基于微博大数据语义分析的情绪地图构建研究——以深圳市为例

导读

存量发展背景下，针对人的体验和情绪等难以量化的感受与建成环境之间的关系愈发受到关注，相关研究亟待进一步开展。而随着技术的发展，社交媒体大数据中所包含的情绪信息为研究城市情绪和建成环境之间的关系提供了可能性。本文以深圳市为例，在对新浪微博签到文本数据进行获取与处理的基础上，基于情绪词典和人工判别将情绪进行分类，运用语义分析技术对情绪要素进行计算，提炼情绪要素信息和情绪生态学信息，利用GIS平台实现数据的空间可视化，进而分析市民情绪的时空分布特征和城市的情绪脆弱性，据此构建了城市情绪地图体系，并叠合城市空间结构、交通网络、土地利用等建成环境信息，对深圳市各类用地与情绪环境的相互关系进行解读，进一步分析情绪环境特征，以期更加全面系统地探索城市情绪与城市环境间的互动关系。

本文字数：6628字

阅读时间：20分钟

作者 | 戴冬晖，王耀武，王悦人，刘燊楠

哈尔滨工业大学（深圳）

关键词

情绪地图；建成环境；语义分析

01

引 言

当前，我国正处于发展转型的关键时期，城市化的内涵已经从追求“量”转向追求“质”，关于公众的福祉和幸福这类难以量化的议题日益受到关注，如何开展相应的分析与研究则有待探索。在这样的背景下，包含了公众情绪的大数据成为建立城市空间和人们感受的有效途径，其情绪信息能在一定程度上反映人们对城市环境的感知和反馈，并折射人们对社会关系的处理态度。随着移动设备构成的社会网络不断拓展，利用多源数据类型，针对土地利用信息、城市空间结构、市民时空行为规律等方面的相关研究得以开展，其中，关于城市情绪和城市情绪地图的研究也日益受到关注。

城市情绪是在个人情绪基础上产生，经社会泛化后，所具有的一种共同心理指向和特征的情绪[1]。关于城市情绪地图，国内外则尚未有统一的概念，现有的研究主要是通过展现不同时段中市民的“平均情绪”在空间的分异状态来反映城市中人们的认知与喜好的空间分布，把城市情绪和相关城市空间要素进行综合并使之可视化，其分析结果可作为规划决策的信息支持，具有一定的研究价值与意义。

02

相关研究综述

2.1基于“小数据”的情绪分析存在一定不足

在建成环境与情绪感知的相关研究中，基于“小数据”的研究方法得到了一定程度的应用。刘义、Anderson K、Li等学者分别采用了访谈法、表情识别法和生理水平测定法来分析情绪的愉快度或类型的变化，进而衡量空间对人的情绪的影响，并取得了一定的研究成果 [2~4]。访谈法相对有效，成本低廉，但是存在被实验者的实际感受情绪和表达情绪可能不一致的现象，对访谈人员的专业素养要求高；表情识别法可能难以洞察被实验者的内隐信息且成本相对较高；生理水平测定法能获的大量动态实时监测数据，但较难判别情绪的准确类型。此外，这类小数据研究的样本往往是相对静态的并且数量有限。

2.2基于“大数据” 情绪分析尚待深入开展

相比较“小数据”而言，基于“大数据”分析的过程成本更低、结果见效更快，同时可以通过对各类数据的交叉分析深度挖掘某些潜在的影响因素，如Hogertz（2010）通过挖掘社交网站的签到文本数据,分析居民在不同场所的情绪和感知[5]；赵渺希等（2015）利用谷歌图片对广东省21个城市的意象进行分析，将凯文林奇的城市意象理论拓展至不同类型的视觉意向[6]；Aiello等人（2016）在Chatty Maps项目中利用推特数据绘制了伦敦的声音地图[7]。这类研究通过收集人们视觉、听觉等不同感官对环境感知的大数据，进而对其与建成环境之间的关系进行分析，在一定程度上弥补了仅仅使用客观物理数据分析带来的不足，拓展了建成环境的分析维度。从研究现状看，基于大数据的情绪分析研究刚刚起步，特别是利用大数据将人们的情绪感知与建成环境相结合的相关研究亟待拓展。

