融合表情符号动态特征的舆情分析研究

李楠 张羽卉

摘 要：[目的/意義]表情符号在网络舆情分析中的作用和价值逐渐显现，然而复杂网络环境下表情符号呈现出语境依赖、情感极性多元化等动态化特征，对于表情符号动态变化规律的研究不仅有利于丰富对表情符号使用规律的认识，更有助于提升舆情分析的准确度和有效性。[方法/过程]本文通过对微博评论中表情符号使用分布、情感异化等的多角度分析，挖掘表情符号的动态变化规律并在此基础上建立融合表情符号动态特征的网络舆情倾向分析模型。[结果/结论]实验证明：表情符号分布特征和情感变化规律具有显著的主题相关性、极性相关性及情感异化等动态特征，将其引入网络舆情分析能有效提升情感分析的识别精度。

关键词：表情符号;网络舆情;情感分析;动态特征;微博评论;舆情倾向分析

DOI：10.3969/j.issn.1008-0821.2021.08.010

〔中图分类号〕G206;TP391 〔文献标识码〕A 〔文章编号〕1008-0821（2021）08-0098-11

An Analysis of Web Opinion Combining the Dynamic Characteristics of Emoji

Li Nan Zhang Yuhui

（Institute of information science and technology information，East China University of Science and

Technology，Shanghai 200237，China）

Abstract：[Purpose/Significance]The value of emoji in the analysis of network public opinion gradually appear，but emoji in complex network environment presents dynamic characteristics such as context dependence and emotional polarity diversification.The study of the dynamic change law of emoji is not only helpful to enrich the understanding of the use of emoji，but also to improve the accuracy and effectiveness of public opinion analysis.[Method/Process]Based on the multi-angle analysis of emoji usage distribution and emotion change in Weibo comments，this paper excavates the dynamic change law of emoji and establishes the web public opinion tendency analysis model which integrates the dynamic characteristics of emoji.[Result/Conclusion]The comparative experiment of Weibo public opinion tendency analysis based on emoji shows that the regular change of emoji expression emotion has a positive effect on the analysis of public opinion tendency，and the introduction of emoji dynamic characteristics can effectively improve the recognition accuracy of emotion analysis.

Key words：emoji;web opinion;emotion analysis;dynamic characteristics;Weibo comments;analysis of tendency of public opinion

相比于文本语言，表情符号能够承载更多的情绪特征，传达丰富的语义信息，其符号化的沟通方式不仅丰富了网络语言，改变了人们的表达习惯和交流方式，也逐渐成为研究者们分析社交媒体观点、情感的重要特征之一。然而在不同类型语境中表情符号表达的情感并不是一成不变的，例如[微笑]表情，可以表示欣慰、认同等积极含义（例如：欢迎回家，你们辛苦了），也会被引申为失望、愤怒等消极负面含义（例如：“看了只想生气”），这种情感的动态变化给网络舆情的倾向分析带来了不确定性。由此，本文以表情符号为研究对象，深入分析其在网络舆情情感表达中所发挥的重要作用，梳理表情符号的使用规律并提取相应的动态特征，探索其在舆情分析中的作用机理和应用效果，为已有网络舆情分析提供新的研究思路和方法借鉴。

1 相关研究

随着对表情符号认识的深入，越来越多的研究开始将表情符号这类含有重要情感线索的信息引入情感分析。目前相关研究主要采用情感词典和机器学习两种实现方法，其中，基于情感词典的研究更多关注情感词库的构建为文本情感分析提供辅助支撑，例如郭贤伟等[1]将使用频率较高、带情绪色彩的部分表情符号按照大连理工大学情感词汇本体库的7大类情绪进行标注分类以提高微博评论情绪分类的精准度;基于机器学习的研究则立足于通过海量的网络语料训练情感分类器，例如Le T A等[2]将表情符号标注成对等词嵌入到机器学习模型，张茜等[3]则将表情符号融入LDA模型，提高对褒贬态度的辨识能力，陈亚茹等[4]证明了融合表情符号的自注意力机制和BiGRU深度学习网络模型能够有效地提高情感分类的准确率。研究均证实了表情符号在情感分析中的有效表现，然而基于情感词典的现有研究大多赋予表情符号固有的情感属性，忽略了表情符号使用过程中其情感变化及不确定性。此外，网络短文本由于包含的信息量小，语义特征比较匮乏，常用的向量空间模型的方法并不适用，所以基于机器学习的实现方法也存在一定的局限性。因此，通过挖掘表情符号的使用规律及动态特征进一步优化情感挖掘方法，成为短文本语境下舆情分析研究的新路径。

