自动分析推特情感与主题，助力地缘政治动态监测。
Automated Sentiment Classification and Topic Discovery in Large-Scale Social Media Streams
- 用关键词采集数据，多模型标注情感提升准确性。
- 按情感和元数据分组，用LDA发现隐藏话题主题。
- 交互式可视化支持跨时间和区域的趋势探索。
我们提出一个针对推特话语的大规模情感与主题分析框架。流程始于使用与冲突相关的关键词进行定向数据采集，随后通过多个预训练模型实现自动化情感标注，以增强注释鲁棒性。我们考察情感与时间戳、地理位置及词汇内容等上下文特征之间的关系。为识别潜在主题，我们在按情感和元数据属性分组的子集上应用隐含狄利克雷分配（LDA）。最后，我们开发了一个交互式可视化界面，支持对情感趋势与话题分布随时间和区域变化的探索。本工作为动态地缘政治情境下的社交媒体分析提供了可扩展的方法论。
原文摘要 · Abstract (English)
We present a framework for large-scale sentiment and topic analysis of Twitter discourse. Our pipeline begins with targeted data collection using conflict-specific keywords, followed by automated sentiment labeling via multiple pre-trained models to improve annotation robustness. We examine the relationship between sentiment and contextual features such as timestamp, geolocation, and lexical content. To identify latent themes, we apply Latent Dirichlet Allocation (LDA) on partitioned subsets grouped by sentiment and metadata attributes. Finally, we develop an interactive visualization interface to support exploration of sentiment trends and topic distributions across time and regions. This work contributes a scalable methodology for social media analysis in dynamic geopolitical contexts.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。