2.3情绪语义分析方法成为研究的新手段

情绪语义分析是一段文本中对某个客体的意见、情绪、情感以及态度进行计算的分析方法。近年来这一量化方法被尝试用于城市认知的相关研究中，包括视觉、听觉、嗅觉等，情绪相关的研究内容涉及城市的情绪认知、情绪与空间环境的关系以及情绪分析的应用实践等多个方面。其中，高慧君、易峥等学者利用社交数据情绪语义分析来认知与评价城市[8，9]；Bertrand、Koenig等学者以及甄峰、陈崇贤等学者在认知的基础上，进一步研究情绪和空间环境的关系及影响机制[10~13]。在应用与实践方面，Iacus、Gallegos 、Fosterkarim、Jan Perhac等尝试利用社交媒体数据，通过情绪分析对幸福度进行量化，并展开其与人种、人口、城市发展水平间关系的探讨[14~17]。澳大利亚布里斯班的规划人员借助推特建立了鼓励公众参与的大型平台，并通过语义分析方法了解居民的观点。Candelieri则使用连续四年的推特数据对城市的交通情绪进行分析，提出了交通的实时监控与改善措施[18]。定量的情绪分析技术为洞察城市级别的情绪特征提供了新的手段，这一手段如何在相关研究中应用仍有待进一步探索。

综上，虽然关于居民情绪感知与建成环境的相关研究已经得以开展，也有学者借助情绪地图来认知城市[9]，并通过情绪的分布判别建成环境对情绪的积极和消极影响，进而评价土地功能的适宜性[12]，但是现有研究大多只针对情绪愉快度这一方面，关于情绪其他维度和特征的研究较少。就城市情绪地图而言，尚未形成统一的概念和完整的构建框架。对此，区别于利用“小数据”方法的情绪环境研究，本研究尝试运用语义分析的手段对大数据中所包含的城市情绪数据进行量化分析并构建情绪地图，以期更加全面地从情绪的角度重新认识和分析建成环境。

03

研究范围与数据处理

3.1研究范围与数据获取

本文研究范围为深圳市市区，包含9个行政区域：罗湖区、龙岗区、龙华区、福田区、宝安区、南山区、盐田区坪山区、光明区，以及1个功能区域：大鹏新区。研究区域总面积约为1997平方公里。根据《2018年微博用户发展报告》，截至2018年12月，微博月活跃用户增至4.62亿，日活跃用户增至2亿，是国内最主流的社交媒体之一，其中30岁以下青年群体占比达到全部微博用户的75%以上，深圳2018年末常驻人口为1302.66万人，平均年龄为32.02周岁，从平均年龄来看深圳人群和微博用户人群有较高的重合度[19]。

通过高德地图建立覆盖深圳市10个研究区的数据采集点坐标库，参考过往研究确定边长为1km的公里网络即可保证在较为合理的计算量上获取全市微博。本研究以2 km为空间搜索半径，利用网络爬虫技术对移动端的用户ID、用户名、发布时间、签到经纬度、POI地址以及微博文本进行爬取，时间为2017年12月1日——31日，获得初始实验数据共计138260条微博。

3.2数据处理

去除深圳市以外的，以及不包含用户主观情绪的广告、空白文本、只包括视频和图片的微博，最终获得清洗后的实验数据114318条。实验数据通过语义分析计算，可进一步获得文本的情绪强度、情绪愉快度和情绪类型。

3.3情绪地图的可视化

使用GIS软件划分尺度为1 km×1 km的网格，对网格内的情绪强度和情绪愉快度求取平均值，对于情绪类型，则筛选出网格中情绪唤醒强度最强、占比最大的情绪类型标注为该网格的主导情绪。此后以栅格图的形式展现不同空间粒度的情绪值，直观展现城市情绪的空间分布特征。

04

情绪地图的构建方法

4.1构建思路

作为心象地图的拓展，情绪地图具备心象地图的性质，包含情绪的类型、强度、愉快度的时空分布、依存关系，以及情绪的变化和规律等。考虑到计算机情绪分析仅对高强度情绪的文本有较准确的判别，在分析了情绪的强度和愉快度的前提下，可结合环境心理学中的应激、唤醒理论，参考中文情感词汇本体中的情感分类把情绪分为六个情感大类：好（Good）、乐（Happy）、静（Calm）、惧（Fear）、恶（Dislike）、哀（Sad）。通过微博大数据爬取和文本语义分析收集并判别的情绪强度、愉快度与六大类型，构成了基本的城市情绪要素信息。

