摘要
在线社交网络产生了大量的文本数据，这些数据反映了用户的观点、情感表达以及更广泛的互动和社交行为模式。然而，自然语言处理方法通常会独立地分析情感、信任相关信号和行为指标，这限制了它们对在线互动多维性质的表现能力。本研究在一个共同的实验框架内，使用语言学、消息级统计信息和词典派生的情感信息，对基于词典的细粒度情感分类进行了系统的比较评估。实证分析结合了TF-IDF特征、词频信息以及来自TextBlob、SentiStrength和VADER的情感指标，同时利用多层次的组织结构将结果的情感倾向证据与在线社交行为分析联系起来。在该研究中，使用了15种经典机器学习算法和7种深度学习模型，对一个包含41,157条与COVID-19相关推文的真实世界Twitter数据集进行了评估，这些推文被标记为五个情感强度类别。实验评估考虑了四种特征配置和七个性能指标，并辅以Friedman检验和事后Wilcoxon符号秩检验。结果表明，TextBlob提供了适度的改进；SentiStrength带来了更广泛和一致的提升；而VADER取得了最佳的整体性能。AdaBoost与VADER结合使用时表现最佳，准确率为93.16%，宏观F1值为93.20%，平衡准确率为93.27%，匹配度为0.913；Dense Neural Network则是最强的深度学习模型。这些结果表明，词典派生的情感特征可以显著提升细粒度情感分类的准确性，尽管其效果很大程度上取决于用于利用这些特征的学习算法。本研究的实证贡献仅限于细粒度情感分类，而信任相关和依恋相关维度则作为更高层次的解释性构建被保留，而不是直接预测或通过实证验证的结果。
