网络新闻媒体情绪的情感分析及其对房价波动的影响探究

网络新闻媒体情绪的情感分析及其对房价波动的影响探究一、引言1.1研究背景与意义1.1.1研究背景房地产市场作为国民经济的重要组成部分，对经济增长、就业、金融稳定等方面都有着深远的影响。在许多国家，房地产行业不仅是拉动经济增长的重要引擎，还关系到居民的生活质量和社会的稳定。从经济数据来看，房地产投资在固定资产投资中占据相当大的比重，其上下游产业链涉及建筑、建材、家电、金融等多个行业，对相关产业的带动效应显著。例如，在中国，房地产行业的发展直接影响着钢铁、水泥等建材行业的市场需求，同时也与银行业的信贷业务紧密相关，房地产贷款在银行贷款总额中占有较高比例，其波动对金融体系的稳定产生重要影响。随着互联网技术的飞速发展，网络新闻媒体已成为人们获取信息的主要渠道之一。据统计，全球互联网用户数量不断攀升，大量用户每天通过各类新闻网站、社交媒体平台等获取新闻资讯。网络新闻媒体以其传播速度快、覆盖面广、互动性强等特点，深刻地影响着公众的认知和行为。在房地产领域，网络新闻媒体的报道对公众的购房决策、投资行为以及市场预期都产生了重要的影响。当网络媒体报道某地区房价上涨的消息时，可能会引发公众对该地区房地产市场的关注，刺激部分消费者的购房需求，甚至吸引投资者进入市场；反之，负面的报道可能会导致消费者持观望态度，投资者减少投资。房价波动一直是房地产市场的重要研究课题，其受到多种因素的综合影响。经济基本面因素，如国内生产总值（GDP）的增长、通货膨胀率、失业率等，直接关系到居民的收入水平和购房能力，进而影响房价。当经济增长强劲时，居民收入增加，购房需求旺盛，房价往往呈现上涨趋势；而在经济衰退时期，购房需求下降，房价可能面临下行压力。政策调控也是影响房价的关键因素之一，政府通过出台限购、限贷、税收等政策，直接干预房地产市场的供需关系和价格走势。例如，限购政策可以抑制投资性购房需求，减少市场的投机行为，从而稳定房价；而降低首付比例和贷款利率等政策则有助于刺激购房需求，推动房价上升。此外，土地供应、人口增长与流动、金融市场状况等因素也在不同程度上影响着房价的波动。在众多影响房价波动的因素中，网络新闻媒体所传达的情绪逐渐受到关注。新闻报道的内容、角度和情感倾向能够影响公众对房地产市场的看法和预期，进而影响他们的购房决策和市场行为。这种情绪的传播可能引发市场参与者的“羊群效应”，进一步加剧房价的波动。因此，研究基于情感分析的网络新闻媒体情绪对房价波动的影响具有重要的现实意义，有助于深入理解房地产市场的运行机制，为市场参与者和政策制定者提供决策依据。1.1.2研究意义从理论层面来看，本研究有助于丰富和完善房地产市场的研究体系。传统的房地产市场研究主要侧重于经济基本面、政策调控等因素对房价的影响，而对网络新闻媒体情绪这一因素的关注相对较少。通过引入情感分析技术，深入研究网络新闻媒体情绪与房价波动之间的关系，可以拓展房地产市场研究的视角，为该领域的理论发展提供新的思路和方法。在实践方面，本研究具有重要的应用价值。对于购房者和投资者而言，了解网络新闻媒体情绪对房价波动的影响，有助于他们更全面地把握市场动态，做出更加理性的购房和投资决策。购房者可以通过关注新闻媒体的报道情绪，判断市场的热度和趋势，避免在市场过热时盲目跟风购房，从而降低购房风险；投资者则可以利用新闻媒体情绪的变化，捕捉投资机会，优化投资组合。对于房地产开发商来说，了解网络新闻媒体情绪能够帮助他们更好地把握市场需求和消费者心理，制定合理的营销策略和开发计划，提高市场竞争力。对于政府部门来说，网络新闻媒体情绪可以作为一个重要的参考指标，用于监测房地产市场的运行状况，评估政策的实施效果。政府可以根据新闻媒体情绪的变化，及时调整房地产政策，以达到稳定房价、促进房地产市场健康发展的目的。当新闻媒体普遍报道房价上涨过快，市场情绪过热时，政府可以加强调控力度，出台相关政策抑制房价过快上涨；而当市场情绪低迷，房价出现下跌趋势时，政府可以采取适当的措施刺激市场需求，稳定房价。1.2研究目标与方法1.2.1研究目标本研究旨在深入剖析网络新闻媒体情绪与房价波动之间的内在联系，通过运用情感分析技术，对网络新闻媒体中的相关报道进行量化分析，准确衡量新闻媒体所传达的情绪倾向，并在此基础上建立科学的模型，以揭示网络新闻媒体情绪对房价波动的影响机制和程度。具体而言，研究目标包括以下几个方面：首先，全面收集和整理网络新闻媒体中与房地产市场相关的报道数据，构建丰富且具有代表性的数据集。这些数据将涵盖不同地区、不同时间段的新闻报道，以确保研究结果的普遍性和可靠性。通过对这些数据的深入分析，提取其中蕴含的情感信息，明确新闻媒体在不同时期对房地产市场的情绪态度，是积极乐观、消极悲观还是保持中性。其次，运用先进的情感分析算法和技术，对收集到的新闻文本进行情感分类和量化处理。情感分析技术是本研究的关键工具，它能够自动识别文本中的情感倾向，并将其转化为具体的数值指标，以便进行后续的统计分析和建模。通过情感分析，我们可以精确地了解新闻媒体情绪的变化趋势，以及在不同市场环境下情绪的波动情况。再者，结合房地产市场的实际房价数据，建立网络新闻媒体情绪与房价波动之间的关联模型。在建立模型的过程中，充分考虑其他影响房价波动的因素，如经济基本面、政策调控、人口因素等，以排除这些因素的干扰，准确评估新闻媒体情绪对房价波动的独立影响。运用统计分析方法和计量经济学模型，对模型进行估计和检验，确定新闻媒体情绪与房价波动之间的因果关系和影响程度。最后，根据研究结果，为房地产市场参与者和政策制定者提供有针对性的建议和决策参考。对于购房者和投资者而言，研究结果可以帮助他们更好地理解新闻媒体情绪对房价的影响，从而在购房和投资决策中更加理性地对待新闻报道，避免受到情绪的过度干扰。对于房地产开发商来说，了解新闻媒体情绪有助于他们把握市场动态，制定合理的营销策略和开发计划。对于政府部门来说，研究结果可以为房地产政策的制定和调整提供重要依据，使其能够更加精准地调控房地产市场，促进市场的平稳健康发展。1.2.2研究方法为了实现上述研究目标，本研究将综合运用多种研究方法，确保研究的科学性、严谨性和可靠性。具体方法如下：文献研究法：全面梳理国内外关于房地产市场、房价波动、网络新闻媒体以及情感分析等领域的相关文献。通过对这些文献的深入研究，了解已有研究的现状和成果，明确当前研究的热点和空白，为本文的研究提供理论基础和研究思路。在房地产市场领域，查阅有关房价波动影响因素的经典理论和实证研究，如供需理论、经济周期理论等，分析这些理论在解释房价波动方面的优势和局限性。在网络新闻媒体方面，研究其在信息传播、舆论引导以及对公众认知和行为影响等方面的作用机制。在情感分析领域，学习各种情感分析算法和技术的原理、应用场景以及发展趋势，为后续的数据处理和分析提供技术支持。通过文献研究，还可以借鉴前人的研究方法和经验，避免重复劳动，提高研究效率。数据收集法：广泛收集网络新闻媒体中与房地产市场相关的新闻报道数据。这些数据来源包括主流新闻网站、社交媒体平台、房地产专业网站等，以确保数据的多样性和代表性。同时收集房地产市场的房价数据，包括不同地区、不同时间段的房价信息，以及其他相关的经济数据和政策数据。在收集网络新闻数据时，运用网络爬虫技术，按照设定的关键词和搜索条件，自动抓取相关的新闻文本，并对其进行整理和存储。对于房价数据，从房地产交易平台、政府统计部门、专业房地产研究机构等获取，确保数据的准确性和可靠性。在收集经济数据和政策数据时，参考国家统计局、央行、住建部等官方发布的统计信息和政策文件。情感分析技术：运用自然语言处理（NLP）和机器学习算法，对收集到的新闻文本进行情感分析。首先对新闻文本进行预处理，包括分词、去停用词、词性标注等，将文本转化为计算机可处理的形式。