作者，在語音情感識別、語音信號的建設方面有較為深入的研究。太原理工大學、西南大學、東南大學、合肥工業(yè)大學以及北京航空航天大學為情感識別研究領域較為活躍的研究院校，且東南大學與復旦大學之前存在合作關系;《計算機工程與應用》《計算機科學》與《計算機應用研究》等期刊在該領域的發(fā)文量最多，是學者認可度較高的期刊。

（2）通過對情感識別領域文獻的梳理與圖譜的分析，該領域未來可能呈現(xiàn)以下發(fā)展趨勢：高校與企業(yè)間的合作力度將不斷加深;通過情感識別對各個領域進行情感干預;識別精度不斷提高;多學科融合助力發(fā)展情感識別領域。

參考文獻：

[1] 張穎，羅森林.情感建模與情感識別 [J].計算機工程與應用，2003（33）：98-102.

[2] 劉振燾，徐建平，吳敏，等.語音情感特征提取及其降維方法綜述 [J].計算機學報，2018，41（12）：2833-2851.

[3] MAURITIUS A R. Data classification using machine learning techniques：US8239335 [P].2012-08-07.

[4] LECUN Y，BOSER B，DENKER J S，et al. Backpropagation Applied to Handwritten Zip Code Recognition [J].Neural Computation，1989，1（4）：541-551.

[5] WANG Y C，LI M T，PAN Z C，et al. Pulsar candidate classification with deep convolutional neural networks [J].Research in Astronomy and Astrophysics，2019，19（9）：119-128.

[6] 金慧，劉迪，高玲慧，等.新媒體聯(lián)盟《地平線報告》（2016高等教育版）解讀與啟示 [J].遠程教育雜志，2016，35（2）：3-10.

[7] 徐永順，周宇，劉淵，等.重大突發(fā)公共衛(wèi)生事件中的居民情感需求挖掘 [J].圖書館論壇，2021，41（9）：76-86.

[8] 趙蓉英，許麗敏.文獻計量學發(fā)展演進與研究前沿的知識圖譜探析 [J].中國圖書館學報，2010，36（5）：60-68.

[9] 蔣丹寧，蔡蓮紅.基于語音聲學特征的情感信息識別 [J].清華大學學報（自然科學版），2006（1）：86-89.

[10] 陽富強，林子燚，邱東陽.基于CiteSpace的國內(nèi)城市公共安全可視化研究分析 [J].福州大學學報（自然科學版），2021，49（1）：121-127.

[11] 韓文靜，李海峰，阮華斌，等.語音情感識別研究進展綜述 [J].軟件學報，2014，25（1）：37-50.

[12] 郝媛媛，葉強，李一軍.基于影評數(shù)據(jù)的在線評論有用性影響因素研究 [J].管理科學學報，2010，13（8）：78-88+96.

[13] 韓文靜，李海峰，阮華斌，等.語音情感識別研究進展綜述 [J].軟件學報，2014，25（1）：37-50.

[14] 姚天昉，婁德成.漢語語句主題語義傾向分析方法的研究 [J].中文信息學報，2007（5）：73-79.

[15] 浦墨，鄭彥寧，趙筱媛，等.基于詞共現(xiàn)關系強度和關鍵詞詞頻的敘詞選詞方法探究 [J].圖書情報工作，2013，57（15）：121-125+49.

[16] 王娟，陳世超，王林麗，等.基于CiteSpace的教育大數(shù)據(jù)研究熱點與趨勢分析 [J].現(xiàn)代教育技術，2016，26（2）：5-13.

[17] 劉鴻宇，趙妍妍，秦兵，等.評價對象抽取及其傾向性分析 [J].中文信息學報，2010，24（1）：84-88+122.

[18] 王義保，楊婷惠.城市安全研究知識圖譜的可視化分析 [J].城市發(fā)展研究，2019，26（3）：116-124.

[19] 吳丹，林學訚.人臉表情視頻數(shù)據(jù)庫的設計與實現(xiàn) [J].計算機工程與應用，2004（5）：177-180.

[20] 張家樹，陳輝，李德芳，等.人臉表情自動識別技術研究進展 [J].西南交通大學學報，2005（3）：285-292.

[21] 神奇軟件能識別文章褒貶 [J].中國新技術新產(chǎn)品精選，2005（3）：65.

[22] 張紫瓊，葉強，李一軍.互聯(lián)網(wǎng)商品評論情感分析研究綜述 [J].管理科學學報，2010，13（6）：84-96.

[23] 丁漢青，劉念.情緒識別研究的學術場域——基于CiteSpace的科學知識圖譜分析 [J].新聞大學，2017（2）：119-132+152.

[24] 郭鵬娟.語音情感特征提取方法和情感識別研究 [D].西安：西北工業(yè)大學，2007.

[25] 李虹，徐小力，吳國新，等.基于MFCC的語音情感特征提取研究 [J].電子測量與儀器學報，2017，31（3）：448-453.

[26] 劉忠寶，秦權，趙文娟.微博環(huán)境下新冠肺炎疫情事件對網(wǎng)民情緒的影響分析 [J].情報雜志，2021，40（2）：138-145.

[27] LI S J，WANG Y L，XUE J，et al. The Impact of COVID-19 Epidemic Declaration on Psychological Consequences：A Study on Active Weibo Users [J].International journal of environmental research and public health，2020，17（6）：1-9.

[28] LIU Z Y，GENG H J，CHEN H，et al. Exploring the Mechanisms of Influence on COVID-19 Preventive Behaviors in China's Social Media Users [J].INTERNATIONAL JOURNAL OF ENVIRONMENTAL RESEARCH AND PUBLIC HEALTH，2020，17（23）：14.

作者簡介：王藝霖（2001—），女，漢族，四川成都人，本科在讀，研究方向：數(shù)據(jù)警務技術;趙文浦（2001—），男，漢族，山西懷仁人，本科在讀，研究方向：數(shù)據(jù)警務技術;通訊作者：吳春穎（1977—），女，漢族，河北固安人，副教授，碩士，研究方向：大數(shù)據(jù)分析與大數(shù)據(jù)安全。