此外，城市情绪是社会生态的组分，城市情绪环境具备环境生态学中阐述的生态环境一般规律，同生态环境一样具有脆弱性。本研究认为，城市的情绪脆弱性是指城市情绪对外界环境干扰的抵抗力弱，在被干扰后恢复能力差，容易由一种状态转变为另一种状态，特别是由积极类情绪转变为消极类情绪，而且一经改变，需要很长的时间再恢复到原来的状态，或继续恶化。为了衡量情绪对外部刺激的抵抗能力和自身的恢复能力，判断其与城市情绪系统自身对消极情绪的敏感性、情绪恢复弹性和面临的外部压力有关，因此本研究从这三个方面来综合计算深圳市情绪脆弱性。

综上，城市情绪地图体系包含情绪要素信息分布图（强度、愉快度、类型）与情绪生态学信息分布图（消极情绪敏感性、情绪恢复弹性、外部压力、情绪脆弱性）。该体系能够评估城市的情绪稳定性和积极性，从构建安全城市情绪环境的角度为选择、修改或者深化城市规划设计方案提供参考，为公众参与决策及协调项目提供具有较高说服力的科学依据，为城市情绪的预测和引导管理提供数据支持。

4.2技术路线

（1）数据获取：编写Python爬虫程序获取微博文本数据信息，并将签到位置服务标签转化为地理坐标；其它数据还包括高德地图POI数据和城市GIS地图。

（2）数据处理：对微博数据进行清洗，去除重复内容、广告、官微微博等冗余数据。数据清洗后，利用Python平台的SnowNLP包，采用分层法对情绪类别进行逐层分类。针对中文微博文本篇幅短、文本特征稀疏的特点，通过人工训练一定数量的分类样本库来替换分析包中的情绪分类语库，并使用监督学习法中的朴素贝叶斯算法对情绪进行分类，计算文本的情绪强度、情绪愉快度和情绪类型。

（3）数据可视化：通过坐标关联，将高德地图POI数据和携带情绪分类的签到点导入GIS空间分析软件，通过核密度、网格统计法等分析方法对城市情绪类聚的空间分布变化进行计算和分析，实现情绪要素特征分布的可视化。在情绪要素信息图的基础上，定义空间粒度单位聚集区域，分别从消极情绪敏感性、情绪恢复弹力、外部压力三个角度对情绪特征进行平面空间的计算分析，并最终叠加计算出城市情绪环境脆弱性分布图。

图1 情绪地图的构建方法示意

05

深圳市情绪地图构建

5.1情绪要素信息处理

通过可视化最终得到深圳市总体情绪要素分布特征如图2，从情绪强度和愉悦度来看，数值上越靠近“1”的部分强度和愉快度越强，越靠近“0”的部分越弱。总体上看，大部分地区都表现出了中高等的强度，呈现北高南低的趋势，愉快度则南高北低。从情绪类型来看，深圳市的整体情绪类型基调是“乐”（happy），但在北部地区出现了较多的恶（dislike）、哀（sad）、惧（fear）的消极情绪类型。

a）情绪强度

b）情绪愉快度

c）情绪类型

图2 深圳市总体情绪要素信息图

（注：空置的格栅为无微博数据的山地和水体）

5.2情绪生态学信息处理

5.2.1 消极情绪敏感性

消极情绪敏感性是指情绪环境对各种干扰的敏感程度，反映其抵抗刺激物的干扰能力，敏感性越低，情绪环境抗性越强，安全性越高。通过对人群平均情绪特征进行统计分析，计算不同栅格的消极情绪的发生强度，得出最终计算结果分布如图3，原二线关内的敏感性明显低于原二线关外。

图3 消极情绪敏感性分布图

5.2.2 情绪恢复弹性分析

在连续的观测下，深圳市的情绪指标总是在一定的范围内波动，表明城市情绪具有一定的弹性限度，并具有自我恢复的能力。将分析时段分为工作日，周末和节日来对应不同的主导的外部刺激，通过累加不同时段情绪指标差值的绝对值可统计出每个栅格的情绪恢复弹性，变化越小，弹性越大。如图所示，深圳市情绪弹性值普遍较低，恢复能力较强，在各区分布较为均匀。

图4 情绪恢复弹性分布图

5.2.3 外部环境压力

根据唤醒理论，外部压力越大，唤醒的强度也越大，由情绪分类结果可以反推外部的压力，分类和强度对应关系如表1。通过外部环境压力的分布图（图5）可见，深圳市原二线关内的压力水平整体较低，关外则表现出了中等的压力水平，局部地区出现了高等的压力斑块。