事实上，随着表情符号的广泛应用，学界早已开始关注网络舆情中表情符号使用所呈现出的规律及变化。Lu X等[5]基于388万位智能手机用户的使用情况，分析表情符号的使用频次，发现了高频使用的表情符号，第一位为，其次为;也有学者发现用户经常使用一个以上的表情符号来表达情绪，利用表情符号的共现规律有助于理解表情符号是如何在社交媒体帖子中使用的以及它们在社交媒体帖子中的意义，Illendula A等[6]基于1.47亿条包含表情符号的推文建立了表情符号共现网络。与此同时，研究发现不同性别群体、不同年龄群体、不同文化背景等[7-8]多方因素的影响会导致对表情符号的理解和使用产生差异，例如张小凡[9]发现，女性比男性更偏爱使用表情符号来替换纯文本的表达，袁凯歌[10]研究发现，在大学生群体中表情符号的使用频率却不存在显著性别差异，研究者看待问题的角度决定了其对影响因素的分析。也有研究开始从语义的角度出发，将表情符号看作语言系统的一部分，将语境等看作是表情符号使用发生变化的因素，例如刘学太等[11]发现同一个表情符号在不同会话背景下会表达不同情感，并列出了其中差异最具代表性的“[微笑]”和“[再见]”表情。

表情符号使用的不确定性以及情感变化的动态特征使得基于表情符号的舆情分析研究面临新的问题：表情符号的情感变化呈现哪些规律性特征？如何将表情符号的动态特征有效融入情感分析的应用场景？只有解决这些问题，才能真正發挥表情符号在网络舆情分析中的价值和作用。因此，本文聚焦表情符号情感变化现象，在归纳总结表情符号使用规律的基础上提取表情符号的动态特征，建立动态视角下的舆情倾向分析模型，为网络舆情监测提供更加有效的解决方案。

2 表情符号的使用规律分析

研究选取新浪微博的评论数据为样本，基于“微博热门分类”栏目选择不同类型话题的评论数据以尽可能全面地反映表情符号相关特征，并对话题进行了进一步的分类标注，将社会实时发生的事件定为社会性事件;将综艺、明星等相关事件定位娱乐性事件;将引导人们投票、发表观点进行探讨的热点话题定为探讨类事件，同时也关注到话题本身的正负面性质，如“社会正面/负面”“娱乐正面/负面”“探讨类”等。共收集6万多条语料，其中社会类话题语料占到58%，娱乐类语料占到32%，探讨类语料约10%，有约1/3的语料中包含表情符号，如表1所示。

2.1 表情符号在不同分类语料中的分布特征

统计表情符号的出现频次可以发现，高频出现的表情符号仅占全部的10%左右，其分布符合齐普夫定律，与文本的词频分布规律一致。对高频表情符号进一步归纳则可以发现语料中出现的全部294种表情符号中有32种表情符号的使用量占到了使用总量的80%，因此这部分高频表情符号也成为本研究的重点关注对象。表2列举了部分高频表情符号，根据微博系统给出的标注含义，结合大连理工大学情感词汇本体库获得表情符号的原生情感极性。

对比分析表情符号在不同分类语料中的统计分布规律，能够发现其使用情况与出现语境具有一定的相关性。

首先，在特定主题类型语境中存在相对固定的高频表情符号，如图1所示，探讨类语境中常出现的高频表情符号有[允悲]、[Doge]、[泪]、[二哈]、[微笑]等，而在娱乐类语境中常出现[心]、[打Call]、[Doge]、[允悲]、[微笑]等，在社会类语境中[蜡烛]、[心]、[泪]、[Good]、[赞]等出现频次更高。部分表情符号在不同主题语境的分布呈现反向差异，主题相关性明显，比如：出现在探讨类和娱乐类主题语境中的分布概率不到0.1%，而在社会类主题语境中的分布概率超过12%，表明该表情符号倾向于出现在社会类主题语境中，类似具有特定主题分布倾向的还有倾向于出现在娱乐类主题语境中。