然后选择合适的情感分析模型，如基于机器学习的支持向量机（SVM）、朴素贝叶斯分类器，或者基于深度学习的卷积神经网络（CNN）、循环神经网络（RNN）及其变体长短期记忆网络（LSTM）等，对预处理后的文本进行情感分类，判断其情感倾向为正面、负面或中性，并赋予相应的情感分值。在训练情感分析模型时，使用大量已标注情感倾向的新闻文本作为训练集，通过不断调整模型参数和优化算法，提高模型的准确性和泛化能力。实证研究法：基于收集到的数据和情感分析结果，运用计量经济学方法建立网络新闻媒体情绪与房价波动之间的实证模型。考虑到房价波动受到多种因素的影响，在模型中引入控制变量，如国内生产总值（GDP）、通货膨胀率、利率、土地供应面积、人口增长率等，以控制其他因素对房价的影响，从而更准确地分析新闻媒体情绪对房价波动的影响。运用回归分析、时间序列分析等方法对模型进行估计和检验，验证研究假设，确定新闻媒体情绪与房价波动之间的关系是否显著，以及影响的方向和程度。通过实证研究，得出具有说服力的结论，为后续的政策建议和实践应用提供依据。1.3研究创新点本研究在多方面展现出创新特质，区别于传统研究，从数据、方法和视角上为该领域注入新活力。在数据来源与处理方面，实现多源数据融合。传统研究通常局限于单一数据源，本研究广泛收集主流新闻网站、社交媒体平台、房地产专业网站等多渠道的房地产新闻报道数据，打破数据壁垒。通过融合不同平台数据，全面反映房地产市场在网络空间的舆情全貌，弥补单一数据源的片面性，使研究结果更具普遍性和代表性。在收集网络新闻数据时，运用网络爬虫技术精准抓取相关文本，并结合房价数据、经济数据和政策数据，为深入分析网络新闻媒体情绪对房价波动的影响提供丰富的数据基础。在研究方法运用上，综合多种分析技术。将自然语言处理（NLP）、机器学习算法与计量经济学方法有机结合。利用NLP和机器学习算法对新闻文本进行情感分析，赋予新闻报道情感分值，量化新闻媒体情绪；运用计量经济学方法建立实证模型，在控制多种影响房价波动因素的基础上，准确分析新闻媒体情绪对房价波动的影响。这种跨学科的方法融合，为研究房价波动提供了新的技术路径，使研究结果更具科学性和可靠性。在训练情感分析模型时，使用大量已标注情感倾向的新闻文本作为训练集，不断调整模型参数和优化算法，提高模型的准确性和泛化能力；在建立实证模型时，引入国内生产总值（GDP）、通货膨胀率、利率等控制变量，运用回归分析、时间序列分析等方法进行估计和检验。从研究视角来看，关注网络新闻媒体情绪这一新颖视角。以往对房价波动的研究多聚焦于经济基本面、政策调控等因素，而本研究将关注点放在网络新闻媒体情绪上，探究其对房价波动的影响机制和程度，开辟了房地产市场研究的新方向。深入剖析新闻报道内容、角度和情感倾向如何影响公众对房地产市场的看法和预期，以及这些情绪传播引发的“羊群效应”对房价波动的作用，有助于更全面地理解房地产市场的运行机制。本研究还考虑了不同区域的异质性影响。房地产市场具有显著的区域特征，不同地区的经济发展水平、人口结构、政策环境等因素差异较大，导致房价波动对网络新闻媒体情绪的反应也不尽相同。传统研究往往忽视这种区域差异，采用统一的分析模型，难以准确揭示不同地区的实际情况。本研究将对不同区域进行分类研究，分析网络新闻媒体情绪在一线城市、二线城市和三四线城市对房价波动的影响差异，为各地区制定针对性的房地产政策提供更具参考价值的依据。通过对比不同区域的研究结果，可以发现经济发达的一线城市房地产市场对新闻媒体情绪更为敏感，房价波动受其影响的程度更大；而三四线城市由于市场规模相对较小，受本地经济和人口因素的影响更为显著，新闻媒体情绪的作用相对较弱。这种对区域异质性的深入研究，使研究结果更贴合实际情况，能够为不同地区的房地产市场参与者提供更精准的决策建议。二、相关理论与研究综述2.1情感分析理论基础2.1.1情感分析的概念与原理情感分析，也被称作情感检测、情感识别或意见挖掘，是自然语言处理（NLP）领域的一个重要研究方向。其核心目标是通过计算机算法和技术，从文本数据中自动识别和提取人们所表达的情感倾向、态度和观点，并将其分类为正面、负面或中性等类别。随着互联网技术的迅猛发展，大量的文本数据如社交媒体评论、新闻报道、客户反馈等不断涌现，情感分析技术为快速理解和处理这些海量文本信息提供了有效的手段。情感分析的实现主要依赖于文本挖掘、自然语言处理和机器学习等多领域技术的融合。在实际操作中，首先要对原始文本进行预处理，这一步骤包括去除文本中的噪声，如HTML标签、特殊符号等；将文本中的字母统一转换为小写形式，以消除大小写带来的差异；使用分词技术将连续的文本分割成单个的词语或短语，常用的分词工具包括结巴分词、HanLP等；去除停用词，如“的”“地”“得”“在”等没有实际情感意义的高频词汇，以减少数据量和噪声干扰；还可以进行词性标注，确定每个词的词性，如名词、动词、形容词等，为后续的分析提供更多的语言信息。经过预处理后的文本，需要提取能够代表文本情感特征的信息。常见的特征提取方法有词袋模型（BagofWords），它将文本看作是一个无序的词集合，忽略词的顺序和语法结构，只关注每个词在文本中出现的频率。这种模型简单直观，易于理解和实现，但无法捕捉词与词之间的语义关系。TF-IDF（TermFrequency-InverseDocumentFrequency）则是一种加权的特征提取方法，它不仅考虑了词在文本中的出现频率（TF），还考虑了词在整个文本集合中的稀有程度（IDF）。TF-IDF权重越高，表示该词在文本中的重要性越大，越能代表文本的主题和情感特征。词嵌入（WordEmbedding）技术则是将词映射到低维向量空间，使得语义相近的词在向量空间中距离较近，从而捕捉词与词之间的语义关系。常用的词嵌入模型有Word2Vec、GloVe等，这些模型通过对大规模文本数据的训练，学习到词的分布式表示，为情感分析提供了更丰富的语义信息。在特征提取之后，需要使用分类模型对文本的情感倾向进行分类。常见的分类算法包括朴素贝叶斯（NaiveBayes）、支持向量机（SupportVectorMachine，SVM）、逻辑回归（LogisticRegression）等传统机器学习算法，以及卷积神经网络（ConvolutionalNeuralNetwork，CNN）、循环神经网络（RecurrentNeuralNetwork，RNN）及其变体长短时记忆网络（LongShort-TermMemory，LSTM）、门控循环单元（GatedRecurrentUnit，GRU）等深度学习算法。朴素贝叶斯算法基于贝叶斯定理和特征条件独立假设，计算文本属于不同情感类别的概率，具有计算简单、效率高的优点，但对数据的依赖性较强，在复杂文本场景下的表现可能不尽如人意。支持向量机通过寻找一个最优的超平面将不同类别的数据点分开，在小样本、非线性分类问题上表现出色，但计算复杂度较高，对大规模数据的处理能力有限。逻辑回归是一种广义的线性回归模型，将文本特征与情感类别之间的关系建模为一个逻辑函数，常用于二分类问题，其模型简单，易于解释，但对数据的线性可分性要求较高。深度学习算法则具有强大的自动特征学习能力，能够自动从大规模数据中学习到复杂的情感特征表示，在情感分析任务中取得了优异的性能表现。CNN通过卷积层和池化层对文本进行特征提取，能够有效地捕捉文本中的局部特征；RNN及其变体LSTM、GRU则特别适合处理序列数据，能够捕捉文本中的上下文信息和长期依赖关系，在情感分析中得到了广泛的应用。2.1.2情感分析的方法与技术在情感分析领域，常用的方法主要包括基于词典的方法、基于机器学习的方法和基于深度学习的方法，每种方法都有其独特的原理、优势和局限性，在房地产领域的应用也各有特点。基于词典的情感分析方法是一种较为基础且直观的方法。其原理是预先构建一个包含大量情感词汇的情感词典，词典中每个词汇都被标注了相应的情感极性（如正面、负面或中性）和情感强度值。