表1 情绪唤醒情况与情绪类型对应关系

图5 外部压力分布图

5.2.4 情绪脆弱性

通过综合指数法叠加分目标可得深圳市的情绪脆弱性分布，如图6所示，深圳市总体的情绪脆弱性较低，通过对比分析发现情绪脆弱性同消极情绪敏感及外部压力基本一致，从空间分布来看高度和中度脆弱区主要分布在原二线关外。情绪脆弱性的分布可分为三种类型，在南山区，福田区和罗湖区，脆弱性斑块呈边缘型分布，宝安区南部，龙华区，龙岗区和盐田区呈现散布状，而宝安区北部，光明区中部，坪山新区西部则呈现集中分布，主要分布在大面积的工业区和城中村中。

图6 情绪脆弱性分布图

5.3结果应用与分析

通过情绪地图的构建可见，深圳市总体呈现了中等偏高的积极情绪，整体城市散发出较高的“正能量”。情绪环境的结合建成环境分析评价结果则反映出了城市在发展的过程中，空间结构和空间发展的情绪特征，原二线关内的组团和发展带表现出更加安全的情绪环境特征，这与深圳市原二线关内基础设施相对完善，环境相对优越的城市建设情况基本相符，也表明了城市情绪与城市空间的建设情况具有相关性。

将情绪地图与城市空间结构、交通网络、土地利用等建成环境信息进行叠合，对不同类型用地上的情绪信息进行统计分析可进一步研究各类用地对情绪的影响（图 7）。根据市民的生活、工作和休闲活动特征，提取居住、工业、商业和公园绿地进一步对其情绪特征进行分析，总体而言，非生活性用地的情绪条件均表现为较不理想的情绪状态。从居住用地来看，大面积的一、二、三类居住用地是维持城市情绪稳定安全的源头，对居住用地的情绪分析，大致能够反映居住区的建成空间整体品质。从工业用地来看，传统的工业用地情绪特征普遍表现较差，脆弱性较高，而新型产业用地则整体表现为较高唤醒强度的积极情绪。值得注意的是工业用地和城中村一同成为了深圳市的不良情绪来源地。从商业用地和公园绿地来看，这两类用地反映出了休闲游憩活动对城市情绪具有一定的恢复作用，商业用地的积极情绪效益受规模影响，公园绿地虽然各类情绪类型分布较为均匀，但强度均不高表明绿地对城市情绪有良好恢复作用。

图7 深圳市不同用地类型对应的情绪特征折线图

06

结 语

作为分析城市空间和人们感受之间关系的新手段，采用网络社交媒体数据对城市的情绪进行感知和分析的相关探索尚待深入开展。基于现有研究，本文以深圳为例，尝试对情绪进行量化分析，力图解决传统的城市规划研究中，难以对市民情绪态度进行收集和量化的问题。研究结果表明，情绪地图的构建结果能够在一定程度上反映市民的态度类型和强烈程度，结合建成环境的分析则可反映出深圳市在发展的过程中，空间结构和空间属性所具备的情绪特征。

研究也发现，采用网络社交媒体数据仍存在一些不足，例如采样对象目前无法全面覆盖所有市民；无法更加有效地提炼出与城市空间直接相关的文本数据；计算机自然语言处理技术本身的限制导致情绪分析的结果存在一定误差；以及忽略考虑环境对情绪的影响等等。后续的研究可将情绪地图体系与建成环境要素相结合，深入探究二者的互动关系；也可以结合时间的要素，进一步分析情绪地图的时空变化规律与特性；在技术与方法方面则可以继续探究如何提高数据分析的科学性与合理性，将海量数据与中观和微观的空间环境相结合，对城市情绪地图进行更加精准的描绘，为精细化的规划设计和管理提供支撑。

注释及参考文献（上滑查看全部）

注释

①本论文隶属于基金：广东省自然科学基金资助项目（2018A030313357）

② 心象地图：也被译为意向地图、意象地图、心境地图，是反应人类大脑对客观事物认识和理解的地图。

③应激理论：应激理论认为人们对环境中的应激物（或者说刺激）都会产生生理和心理上的应激反应。

④唤醒理论：唤醒理论主张人们平时的情绪总是处在较低或中等的唤醒水平，人的情绪变化必然受到了环境影响的结果，环境的刺激包含了环境的复杂性、新奇性、意外性和不一致性。

参考文献

[1] 刘红霞，曾先锋. 近年来社会情绪研究综述[J]. 山东社会科学，2015（S2）：307-308.

[2] 刘义，刘于琪，刘晔，李志刚，邱婴芝. 邻里环境对流动人口主观幸福感的影响——基于广州的实证[J]. 地理科学进展，2018，37(07)：986-998.