依据话题性质将社会正面和娱乐正面类语料分为积极语境，社会负面和娱乐负面类语料分为消极语境，探讨类语料则分为中性语境，可以发现在不同极性语境中表情符号的极性相关性也同样显著，如图2所示，本身具有积极正面或是消极负面原生感情色彩的表情符号，大多数分布具有明显的极性倾向，例如、、等原生情感极性为积极的表情符号出现在积极语境中的概率明显大于其出现在消极和中性语境中，等原生情感极性为消极的表情符号出现在消极语境中的概率明显大于其出现在积极和中性语境中。

2.2 表情符号跨语境的情感异化分析

在分析过程中笔者发现了一种常见现象，许多通用的表情符号会同时出现在多种不同语境，深入解读表情符号的情感倾向能够发现其在不同的语境下发生了情感异化，比如原生情感极性为积极的[太开心]表情符号在一些负面话题下会从开心、认同等积极情感引申为愤怒、无语等消极情感，例如：“太可了！！”和“原来我手机这么卡是他们都急着抢着监控我？？？”，这种情感异化现象成为表情符号情感极性不稳定的重要体现，如果在舆情分析过程中对这些表情符号的情感极性特征进行固化，很明显会导致分析偏差。

为了进一步揭示表情符号的情感异化规律，在对话题语句进行人工极性标注的基础上分析表情符号的跨语境分布规律，如图3所示。统计结果显示，在294种表情符号中，有138种表情符号只出现在单一极性的语境下，占比46%，而这些表情符号大多本身出现的频次较低;超过半数的表情符号出现在两种或两种以上的极性语境中表达相应情感，其中有117种表情符号同时在积极和消極语境中出现，分别有103种和96种表情符号同时出现在消极、中性语境或积极、中性语境中，还有约30%的表情符号同时在3种极性语境中出现。对高频出现的32种常用表情符号进行堆积分析，发现尽管一部分表情符号能稳定出现在单一极性语境，但仍有相当比例的表情符号其情感具有不确定性，称之为情感模糊性，如图4所示，既有类似或等稳定表达积极或消极情感的表情符号，也有等频繁跨语境发生情感异化的表情符号。

3 基于动态特征的舆情倾向分析模型

3.1 表情符号的动态特征提取

通过对表情符号使用规律的分析发现，表情符号的分布特征和情感变化规律与网络舆情的语境具有一定的相关性。受语境影响，表情符号呈现一定的主题相关性和极性相关性;而从跨语境分布的角度，表情符号的情感异化现象也需要将情感的稳定性因素纳入情感分析的考虑范围。这些规律性特征的引入能有效地改进静态情感特征运用的局限性，融入表情符号的动态特征成为优化舆情分析模型、提升情感分析效果的切入点。

据此，本文提出表情符号的情感稳定度概念，用于定量描述表情符号在不同语境下的情感稳定性，同时受话题语境的主题相关度、极性相关度以及情感异化程度等多种变量的影响。具体定义如下：

1）主题相关度反映表情符号对语境主题的依赖程度。对表情符号wi在主题Sm下的分布概率P（wi|Sm）进行标准化处理，记为（wi|Sm）;鉴于（wi|Sm）在不同主题之间的差值越大，表情符号wi对主题Sm的相关度越高，因此通过（wi|Sm）之间的差值反映表情符号的主题相关度，记为RS。本研究将主题语境概括为3大类，即社会类、娱乐类以及探讨类，后续可进一步细分，计算方法如下：

2）极性相关度反映表情符号对语境极性的依赖程度。（wi|Cm）是表情符号wi在极性Cm语境下的分布概率P（wi|Cm）的标准化形式，同理，通过（wi|Cm）之间的差值反映表情符号的极性相关度，记为RC。计算方法如下：

3）情感异化程度反映表情符号情感发生异化的可能性，本文通过表情符号表达积极、消极、中性情感变化的概率统计来体现其情感异化程度。表情符号wi表达某类情感类别Em的概率P（wi|Em）通过其在不同极性语句中的分布特征反映，将最大概率情感类别设为初始情感类别，则表情符号表达其他情感类别的概率可看作其情感异化概率V，计算公式见式（5）。