在对文本进行情感分析时，将文本中的词汇与情感词典中的词汇进行匹配，根据匹配到的情感词汇的极性和强度来计算文本的情感倾向。例如，若文本中出现“高兴”“满意”等正面情感词汇，且这些词汇在词典中的情感强度值较高，则可初步判断该文本具有正面情感倾向；反之，若出现“失望”“愤怒”等负面情感词汇，则判断文本为负面情感。这种方法的优点在于简单易懂、实现成本低，不需要大量的训练数据，对一些简单文本的情感分析能够快速得出结果。在房地产领域，它可以用于快速分析购房者对楼盘的评价、投资者对房地产市场的看法等简单文本数据。然而，该方法也存在明显的局限性。情感词典的构建需要耗费大量的人力和时间，且难以涵盖所有的情感词汇和表达方式，对于一些新兴词汇、网络用语或具有特定语境的词汇，词典可能无法准确识别其情感极性。它无法考虑词汇之间的语义关系和上下文信息，对于一些语义复杂、情感倾向模糊的文本，容易出现误判。例如，在描述“这个楼盘周边配套设施还不错，但是价格有点高”这样的文本时，基于词典的方法可能只关注到“不错”和“高”这两个情感词汇，而忽略了整体语境中消费者对楼盘的综合评价。基于机器学习的情感分析方法则是利用已标注情感倾向的文本数据作为训练集，通过机器学习算法训练出一个分类模型，然后使用该模型对未标注的文本进行情感分类。常用的机器学习算法如朴素贝叶斯、支持向量机、随机森林等在情感分析任务中都有广泛应用。朴素贝叶斯算法基于贝叶斯定理和特征条件独立假设，计算文本属于不同情感类别的概率；支持向量机通过寻找一个最优的超平面将不同类别的数据点分开；随机森林则是通过构建多个决策树并将它们组合在一起来进行预测。在房地产领域，基于机器学习的方法可以通过收集大量的房地产新闻报道、论坛帖子、社交媒体评论等文本数据，并对这些数据进行人工标注，然后使用标注好的数据训练模型。这样训练出来的模型能够学习到房地产领域文本的一些特征和模式，从而对新的文本进行情感分类。这种方法的优势在于能够自动学习文本的特征，对复杂文本的处理能力较强，模型的泛化能力相对较好。但它也依赖于大量高质量的标注数据，标注数据的质量和数量直接影响模型的性能。标注数据的获取和标注过程往往需要耗费大量的人力和时间，且不同标注者之间可能存在标注不一致的问题，这也会影响模型的准确性。随着深度学习技术的发展，基于深度学习的情感分析方法逐渐成为研究热点。深度学习模型如卷积神经网络（CNN）、循环神经网络（RNN）及其变体长短时记忆网络（LSTM）、门控循环单元（GRU）等在情感分析任务中表现出了优异的性能。CNN通过卷积层和池化层对文本进行特征提取，能够有效地捕捉文本中的局部特征；RNN及其变体LSTM、GRU则特别适合处理序列数据，能够捕捉文本中的上下文信息和长期依赖关系。在房地产领域，基于深度学习的方法可以自动学习房地产新闻报道、市场评论等文本中的复杂语义和情感特征，能够更好地处理长文本和语义复杂的文本。利用LSTM模型可以对房地产市场的发展趋势相关的长文本报道进行情感分析，准确把握新闻媒体对市场走势的看法和态度。这种方法的优点是具有强大的自动特征学习能力，能够从大规模数据中学习到深层次的情感特征，对复杂文本的情感分析准确性较高。但其缺点是模型结构复杂，训练过程需要大量的计算资源和时间，对硬件设备要求较高。模型的可解释性较差，难以直观地理解模型的决策过程和依据，这在一些需要明确解释结果的应用场景中可能会受到限制。2.2房价波动的影响因素研究综述2.2.1传统经济因素对房价波动的影响房价波动是房地产市场研究中的关键问题，传统经济因素在其中扮演着至关重要的角色，对房价波动有着深远的影响。经济基本面是影响房价波动的基础性因素。众多学者的研究表明，国内生产总值（GDP）的增长与房价波动呈现出显著的正相关关系。当一个国家或地区的经济处于增长阶段时，居民收入水平提高，就业机会增多，人们对未来的经济预期较为乐观，这使得购房需求相应增加。例如，在经济繁荣时期，企业盈利增加，员工的工资和福利待遇也会得到提升，从而有更多的资金用于购房，推动房价上涨。反之，当经济增长放缓或出现衰退时，居民收入减少，就业压力增大，购房能力和意愿下降，房价往往会受到抑制。利率作为重要的金融杠杆，对房价波动有着直接且明显的作用。从理论上来说，利率与房价之间存在着反向关系。当利率上升时，购房者的贷款成本增加，这会使得一部分潜在购房者望而却步，购房需求下降，进而导致房价下跌。例如，在一些国家，当央行提高利率时，房地产市场的成交量明显下降，房价也随之出现调整。利率上升还会使得房地产开发商的融资成本增加，开发项目的利润空间受到压缩，这也会影响开发商的投资决策，减少房地产市场的供给。相反，当利率下降时，贷款成本降低，购房需求被刺激，房价可能会上涨。同时，开发商的融资成本降低，也会鼓励他们加大投资，增加房地产市场的供给。供需关系是决定房价波动的核心因素之一。在房地产市场中，供给和需求的变化直接影响着房价的走势。当市场需求旺盛，而供给相对不足时，房价往往会上涨。在城市化进程加速的阶段，大量人口涌入城市，对住房的需求急剧增加，而城市的住房建设需要一定的时间和过程，这就导致了短期内住房供给无法满足需求，房价持续攀升。反之，当市场供给过剩，而需求相对不足时，房价则会下跌。在一些城市，由于过度开发房地产项目，导致住房库存积压，而市场需求增长缓慢，房价就会面临下行压力。政策调控是政府干预房地产市场、稳定房价的重要手段。政府通过出台一系列的政策措施，如限购、限贷、税收政策、土地政策等，来调节房地产市场的供需关系和价格走势。限购政策可以限制购房数量，抑制投机性购房需求，减少市场的投机行为，从而稳定房价。限贷政策可以通过提高首付比例、收紧贷款条件等方式，控制购房者的贷款规模，降低购房需求。税收政策可以通过调整房产交易税、房产税等，增加购房者的成本，抑制购房需求，同时也可以调节房地产市场的收益分配。土地政策可以通过控制土地供应数量、调整土地出让方式等，影响房地产市场的供给。地理位置和人口结构也是影响房价波动的重要因素。地理位置优越的地区，如城市中心、交通便利的区域、配套设施完善的地段，房价往往较高。这是因为这些地区具有更好的生活便利性和发展潜力，吸引了更多的人购房。人口结构的变化也会对房价产生影响。随着人口老龄化的加剧，对养老住房的需求增加，而对普通住房的需求可能会减少，这会导致不同类型住房的价格出现分化。年轻人口的增长和流动也会影响房价，例如，年轻人涌入某个城市，会增加该城市的购房需求，推动房价上涨。传统经济因素在房价波动中起着关键作用，它们相互影响、相互作用，共同决定了房价的走势。在研究房价波动时，深入分析这些传统经济因素的影响机制和作用效果，对于理解房地产市场的运行规律、预测房价走势以及制定合理的房地产政策具有重要的意义。2.2.2非经济因素对房价波动的影响除了传统经济因素外，非经济因素在房价波动中也扮演着重要角色，它们通过影响市场参与者的心理和行为，间接或直接地对房价产生作用。投资者情绪是影响房价波动的重要非经济因素之一。投资者情绪反映了投资者对房地产市场未来走势的预期和信心。当投资者情绪高涨时，他们对房地产市场充满信心，认为房价将会上涨，从而纷纷增加投资，大量资金涌入房地产市场。这种投资行为会导致市场需求迅速增加，在供给相对稳定的情况下，房价必然会被推高。一些投资者可能会受到市场热点的影响，盲目跟风投资房地产，进一步加剧了市场的热度。相反，当投资者情绪低落时，他们对房地产市场的前景感到担忧，认为房价可能下跌，会减少投资甚至抛售房产。这会导致市场供给增加，需求减少，房价面临下行压力。在房地产市场出现调整迹象时，投资者的恐慌情绪可能会引发大规模的抛售行为，导致房价急剧下跌。公众预期也是影响房价波动的关键非经济因素。公众对房价的预期会影响他们的购房决策。如果公众普遍预期房价将上涨，那么购房者会提前购房，以避免未来房价上涨带来的成本增加。这种预期会促使购房需求提前释放，推动房价进一步上涨。