[3] Anderson K, McOwan PW. A real -time automated system for the recognition of human facial expressions [J]. IEEE Transaction on System, Man, and Cybernetic, s Part B: Cybernetics, 2006, 36(1): 96-105．

[4] Li X, Hijazi I, Koenig R, et al. Assessing Essential Qualities of Urban Space with Emotional and Visual Data Based on GIS Technique[J]. ISPRS International Journal of Geo-Information, 2016, 11（05）: 218.

[5] Hogertz C. Emotions of the urban pedestrian: Sensory mapping[J]. Pedestrians’Quality Needs, 2010,31-52.

[6] 赵渺希，徐高峰，李榕榕. 互联网媒介中的城市意象图景——以广东21个城市为例[J]. 建筑学报, 2015，1（2）：44-49.

[7] Aiello L M, Schifanella R, Quercia D, et al. Chatty Maps: Constructing Sound Maps of Urban Areas from Social Media Data[J]. Royal Society Open Science, 2016, 3（3）: 150690.

[8] 高慧君, 李君轶. 基于微博大数据的游客情感与气候舒适度关系研究——以西安市国内游客为例[J]. 陕西师范大学学报(自科版), 2017(1):110-117.

[9] 易峥, 李继珍, 冷炳荣, 等. 基于微博语义分析的重庆主城区风貌感知评价[J]. 地理科学进展, 2017,36(9):1058-1066.

[10] Bertrand K Z, Bialik M, Virdee K, et al. Sentiment in New York City: A High Resolution Spatial and Temporal View [J]. Computer Science, 2013.

[11] Koenig R, Scheider S, Hamzi I, et al. Using Geo Statistical Analysis to Detect Similarities in Emotional Responses of Urban Walkers to Urban Space[J]. Proceedings of the National Academy of Sciences of the United States of America, 2014,98(22):6911-6916.

[12] 甄峰. 基于大数据的城市研究与规划方法创新[M].北京：中国建筑工业出版社, 2015.

[13] 陈崇贤,张丹婷,夏宇,李树华.城市街道景观特征对人的情绪健康影响研究[J].城市建筑,2018(09):6-9.

[14] Iacus M, Porro G, Salini S, et al. Social Networks, Happiness and Health: from Sentiment Analysis to a Multidimensional Indicator of Subjective Well-being[J]. Computer Science, 2015[2018-12-5]. arXiv:1512.01569.

[15] Gallegos L, Lerman K, Huang A, et al. Geography of Emotion: Where in a City are People Happier[C/OL]//WWW '16 Companion Proceedings of the 25th International Conference Companion on World Wide Web. Switzerland: International World Wide Web Conferences Steering Committee Republic and Canton of Geneva, 2016:569-574.

[16] Fosterkarim C J. Portuguese Speaking Immigrant Communities in Massachusetts: Assessing well-being through Sentiment Analysis of Microblogging Data[D]. Urban and Environmental Policy and Planning, 2015.

[17] Perhac J, Zeng W, Asada S, Arisona S, et al, Urban Fusion: Visualiz·ing Urban Data Fused with Social Feeds via a Game Engine[C]//IEEE International Smart Cities Conference. Washington, DC, USA :IEEE, 2017:312-317.

[18] Candelieri A, Archetti F. Detecting events and sentiment on twitter for improving urban mobility.[C]//ESSEM'15 Proceedings of the 2nd International Conference on Emotion and Sentiment in Social and Expressive Media: Opportunities and Challenges for Emotion-aware Multiagent Systems - Volume 1351. CEUR-WS.org Aachen, Germany, Germany,2015:106-115.

[19] 新浪微博数据中心.2018年微博用户发展报告[R].2018[2019-03-15]. https://data.weibo.com/report/reportDetail?id=433

*本文为2021中国城市规划年会论文。

【免责声明】本公众号发布的内容仅供学习交流使用，不以任何形式进行牟利。内容版权归原作者所有。如有侵犯您的权益，请及时与我们联系，我们将于第一时间协商版权问题或删除内容。内容为作者个人观点，不代表本公众号立场和对其真实性负责。

你可能还想看这些

治理规划 | 王耀武等：城市情绪与城市治理——以深圳市疫情前后情绪地图对比为例

点击图片阅读全文

如何设计增进情感连接的城市公共空间？

点击图片阅读全文

城市规划师为什么用微博？回望三年前的初心

点击图片阅读全文