4）情感稳定度反映表情符号表达情感的稳定性，与主题相关度和极性相关度正相关，与情感异化概率负相关。即：表情符号的主题相关度越高，其情感稳定度越高，该表情符号极易在特定主题语境中出现;极性相关度越高，情感稳定度越高，该表情符号极易在特定极性语境中出现;情感异化程度越高，情感稳定度越差，该表情符号更容易出现在不同语境下发生情感极性的漂移。据此，将3个变量标准化后进行加权组合获得表情符号wi的情感稳定度ρ，见式（6）：

3.2 基于动态特征的舆情倾向分析模型定义

将表情符号的动态特征引入舆情倾向性分析研究以更加准确地理解所要表达的情感和意图，借助情感稳定性度量实现动态视角下的情感倾向分析，模型框架如图5所示，具体包括：数据预处理、情感稳定性度量、情感词典动态扩充、情感倾向判定以及结果分析5个模块。

数据预处理模块包括对语料进行必要的数据清洗以及表情符号识别等操作。微博语料集中表情符号具有其特定的格式，例如表情符号的代码存储格式为：，可利用正则表达式匹配识别表情符号。

表情符号的情感稳定性度量模块依据3.1节动态特征提取方法计算主题相关度RS、极性相关度RC以及情感异化概率V，对各变量进行标准化后加权计算。表情符号的情感稳定度受情感异化程度影响较大，因此参数α、β值的设定相比γ值偏小。

情感词典动态扩充模块主要通过增加共现情感词的方式，消除低稳定度表情符号所产生的不确定性影响。其情感词典由基础情感词典和拓展情感词典两部分构成：基础情感词典可选用已有的情感词汇知识库作为支撑，例如本研究主要选用大连理工大学情感词汇本体库，该库建立了7种基础情感分类（乐/好/怒/哀/惧/恶/惊）以及5个强度等级（1、3、5、7、9）;拓展情感词典则包括网络流行用语、针对具体事件的专业评价词汇等，主要由人工建立情感类别及强度等级标注。

基于表情符号动态特征的情感倾向判定将表情符号的情感稳定性作为舆情分析的重要考虑因素。对于高情感稳定度的表情符号，因其能稳定地传达特定情感，可弱化文本特征的影响，因此只需依据其稳定情感对所在语境进行情感分析，本研究将表情符号的初始情感类别（即P（wi|Em）最大时所表达的情感类别）设为这类表情符号稳定表达的情感类别;而对于低情感稳定度的表情符号则通过提取必要的文本或语境特征并建立关联，借助与表情符号共同出现的关键情感词进行情感倾向性判定。

在结果分析阶段，仍采用传统的性能评价指标精确率P、召回率R和调和平均值F，通过建立如表3所示的混淆矩阵进行评价，其中Xij表示真实值为i的数据被识别为j的情况。

3.3 具体实现步骤

在获得表情符号情感稳定度的基础上，借助阈值区分高情感稳定度的表情符号和低情感稳定度的表情符号，前者可直接依据其初始情感极性特征进行倾向分析，后者则需要进一步结合共现情感词特征，主要实现步骤如下：

輸入：包含表情符号的语料集T={t1，t2，…，tm}、表情符号的情感稳定度及初始情感类别、情感稳定度阈值、情感词典。

Step1：获取任意评论ti中的表情符号W={W1，W2，…，Wn}，如果n>1，选取情感稳定度值最高的表情符号wi，如果n=1则选取该表情符号作为wi。

Step2：获得表情符号wi的初始情感类别，如果表情符号wi的情感稳定度大于阈值，语料ti的情感倾向则为该表情符号wi的初始情感类别，跳转至Step4;如果表情符号wi的情感稳定度小于等于阈值，进行Step3。

Step3：对ti分词，将分词结果与情感词典中的词语进行匹配，如果表情符号wi的初始情感类别为消极，则将匹配到表达怒、哀、惧、恶、惊情感词语的ti判定为消极，没有匹配到消极情感词的判定为中性;如果表情符号wi的初始情感类别非消极，则将匹配到表达怒、哀、惧、恶、惊情感词语的ti判定为消极，没有匹配到消极情感词的语料情感倾向判定为wi的初始情感类别。