在一些城市，当传出房价可能上涨的消息时，购房者会纷纷加快购房步伐，导致市场需求短期内急剧增加，房价应声上涨。反之，如果公众预期房价将下跌，他们会持观望态度，等待房价下跌后再购房。这种观望行为会导致市场需求减少，房价上涨动力不足。在房地产市场调控政策出台后，公众对房价下跌的预期增强，市场成交量明显下降，房价也逐渐趋于稳定。社会舆论在房价波动中也起到了不可忽视的作用。随着互联网和社交媒体的发展，社会舆论的传播速度和影响力不断扩大。新闻媒体、网络论坛、社交媒体等平台上关于房地产市场的报道、评论和讨论，会影响公众对房地产市场的认知和判断，进而影响他们的购房决策。正面的舆论报道，如宣传房地产市场的发展前景、投资机会等，可能会激发公众的购房热情，推动房价上涨；而负面的舆论报道，如曝光房地产市场的问题、风险等，可能会使公众对房地产市场产生担忧，抑制购房需求，导致房价下跌。一些媒体对房价上涨的过度渲染，会引发公众的恐慌情绪，促使更多人加入购房大军，推动房价非理性上涨。国内外学者对非经济因素与房价波动的关系进行了广泛的研究。部分国外学者通过实证研究发现，投资者情绪的波动与房价波动之间存在着显著的正相关关系，投资者情绪的变化会领先于房价的变化。在股票市场中，投资者情绪对股价的影响已经得到了充分的验证，而房地产市场作为一种重要的投资领域，投资者情绪同样会对房价产生重要影响。国内学者也通过构建相关模型，分析了公众预期对房价波动的影响，结果表明公众预期是房价波动的重要驱动因素之一。一些学者利用问卷调查和数据分析的方法，研究了社会舆论对房地产市场的影响，发现社会舆论的传播会加剧房价的波动。非经济因素在房价波动中发挥着重要作用，它们与传统经济因素相互交织，共同影响着房地产市场的运行。在研究房价波动时，不能忽视非经济因素的影响，需要综合考虑各种因素，深入分析它们之间的相互关系和作用机制，为房地产市场的稳定发展提供科学的理论依据和决策支持。2.3网络新闻媒体情绪与房价波动的关系研究现状随着互联网的普及和社交媒体的兴起，网络新闻媒体在信息传播和舆论引导方面发挥着日益重要的作用。在房地产市场领域，网络新闻媒体所传达的情绪对房价波动的影响逐渐成为研究热点。众多学者从不同角度对这一关系展开研究，取得了一系列有价值的成果。部分学者通过实证研究发现，网络新闻媒体情绪与房价波动之间存在着显著的关联。有研究运用情感分析技术，对网络新闻媒体中关于房地产市场的报道进行情感分类和量化分析，发现正面的新闻报道情绪会在一定程度上推动房价上涨，而负面的报道情绪则可能导致房价下跌。在房地产市场处于上升期时，网络媒体大量报道房地产市场的繁荣景象和投资机会，这种积极的情绪会吸引更多的购房者和投资者进入市场，增加市场需求，从而推动房价上涨。反之，在市场下行期，负面的新闻报道会使购房者和投资者对市场前景产生担忧，减少购房和投资行为，导致市场需求下降，房价下跌。一些研究还探讨了网络新闻媒体情绪对房价波动的影响机制。学者们认为，网络新闻媒体通过影响公众的认知和预期，进而影响房地产市场的供需关系和价格走势。当网络新闻媒体报道关于房价上涨的消息时，公众会形成房价继续上涨的预期，购房者会提前购房，以避免未来房价上涨带来的成本增加，从而推动房价进一步上涨；而当新闻媒体报道房价下跌的消息时，公众会预期房价继续下跌，购房者会持观望态度，等待房价下跌后再购房，导致市场需求减少，房价上涨动力不足。网络新闻媒体还可能引发市场参与者的“羊群效应”，进一步加剧房价的波动。当大量新闻媒体报道房地产市场的某一趋势时，市场参与者往往会跟随这种趋势行动，而忽视自己对市场的独立判断，从而导致房价的非理性波动。尽管已有研究在网络新闻媒体情绪与房价波动关系方面取得了一定的进展，但仍存在一些不足之处。部分研究在数据收集和处理方面存在局限性。一些研究仅收集了少数新闻网站或特定时间段的新闻报道数据，数据的代表性和全面性不足，可能导致研究结果的偏差。在数据处理过程中，对新闻文本的情感分析方法不够准确和完善，未能充分考虑文本中的语义关系、语境信息等因素，影响了情感分析的精度和可靠性。在研究方法上，现有研究多采用简单的线性回归模型或相关性分析，难以全面揭示网络新闻媒体情绪与房价波动之间复杂的非线性关系和动态变化过程。这些研究方法往往忽略了其他影响房价波动的因素，如经济基本面、政策调控等，导致研究结果的解释力有限。此外，目前对于网络新闻媒体情绪对房价波动影响的异质性研究还相对较少。不同地区的房地产市场具有不同的特点，如经济发展水平、人口结构、政策环境等因素的差异，可能导致网络新闻媒体情绪对房价波动的影响存在显著的地区差异。然而，现有研究大多没有考虑这种地区异质性，采用统一的分析模型，难以准确揭示不同地区的实际情况。在研究网络新闻媒体情绪对房价波动的影响时，缺乏对不同类型新闻媒体（如传统新闻网站、社交媒体平台等）的比较分析。不同类型的新闻媒体在传播特点、受众群体、影响力等方面存在差异，其对房价波动的影响机制和程度可能也有所不同，但这方面的研究还相对薄弱。针对上述研究不足，本研究将在以下几个方面进行改进和拓展。在数据收集和处理方面，本研究将广泛收集多个主流新闻网站、社交媒体平台以及房地产专业网站等多渠道的新闻报道数据，涵盖不同地区、不同时间段的信息，以确保数据的全面性和代表性。运用先进的自然语言处理和机器学习技术，对新闻文本进行更加深入和准确的情感分析，充分考虑文本中的语义关系、语境信息等因素，提高情感分析的精度和可靠性。在研究方法上，本研究将采用更加复杂和灵活的计量经济学模型，如向量自回归（VAR）模型、门槛回归模型等，以全面揭示网络新闻媒体情绪与房价波动之间的非线性关系和动态变化过程。在模型中纳入多种影响房价波动的控制变量，如经济基本面指标、政策调控变量等，以更准确地评估新闻媒体情绪对房价波动的独立影响。本研究将对不同地区的房地产市场进行分类研究，分析网络新闻媒体情绪在一线城市、二线城市和三四线城市对房价波动的影响差异，探讨地区异质性的影响机制。还将对不同类型的新闻媒体进行比较分析，研究它们在传播房地产市场信息、影响公众情绪和房价波动方面的特点和差异，为深入理解网络新闻媒体情绪对房价波动的影响提供更全面的视角。通过这些改进和拓展，本研究有望为房地产市场的研究和实践提供更有价值的参考和指导。三、网络新闻媒体情绪的情感分析方法与数据获取3.1网络新闻媒体数据的收集3.1.1数据来源的选择为全面、准确地获取网络新闻媒体中与房地产市场相关的信息，本研究选择了主流新闻网站、社交媒体平台和房地产专业网站作为主要的数据来源。主流新闻网站，如新浪网、腾讯网、网易网等，具有较高的权威性和公信力，其新闻报道内容广泛、深入，涵盖了房地产市场的各个方面，包括政策解读、市场动态、行业分析等。这些网站的新闻来源多样，记者专业素质较高，能够提供较为客观、准确的信息。新浪网会对国家出台的房地产调控政策进行详细解读，并邀请专家进行分析，帮助读者更好地理解政策对市场的影响。主流新闻网站的受众群体广泛，其报道能够反映社会大众对房地产市场的普遍关注和看法，具有较强的代表性。社交媒体平台，如微博、微信公众号、抖音等，近年来已成为信息传播的重要渠道。在社交媒体平台上，用户可以自由发布和分享与房地产相关的内容，包括个人购房经历、对市场的看法、楼盘评价等。这些内容具有较强的时效性和互动性，能够及时反映公众对房地产市场的情绪和态度。微博上的房地产话题常常引发大量用户的讨论和转发，用户的评论和点赞数可以直观地反映出话题的热度和公众的情绪倾向。社交媒体平台的信息传播速度快、范围广，能够捕捉到市场的细微变化和公众的即时反应，为研究网络新闻媒体情绪提供了丰富的素材。房地产专业网站，如搜房网、安居客、链家网等，专注于房地产领域的信息发布和服务。这些网站提供了大量关于房地产市场的专业数据和资讯，如房价走势、楼盘信息、购房指南等。房地产专业网站的优势在于其数据的专业性和针对性，能够为研究房价波动提供准确的市场数据支持。