Step4：重复Step1、Step2、Step3，直至对所有语料集判定结束。

输出：情感分类结果Z。

4 实验与结果分析

实验数据选自表2包含32个高频表情符号的微博评论数据。为验证上文动态特征模型的有效性，基于以上数据，分别基于纯文本特征（实验组A）、结合表情符号固定情感属性特征（实验组B）以及结合表情符号动态特征（实验组C）开展情感倾向分析对比实验。对照组A、B均基于相同情感词典进行情感值计算，综合考虑程度副词、否定词、句式（判断是否为感叹句或反问句）、表情符号等特征进行加权累计后进行情感倾向判定。如表4所示，3组对照实验的识别效果存在明显差距。

4.1 总体分析

实验组A的整体调和均值F为48%，而实验组B和C分别为60%和87%，其中实验组B相比于实验组A的识别性能提升了12%。由于考虑了表情符号的情感属性特征，实验组B对积极情感倾向和消极情感倾向的识别效果得到大幅度提升，对积极情感倾向的召回率由原先的59%提升至89%，而对消极情感倾向的召回率也提升了38%。例如“香港是中国的香港”类似的简单短文本语料，在实验组A从简短的纯文本内容中无法辨识出积极或消极的情感，但在实验组B中则能够借助表情符号实现对语料情感倾向的判定，充分说明了表情符号特征相较于文本特征在舆情倾向分析的应用场景下同样具有重要的指示作用。

融入表情符号动态特征的实验组C相比于对照组B，也在不同分类情感倾向的识别效果上具有较为明显的提升，尤其对中性情感倾向的辨识性能提升更为显著，这种性能的提升与情感动态特征的引入密不可分。事实上，对表情符号稳定性因素的考量使得在情感倾向判定的过程中增强对表情符号特征的运用成为可能，也是识别性能提升的根本原因。一方面，高情感稳定性的表情符号在实际语料中占有相当比例，这部分表情符号通常出现在某种极性的语境下，但其一旦在不同语境下出现，其情感倾向判定的指向性可能会与语境文本特征不一致，从而产生一定的困扰，这种情况下表情符号特征在情感分析中的指示作用就需要得到强化，否则就极易导致误判。例如“于灾害中逆向行走”在实验组B中会由于“灾害”一词与“”的情感累计值等于0被判定为中性，而在动态特征的实验组C中，由于优先考虑了表情符号的情感稳定性因素（该表情符号为积极的情感稳定度为0.916），因此将本语料判定为积极，与其实际语境倾向更加符合。而另一方面，低情感稳定性的表情符号会给固定情感属性特征模型带来极大的负面影响，由于表情符号的静态情感特征忽略了情感倾向的不稳定性，识别过程中这类表情符号一旦出现，很明显会出现非常大的偏差，而在动态特征模型中通过将表情符号的初始情感类别和所在的语境特征（共现情感词）相结合则可以达到提高识别准确度的效果。此外，动态特征模型还对隐式特征的识别具有很好的效果，例如反讽句“优秀的反面教材”，尽管“优秀”“反面”等词与“”共现，但在动态特征模型中，语料的情感倾向仍能够被准确地判定为消极。

4.2 语境适用性分析

为了进一步考察动态特征模型对于不同类型语境的适用性，实验又将语料根据主题和极性划分为如表5所示的3组，均采用表情符号动态特征的舆情分析模型进行实验。实验结果如表6所示，显示出该模型在不同分类语料都获得较为理想的应用效果，3组实验的调和均值F均超过85%，对积极情感倾向的各识别精度均在94%以上，且在不同主题语境、不同语境极性的混合语料③中的识别效果达到87%，由此动态特征模型在不同类型的语境下均表现出比较稳定的识别性能。

4.3 情感稳定度的有效性分析

根据前期数据统计分析可以获得主题相关度高、极性相关度高、情感异化程度低的表情符号，比如：（对社会类语境的依赖度高）、（对娱

乐类语境的依赖度高）等表情符号的主题相关度较高;（对积极语境的依赖度高）、（对消极语境的依赖度高）等表情符号的极性相关度较高;（初始情感类别为积极情感）、（初始情感类别为消极情感）等表情符号的异化程度不明显。其表情符号的情感稳定性可通过对参数进行适当调节获得，实验中α、β设置为18，γ、θ设置为34，获得初始计算结果如表7所示。根据数据结果，设置0.7为阈值，将表情符号分为高情感稳定度和低情感稳定度两类，可以发现部分表情符号如等主题相关度和极性相关度高、情感异化程度低，因此其情感稳定度高，而类似等表情符号不仅情感异化现象显著，而且主题相关度和极性相关度也相对较低，因此其情感稳定度低。同时，也发现部分表情符号的初始情感类别与原生情感极性并不相同，例如[微笑]，原生情感极性为积极，表示欣慰、礼貌等积极情感，然而本文统计到其大部分情况都会出现在消极语句中表示嘲讽、失望等消极负面情感。