搜房网会定期发布不同城市的房价指数和市场报告，详细分析房价的变化趋势和影响因素。房地产专业网站还会有专业的房产分析师发布对市场的预测和分析，这些内容对于研究网络新闻媒体情绪与房价波动的关系具有重要的参考价值。不同平台的数据特点和优势各异。主流新闻网站的数据权威性高，内容全面，适合用于研究房地产市场的宏观趋势和政策导向；社交媒体平台的数据时效性强，互动性好，能够反映公众的真实情绪和态度；房地产专业网站的数据专业性突出，针对性强，为研究房价波动提供了关键的市场数据支持。通过综合利用这三类平台的数据，可以从多个角度全面了解网络新闻媒体对房地产市场的报道和情绪表达，为后续的情感分析和研究提供丰富、可靠的数据基础。3.1.2数据收集的方法与工具本研究运用网络爬虫技术从选定的数据来源中收集新闻媒体数据。网络爬虫是一种按照一定规则自动抓取网页内容的程序，它能够快速、高效地从互联网上获取大量的数据，为研究提供充足的数据支持。在实际操作中，主要使用Python语言及其相关库来实现网络爬虫功能。Python作为一种功能强大且广泛应用的编程语言，拥有丰富的库和工具，为网络爬虫的开发提供了便利。其中，Scrapy框架是一个基于Python的开源网络爬虫框架，它提供了一套完整的解决方案，包括请求调度、页面下载、数据解析、数据存储等功能，能够帮助我们快速构建高效的网络爬虫。在使用Scrapy框架时，首先需要创建一个新的爬虫项目。在命令行中输入scrapystartprojectproject_name，即可创建一个名为project_name的爬虫项目，项目创建完成后，会生成一系列文件和目录结构，其中spiders文件夹用于存放爬虫文件，items.py文件用于定义数据结构，settings.py文件用于配置爬虫的各种参数。在爬虫文件中，需要定义爬虫的起始URL、请求方法、解析函数等。通过设置start_urls属性，指定爬虫的初始URL列表，爬虫会从这些URL开始抓取网页。使用parse方法对下载的网页进行解析，提取所需的新闻数据。在解析过程中，可以使用XPath或CSS选择器来定位网页中的元素，提取新闻标题、发布时间、正文内容等信息。例如，通过XPath表达式//div[@class="article-title"]/text()可以提取网页中所有class为article-title的div标签中的文本内容，即新闻标题。BeautifulSoup库也是Python中用于解析HTML和XML文档的常用库，它能够将复杂的网页结构解析成易于处理的树形结构，方便我们提取其中的数据。在数据收集过程中，当使用Scrapy框架下载网页后，可以将网页内容传递给BeautifulSoup进行进一步的解析。使用BeautifulSoup(response.text,'html.parser')将网页内容解析为BeautifulSoup对象，然后通过find或find_all方法查找特定的元素，如新闻正文所在的div标签、发布时间所在的span标签等。使用find_all('div',class_='article-content')可以查找所有class为article-content的div标签，从而获取新闻正文内容。在实际操作中，还需要注意一些问题。要合理设置爬虫的请求频率，避免对目标网站造成过大的压力，防止被网站识别为恶意爬虫而被封禁IP地址。可以在settings.py文件中设置DOWNLOAD_DELAY参数，控制每次请求之间的时间间隔。对于一些需要登录才能访问的网站，需要模拟登录过程，获取登录后的Cookie信息，并在请求中携带Cookie，以实现对受限页面的数据抓取。还需要对抓取到的数据进行去重和清洗，去除重复的数据和无用的信息，提高数据质量。可以使用Python的集合（set）数据结构对数据进行去重，使用正则表达式等方法对数据进行清洗，去除HTML标签、特殊字符等噪声数据。3.2情感分析方法的应用3.2.1文本预处理文本预处理是情感分析的关键起始步骤，它能够显著提升情感分析的准确性和可靠性。在本研究中，对收集到的网络新闻媒体文本数据进行了一系列的预处理操作，主要包括数据清洗、分词、去除停用词和词性标注等步骤。数据清洗是预处理的首要环节，旨在去除文本中的噪声和无关信息，使文本数据更加规范和易于处理。网络新闻媒体数据中常包含HTML标签、特殊符号、标点符号以及乱码等噪声。这些噪声不仅会增加数据处理的负担，还可能干扰情感分析的结果。通过使用正则表达式和相关工具，可以有效地去除HTML标签，例如使用re.sub(r'<.*?>','',text)来匹配并删除文本中的HTML标签。对于特殊符号和标点符号，可以利用re.sub(r'[^\w\s]','',text)去除非字母和非空白字符，保留文本的核心内容。对于乱码问题，可以通过指定正确的编码格式进行解码，如text.encode('utf-8','ignore').decode('utf-8')，以确保文本的可读性和准确性。分词是将连续的文本分割成单个词语或短语的过程，它对于后续的文本分析至关重要。在英文文本中，单词之间通常用空格隔开，分词相对简单；而在中文文本中，词语之间没有明显的分隔符，分词难度较大。本研究采用结巴分词工具对中文文本进行分词。结巴分词提供了精确模式、全模式和搜索引擎模式等多种分词模式，能够满足不同场景的需求。在精确模式下，结巴分词会将句子最精确地切开，适合文本分析；使用jieba.cut(text,cut_all=False)即可实现精确模式分词，返回的结果是一个生成器，可以通过list()函数将其转换为列表形式，方便后续处理。对于英文文本，使用nltk库中的word_tokenize函数进行分词，fromnltk.tokenizeimportword_tokenize;words=word_tokenize(text)，该函数能够根据英文的语法规则将文本准确地分割成单词。去除停用词是为了减少文本中的高频无意义词汇，这些词汇对情感分析的贡献较小，反而会增加计算量和噪声干扰。常见的停用词包括“的”“地”“得”“在”“是”等。在中文处理中，可以使用nltk库中提供的中文停用词表，也可以根据实际需求自定义停用词表。将分词后的文本与停用词表进行比对，去除其中的停用词，filtered_words=[wordforwordinwordsifwordnotinstopwords]，从而使文本更加简洁，突出情感相关的词汇。对于英文文本，同样可以使用nltk库中的英文停用词表，通过类似的方式去除停用词。词性标注是为每个词语标注其词性，如名词、动词、形容词、副词等。词性信息能够为情感分析提供更多的语言结构和语义信息，有助于更准确地理解文本的情感倾向。在Python中，可以使用nltk库的pos_tag函数进行词性标注，fromnltk.corpusimportstopwords;fromnltk.tokenizeimportword_tokenize;fromnltk.stemimportWordNetLemmatizer;fromnltk.corpusimportwordnet;importnltk;nltk.download('punkt');nltk.download('averaged_perceptron_tagger');nltk.download('stopwords');nltk.download('wordnet');words=word_tokenize(text);pos_tags=nltk.pos_tag(words)，返回的结果是一个包含单词及其词性的元组列表。通过词性标注，可以进一步筛选出对情感分析有重要作用的词性，如形容词和副词通常更能表达情感倾向，而名词和动词的情感表达相对较弱。通过以上数据清洗、分词、去除停用词和词性标注等文本预处理步骤，能够有效地提高情感分析的准确性。去除噪声和无关信息可以减少干扰，使情感分析模型专注于文本的核心内容；分词能够将文本转化为可处理的单元，便于提取情感特征；去除停用词能够突出情感相关的词汇，降低计算复杂度；词性标注则为情感分析提供了更丰富的语义信息，有助于更准确地判断文本的情感倾向。这些预处理步骤相互配合，为后续的情感分析任务奠定了坚实的基础，能够提高情感分析模型的性能和可靠性，使研究结果更加准确和可信。3.2.2情感词典的构建与选择情感词典在情感分析中起着至关重要的作用，它为判断文本的情感倾向提供了基础依据。在本研究中，综合考虑了现有词典的特点、房地产领域的专业性以及机器学习方法的优势，进行了情感词典的构建与选择。现有情感词典众多，各有其特点和适用范围。AFINN词典由FinnÅrupNielsen创建，包含一系列英文单词及其对应的情感分数，分数范围通常在-5到5之间，负数表示负面情感，正数表示正面情感，0表示中性。AFINN词典的优点是简单易用，能够快速对英文文本进行情感打分。然而，它的词汇量相对有限，对于一些特定领域的专业词汇和新兴词汇可能覆盖不足，在房地产领域，对于“容积率”“公摊面积”等专业词汇可能没有对应的情感标注。SentiWordNet是基于WordNet构建的情感词典，为每个词条提供了正面情感、负面情感和客观性的评分。它的优势在于基于语义网络构建，能够较好地捕捉词汇之间的语义关系，对于语义理解和情感分析有一定的帮助。但SentiWordNet在实际应用中也存在一些问题，由于它是基于通用语料库构建的，对于特定领域的情感分析，可能无法准确反映该领域的情感特点，在分析房地产新闻时，对于一些行业特有的情感表达可能无法准确识别。Loughran-McDonaldFinancialSentimentDictionary是针对金融领域的情感词典，主要用于分析金融文本的情感倾向。它在金融领域具有较高的专业性和准确性，能够准确识别金融术语的情感色彩。但在房地产领域，虽然金融与房地产有一定的关联，但该词典并不能完全满足房地产领域的情感分析需求，对于一些房地产特有的词汇和情感表达，可能无法提供准确的标注。为了更好地适应房地产领域的情感分析，本研究结合领域特点对现有词典进行了扩展和优化。通过收集房地产领域的专业词汇，如“楼盘”“房价”“学区房”“刚需”等，并根据房地产行业的实际情况和专家经验，为这些词汇标注情感倾向和强度。对于“房价上涨”这一词汇组合，根据市场情况和消费者的普遍反应，将其标注为负面情感，因为房价上涨通常会增加消费者的购房压力；而“优质学区房”则标注为正面情感，因为它满足了消费者对教育资源的需求。同时，利用网络爬虫技术从房地产专业网站、论坛、社交媒体等平台收集与房地产相关的文本数据，从中提取高频词汇和情感词汇，进一步丰富情感词典的内容。在房地产论坛上，经常出现“小区环境差”“物业态度恶劣”等表达负面情感的词汇，将这些词汇及其情感倾向添加到词典中，能够提高词典对房地产领域文本的覆盖范围和情感分析的准确性。机器学习方法也被应用于情感词典的构建。利用有监督的机器学习算法，如朴素贝叶斯、支持向量机等，对大量已标注情感倾向的房地产文本数据进行训练，学习文本中的情感特征和模式，从而自动生成情感词典。首先将文本数据进行预处理，包括分词、去除停用词等步骤，然后提取文本的特征，如词袋模型、TF-IDF特征等，将这些特征作为输入，使用已标注的情感标签作为训练目标，训练机器学习模型。训练好的模型可以对未标注的文本进行情感分类，根据分类结果将文本中的词汇及其情感倾向添加到情感词典中。使用朴素贝叶斯算法对房地产新闻数据进行训练，将训练得到的词汇与情感倾向关系添加到词典中，能够补充词典中未涵盖的词汇和情感表达。这种基于机器学习的方法能够自动学习文本中的情感特征，发现一些人工难以标注的情感词汇和表达方式，提高情感词典的质量和适应性。在实际应用中，根据具体的研究需求和数据特点，灵活选择和组合不同的情感词典和构建方法。对于一般性的房地产新闻文本分析，可以首先使用现有的通用情感词典进行初步的情感分析，获取文本的大致情感倾向；然后结合扩展后的房地产领域专用情感词典，对文本中的专业词汇和领域特有的情感表达进行更准确的判断；利用基于机器学习构建的情感词典，对文本中一些新出现的词汇和复杂的情感表达进行补充分析。通过这种多词典融合和多种构建方法结合的方式，能够充分发挥不同词典和方法的优势，提高情感分析的准确性和可靠性，更准确地揭示网络新闻媒体对房地产市场的情感态度。3.2.3情感分类模型的训练与评估在情感分析任务中，选择合适的情感分类模型并对其进行训练和评估是至关重要的环节。本研究选择了深度学习模型，如长短期记忆网络（LSTM）和门控循环单元（GRU），因其在处理序列数据和捕捉长期依赖关系方面具有出色的能力，能够有效应对网络新闻媒体文本中的复杂语义和情感表达。LSTM是循环神经网络（RNN）的一种变体，它引入了细胞状态（cellstate）和三个门控（输入门、遗忘门、输出门）机制，以解决RNN在处理长序列数据时面临的梯度消失和梯度爆炸问题。细胞状态就像一条贯穿整个序列的“高速公路”，可以长期保存信息，遗忘门决定了细胞状态中哪些信息需要被保留或丢弃，输入门控制新信息的输入，输出门则决定输出哪些信息。这种精细的门控机制使得LSTM能够有效地处理长期依赖，捕捉文本中长距离的语义和情感信息。在处理房地产新闻文本时，LSTM可以通过对句子中前后词汇的学习，理解文本的整体情感倾向，即使情感表达分散在较长的文本中，也能准确捕捉到。GRU是对LSTM的一种简化，它合并了忘记门和输入门为更新门，同时引入重置门，以更少的参数实现高效的信息控制。GRU的结构相对简单，训练速度更快，尤其适合在资源受限的环境下使用。在情感分类任务中，GRU同样能够通过门控机制有效地处理文本序列中的信息，虽然在理论上对长期依赖的处理能力略逊于LSTM，但在实际应用中，对于许多文本情感分析任务，GRU能够取得与LSTM相当甚至更好的性能表现。在处理一些短文本的房地产评论时，GRU可以快速地对文本进行情感分类，且由于其参数较少，不易出现过拟合问题。在训练过程中，首先对收集到的网络新闻媒体文本数据进行预处理，包括数据清洗、分词、去除停用词、词性标注等步骤，将文本转化为适合模型输入的格式。将文本数据转换为词向量表示，常用的方法有词袋模型（BagofWords）、TF-IDF、Word2Vec、GloVe等。在本研究中，使用Word2Vec将文本中的每个词汇映射为一个固定维度的向量，这样可以将文本表示为一个向量序列，作为LSTM和GRU模型的输入。准备好训练数据后，设置模型的超参数，如隐藏层的大小、学习率、批处理大小、训练轮数等。隐藏层大小决定了模型的学习能力和表达能力，学习率控制模型参数更新的步长，批处理大小影响模型训练的效率和稳定性，训练轮数则决定了模型训练的次数。通过多次实验和调参，确定了适合本研究的超参数设置。使用Keras框架搭建LSTM和GRU模型，模型结构通常包括一个嵌入层（EmbeddingLayer），用于将词向量输入模型；一个或多个LSTM或GRU层，用于学习文本序列中的语义和情感特征；一个全连接层（DenseLayer），用于将LSTM或GRU层输出的特征映射到情感类别上；一个激活函数层，如sigmoid函数（用于二分类任务，判断文本为正面或负面情感）或softmax函数（用于多分类任务，判断文本为正面、负面或中性情感等），用于输出模型的预测结果。在训练过程中，使用交叉熵损失函数（Cross-EntropyLoss）作为模型的损失函数，该函数能够衡量模型预测结果与真实标签之间的差异。采用Adam优化器对模型的参数进行更新，Adam优化器结合了Adagrad和RMSProp的优点，能够自适应地调整学习率，加速模型的收敛。在每一轮训练中，将训练数据按照批处理大小分成多个批次，依次输入模型进行训练，模型根据预测结果和真实标签计算损失值，并通过反向传播算法更新模型的参数。