基于数理统计方法得出的情感稳定度指标能够真实有效地反映表情符号的情感稳定性，成为情感动态特征的重要指征。语料③中包含各表情符号语料的判定正确率如表8所示，可以发现包含高情感稳定度表情符号语料的识别正确率大多在90%以上，包含低稳定度表情符号语料的识别正确率大多在80%以上。包含高情感稳定度表情符号整体语料识别性能在94%左右，以为例，识别的正确率在99%左右，包含该表情符号的语料有约2 400条，然而仅有13条语料判断失误（部分语料如图6所示）;相比于包含高情感稳定度表情符号的语料弱化了文本特征，低情感稳定度表情符号则需通过共现的文本特征加以辅助进行判断，包含这类表情符号整体语料的识别性能在84%左右，如图7所示，以为例，通过部分语料中存在的消极情感词汇加以辅助对语料按照3.3节具体实现步骤进行判定。

5 总结与展望

本文重点关注了表情符号这一特殊的情感语言，通过差异化语境下的数据分析，揭示出表情符号分布特征和情感变化规律的语境依赖特性，并将其呈现的主题相关性、极性相关性以及情感异化等动态规律特征化，提出了表情符号的情感稳定性度量方法。实验结果表明，将表情符号的动态特征引入舆情倾向分析能够实现更加精准的情感计算，在不同语境下均具有稳定的适用性，应用于网络舆情研究能显著提升分析性能。但在实际应用过程中也有诸多问题值得深入探讨，一方面，对于表情符号表達情感语义的分析应充分考虑其模糊性的影响，建立其与语境特征的关联分析思维，如借助文本等语境特征弥补低情感稳定度表情符号出现带来的不确定性等;另一方面，则需要充分发挥表情符号对情感分析应用的积极作用，充分融入不同类型情感符号的差异化特征，如积极引入高情感稳定度的表情符号特征等。本研究只针对部分高频表情符号开展实验，后续将进一步扩大研究范围，将更多的符号特征纳入分析框架，进一步提升舆情分析的精准度和有效性。

参考文献

[1]郭贤伟，赖华，余正涛，等.融合情绪知识的案件微博评论情绪分类[J].计算机学报，2021，44（3）：564-578.

[2]Le T A，Moeljadi D，Miura Y，et al.Sentiment Analysis for Low Resource Languages：A Study on Informal Indonesian Tweets[C]//The 12th Workshop on Asian Language Resources，2016：123-131.

[3]张茜，张士兵，任福继，等.基于主题模型的微博评论方面观点褒贬态度挖掘[J].中文信息学报，2019，33（6）：116-123，140.

[4]陈亚茹，陈世平.融合自注意力机制和BiGRU网络的微博情感分析模型[J].小型微型计算机系统，2020，41（8）：1590-1595.

[5]Lu X，Ai W，Liu X Z，et al.Learning from the Ubiquitous Language：an Empirical Analysis of Emoji Usage of Smartphone Users[C]//Proceedings of the 2016 ACM International Joint Conference on Pervasive and Ubiquitous Computing，2016：770-780.

[6]Illendula A，Yedulla M R.Learning Emoji Embeddings using Emoji Co-occurrence Network Graph[C]//Computing Research Repository，2018：1-9.

[7]匡文波，邱水梅.大学生的微信表情使用行为研究[J].国际新闻界，2017，39（12）：123-137.

[8]刘丽群，刘玺辰.表情符号使用动机及其在不同人际关系中对使用行为的影响——基于混合研究方法[J].现代传播（中国传媒大学学报），2020，42（8）：88-94.

[9]张小凡.社会语言学视阈下的微信聊天语言研究[D].天津：天津师范大学，2018.

[10]袁凯歌.即时通信中情绪的感知与表达：情绪图标的影响[D].武汉：华中师范大学，2014.

[11]刘学太，巴志超，李阳，等.社交媒体群体性信息交流过程中表情符号使用差异与语义研究——以微信群为例[J].现代情报，2019，39（10）：3-14.

（责任编辑：陈 媛）