在训练过程中，还可以设置验证集，用于监控模型的训练过程，防止模型过拟合。当模型在验证集上的性能不再提升时，停止训练，保存模型的参数。训练完成后，需要对模型进行评估，以衡量模型的性能和准确性。常用的评估指标包括准确率（Accuracy）、召回率（Recall）、F1值（F1-score）和精确率（Precision）等。准确率是指模型预测正确的样本数占总样本数的比例，反映了模型的整体预测能力；召回率是指真实标签为正例且被模型正确预测为正例的样本数占真实正例样本数的比例，衡量了模型对正例的识别能力；F1值是准确率和召回率的调和平均数，综合考虑了模型的准确率和召回率，能够更全面地评估模型的性能；精确率是指模型预测为正例且预测正确的样本数占模型预测为正例的样本数的比例，反映了模型预测正例的准确性。使用测试集对训练好的LSTM和GRU模型进行评估，计算上述评估指标的值。如果LSTM模型在测试集上的准确率为85%，召回率为80%，F1值为82.5%，精确率为83%，则说明该模型在情感分类任务中具有较好的性能表现。通过对模型性能的评估，可以了解模型的优势和不足，为进一步优化模型提供依据。如果模型在某些类别上的召回率较低，可能需要调整模型结构或增加训练数据，以提高模型对这些类别的识别能力。3.3网络新闻媒体情绪指数的构建3.3.1情绪指数的计算方法为了准确衡量网络新闻媒体对房地产市场的情绪，本研究构建了网络新闻媒体情绪指数。该指数综合考虑了情感极性和强度两个关键因素，采用加权平均法进行计算。在情感极性方面，通过情感分析模型将新闻文本分为正面、负面和中性三类。对于正面情感的新闻文本，赋予其情感分值为1；负面情感的新闻文本，情感分值为-1；中性情感的新闻文本，情感分值为0。这种赋值方式能够直观地反映新闻文本的情感倾向，便于后续的计算和分析。情感强度则通过对文本中情感词汇的强度进行量化来确定。利用情感词典中每个情感词汇的强度值，结合词汇在文本中的出现频率，计算出文本的情感强度。如果一个文本中多次出现强度较高的正面情感词汇，那么该文本的情感强度就较高；反之，如果出现较多强度较高的负面情感词汇，则情感强度较低。在计算情绪指数时，采用加权平均法，公式如下：\text{情绪指数}=\frac{\sum_{i=1}^{n}w_{i}\timess_{i}}{\sum_{i=1}^{n}w_{i}}其中，n表示新闻文本的数量，w_{i}表示第i篇新闻文本的权重，s_{i}表示第i篇新闻文本的情感分值（根据情感极性和强度确定）。新闻文本的权重可以根据其发布平台的影响力、传播范围、阅读量等因素来确定。对于影响力较大的新闻平台发布的新闻，赋予较高的权重；对于传播范围广、阅读量高的新闻，也相应提高其权重。这样可以使情绪指数更准确地反映网络新闻媒体整体的情绪倾向，避免因个别低影响力新闻的干扰而导致指数偏差。在确定权重时，可以采用层次分析法（AHP）等方法。首先，构建判断矩阵，比较不同新闻平台的影响力、传播范围、阅读量等因素之间的相对重要性。通过专家打分或数据分析等方式，确定判断矩阵中的元素值。然后，计算判断矩阵的特征向量和最大特征值，得到各因素的权重向量。将各因素的权重向量进行归一化处理，得到最终的新闻文本权重。这样确定的权重能够更加科学合理地反映新闻文本在情绪指数计算中的重要程度，提高情绪指数的准确性和可靠性。3.3.2情绪指数的时间序列分析对构建好的网络新闻媒体情绪指数进行时间序列分析，有助于直观地观察其波动趋势，并分析其与重大事件之间的关联。通过绘制情绪指数的时间序列折线图，可以清晰地看到情绪指数随时间的变化情况。从折线图中可以发现，情绪指数存在明显的波动，且在某些时间段内波动较为剧烈。在房地产市场调控政策出台前后，情绪指数往往会出现较大的变化。当政策利好房地产市场时，新闻媒体的报道情绪通常较为正面，情绪指数上升；而当政策收紧或出现不利消息时，新闻媒体的报道情绪可能转向负面，情绪指数下降。进一步分析情绪指数与重大事件的关联，可以发现一些规律。在某城市发布限购政策后，网络新闻媒体对该政策进行了广泛报道，引发了公众的关注和讨论。从情绪指数的变化来看，在政策发布后的一段时间内，情绪指数明显下降，表明新闻媒体和公众对该政策的态度较为负面，认为限购政策可能会对房地产市场的发展产生一定的抑制作用。而在房地产市场出现重大发展机遇，如某地区大规模基础设施建设规划出台时，新闻媒体的报道情绪较为积极，情绪指数上升，反映出市场对未来房地产市场的发展充满信心。在进行时间序列分析时，还可以采用一些统计方法和模型，如移动平均法、指数平滑法、ARIMA模型等，对情绪指数的趋势进行预测和分析。移动平均法通过计算一定时间窗口内的平均值，来平滑数据的波动，更清晰地显示出数据的趋势。指数平滑法对不同时期的数据赋予不同的权重，近期数据的权重较大，能够更及时地反映数据的变化。ARIMA模型则可以对时间序列数据进行建模，分析其自相关、偏自相关等特征，预测未来的走势。通过这些方法的应用，可以更深入地了解网络新闻媒体情绪指数的变化规律，为研究其对房价波动的影响提供更有力的支持。四、网络新闻媒体情绪对房价波动的影响机制分析4.1理论分析4.1.1信息传播与公众认知网络新闻媒体凭借其独特的传播优势，在信息传播的速度、广度和深度上都远超传统媒体，对公众关于房地产市场的认知和态度产生了深远影响。在传播速度方面，网络新闻媒体具有即时性的特点。一旦有关于房地产市场的新动态、新政策或突发事件，网络新闻媒体能够在第一时间进行报道，迅速将信息传递给广大受众。在国家发布新的房地产调控政策时，各大新闻网站和社交媒体平台会在政策发布后的几分钟内发布相关消息，并进行解读，使公众能够及时了解政策内容和对自身的影响。这种快速的信息传播使得公众能够及时获取最新的市场信息，从而对房地产市场形成及时的认知和判断。从传播广度来看，网络新闻媒体的覆盖面极为广泛。通过互联网，全球范围内的用户都可以轻松访问各种网络新闻媒体平台，获取房地产市场的相关信息。无论是一线城市还是偏远地区的居民，都能通过网络了解到不同地区的房地产市场动态。社交媒体平台的分享和转发功能进一步扩大了信息的传播范围，一条关于房地产市场的新闻可能在短时间内被大量用户转发，传播到各个角落。在传播深度上，网络新闻媒体不仅能够报道房地产市场的表面现象，还能深入分析背后的原因、影响和趋势。网络媒体会邀请专家学者对房地产市场的热点问题进行解读和分析，从经济、政策、社会等多个角度进行剖析，帮助公众更好地理解房地产市场的运行机制。对于房价上涨的现象，新闻媒体会分析其背后的供需关系、政策调控、土地成本等因素，使公众能够全面了解房价上涨的原因，从而形成更加理性的认知。网络新闻媒体的传播路径主要包括新闻网站、社交媒体平台和移动客户端等。新闻网站作为传统的网络新闻传播平台，具有较高的权威性和专业性，其发布的新闻报道通常经过严格的采编流程，内容较为准确和深入。社交媒体平台则以其互动性强的特点，成为信息传播的重要渠道。用户可以在社交媒体上自由分享和讨论房地产市场的相关信息，形成信息的快速传播和广泛扩散。移动客户端的普及使得用户能够随时随地获取新闻资讯，进一步提高了信息传播的便捷性。网络新闻媒体的传播方式也呈现多样化的特点，包括文字、图片、视频等多种形式。文字报道能够详细阐述新闻事件的内容和背景；图片和图表可以直观地展示房地产市场的数据和趋势，使信息更加易于理解；视频报道则通过生动的画面和声音，增强了信息的感染力和吸引力。这些多样化的传播方式能够满足不同用户的信息获取需求，提高信息传播的效果。网络新闻媒体传播的信息内容对公众认知的形成具有重要影响。正面的新闻报道，如宣传房地产市场的繁荣发展、投资机会等，可能会使公众对房地产市场产生乐观的认知，认为房价将会上涨，从而增加购房和投资的意愿。而负面的新闻报道，如曝光房地产市场的问题、风险等，可能会导致公众对房地产市场产生担忧和负面认知，减少购房和投资行为。当新闻媒体大量报道某地区房地产市场存在的质量问题时，公众可能会对该地区的房地产项目产生不信任感，从而影响他们的购房决策。网络新闻媒体的报道角度和观点也会引导公众的认知方向。如果媒体在报道中强调房地产市场的投机性和泡沫风险，公众可能会更加关注市场的风险因素，对房价的上涨持谨慎态度；反之，如果媒体侧重于宣传房地产市场的稳定发展和长期投资价值，公众可能会更倾向于进行房地产投资。4.1.2投资者情绪与市场预期网络新闻媒体在房地产市场中扮演着重要的信息传播角色，其报道内容和情感倾向能够显著影响投资者的情绪和市场预期，进而对投资决策和市场供需产生重要作用。网络新闻媒体对投资者情绪的影响是多方面的。当网络新闻媒体频繁报道房地产市场的利好消息，如房价上涨趋势明显、投资回报率高、政策支持房地产市场发展等内容时，投资者会受到这些正面信息的刺激，对房地产市场的前景充满信心，从而情绪高涨。这种积极的情绪会促使投资者认为房地产投资是一种低风险、高回报的投资方式，进而激发他们的投资热情。在房地产市场繁荣时期，网络媒体大量报道房价持续上涨的消息，投资者往往会受到这种乐观情绪的感染，纷纷加大对房地产的投资，甚至不惜借贷投资，以获取更多的收益。相反，当网络新闻媒体传播负面消息，如房地产市场调控政策收紧、房价下跌风险增加、房地产企业面临财务困境等，投资者会对市场前景产生担忧和恐慌情绪。负面新闻会让投资者意识到房地产投资可能面临较大的风险，从而降低他们的投资意愿。在房地产市场调控政策出台后，网络媒体对政策的解读和市场反应的报道可能会使投资者感到不安，他们可能会减少投资甚至抛售手中的房产，以避免潜在的损失。投资者情绪的变化直接影响着市场预期。当投资者情绪高涨时，他们会预期房地产市场将继续繁荣，房价会持续上涨。这种乐观的市场预期会促使投资者增加投资，推动市场需求上升。投资者预期房价会上涨，就会提前购买房产，不仅是为了自住需求，更多的是为了获取投资收益。这种需求的增加会在一定程度上推动房价进一步上涨，形成一种自我强化的正反馈机制。当投资者情绪低落时，他们会预期房地产市场将走向衰退，房价会下跌。这种悲观的市场预期会导致投资者减少投资，甚至退出房地产市场，使得市场需求下降。投资者预期房价会下跌，就会持观望态度，等待房价进一步下跌后再进行购买。这种需求的减少会导致市场供过于求，房价面临下行压力。投资者的投资决策和市场供需也受到网络新闻媒体影响下的投资者情绪和市场预期的作用。在投资决策方面，投资者在做出投资决策时，往往会参考网络新闻媒体的报道和分析。如果新闻媒体传递出积极的市场信号，投资者可能会认为当前是投资房地产的好时机，从而果断做出投资决策。他们可能会选择购买房产、投资房地产开发项目或参与房地产相关的金融产品投资。反之，如果新闻媒体报道负面消息，投资者可能会推迟或取消投资计划，以规避风险。在市场供需方面，投资者情绪和市场预期的变化会直接影响房地产市场的供需关系。当投资者情绪高涨，市场预期乐观时，投资性购房需求会增加，推动房价上涨。同时，房地产开发商也会受到市场乐观情绪的影响，加大房地产项目的开发力度，增加市场供给。而当投资者情绪低落，市场预期悲观时，投资性购房需求会减少，市场供给相对过剩，房价下跌。开发商也会减少开发项目，以避免市场风险。网络新闻媒体对投资者情绪和市场预期的影响在不同市场环境下可能会有所不同。在房地产市场繁荣时期，网络新闻媒体的正面报道可能会进一步加剧市场的乐观情绪，导致房价过度上涨，形成房地产泡沫；而在市场低迷时期，负面报道可能会加重投资者的恐慌情绪，加速房价下跌，使市场陷入恶性循环。网络新闻媒体的报道还可能引发市场的羊群效应，当大量投资者受到新闻媒体情绪的影响而采取相同的投资行为时，会进一步放大市场波动，影响市场的稳定。4.1.3羊群效应与市场行为在房地产市场中，羊群效应是一种常见的现象，它对房价波动产生着重要影响，而网络新闻媒体在其中扮演着关键角色，起到了推动和放大羊群效应的作用。羊群效应在房地产市场中表现为投资者和购房者在决策时往往会参考他人的行为和意见，而忽视自己对市场的独立判断。当一部分人开始购买房产时，其他人会受到这种行为的影响，认为市场形势良好，也纷纷跟风购买，即使他们可能并不完全了解房地产市场的实际情况。在某一地区，一些投资者率先购买了房产，随着购房人数的增加，更多的人认为该地区的房地产具有投资价值，于是加入购房大军，导致房价迅速上涨。这种羊群效应的产生源于信息不对称和投资者的有限理性。投资者往往难以获取全面的市场信息，为了降低决策风险，他们会倾向于模仿他人的行为。人类的从众心理也使得投资者更容易受到周围人的影响，认为大多数人的选择是正确的。网络新闻媒体在房地产市场羊群效应中发挥着重要作用。网络新闻媒体的广泛传播特性使得信息能够迅速扩散。当网络新闻媒体报道房地产市场的某一趋势或热点时，大量的投资者和购房者能够及时获取这些信息。当新闻媒体报道某城市房价持续上涨的消息时，这一信息会迅速传播开来，吸引众多投资者和购房者的关注。媒体的报道往往具有引导性，会影响公众对房地产市场的认知和判断。如果新闻媒体对房地产市场持乐观态度，强调投资机会和房价上涨潜力，会进一步激发投资者的热情，促使他们跟风投资。媒体可能会报道某一地区的房地产项目具有良好的发展前景，吸引大量投资者纷纷购买该地区的房产。网络新闻媒体还会通过营造市场氛围来强化羊群效应。当网络新闻媒体大量报道房地产市场的繁荣景象时，会营造出一种“买房必赚”的市场氛围，使投资者和购房者产生紧迫感，担心错过投资机会或购房时机，从而盲目跟风。在房地产市场火热时期，新闻媒体会频繁报道购房者抢购房产的场景，进一步刺激公众的购房欲望，加剧羊群效应。羊群效应通过网络新闻媒体的作用，对房价波动产生了显著的放大效应。当羊群效应发生时，大量的投资者和购房者涌入市场，导致市场需求急剧增加。在供给相对稳定的情况下，需求的大幅增加会推动房价迅速上涨。随着房价的上涨，更多的人受到利益的驱使，加入购房大军，进一步推动房价上涨，形成一种正反馈循环。而当市场出现调整迹象，网络新闻媒体报道负面消息时，羊群效应又会导致投资者和购房者纷纷抛售房产，市场供给大幅增加，需求急剧减少，房价迅速下跌。这种房价的大幅波动不仅影响了房地产市场的稳定，也给经济和社会带来了一定的风险。在房地产市场泡沫破裂时，大量投资者和购房者恐慌抛售房产，导致房价暴跌，许多人资产缩水，甚至引发金融风险。为了减轻羊群效应和网络新闻媒体对房价波动的不利影响，需要采取一系列措施。政府应加强对房地产市场的监管，规范市场秩序，减少信息不对称，提高市场的透明度。政府可以定期发布房地产市场的权威数据和信息，引导投资者和购房者理性决策。媒体应增强社会责任意识，客观、准确地报道房地产市场信息，避免过度渲染和误导。媒体在报道房地产市场时，应全面分析市场的利弊，提供客观的市场分析和建议，引导公众理性看待房地产市场。投资者和购房者也应提高自身的金融素养和风险意识，增强独立判断能力，不盲目跟风，根据自身的实际情况做出合理的投资和购房决策。四、网络新闻媒体情绪对房价波动的影响机制分析4.2实证分析4.2.1研究假设的提出基于前文的理论分析，网络新闻媒体情绪对房价波动存在多方面的影响机制，为深入探究两者之间的关系，提出以下研究假设：假设H1：网络新闻媒体正面情绪与房价上涨呈正相关关系。当网络新闻媒体对房地产市场的报道呈现出积极的情绪时，会增强公众对房地产市场的信心，激发购房者的购房热情和投资者的投资意愿，从而增加市场需求，推动房价上涨。当新闻媒体大量报道房地产市场的繁荣发展、投资回报率高等利好消息时，公众会认为房地产市场前景广阔，房价有望继续上涨，进而纷纷涌入市场购房，导致房价上升。假设H2：网络新闻媒体负面情绪与房价下跌呈正相关关系。若网络新闻媒体对房地产市场的报道情绪为负面，会使公众对房地产市场的前景产生担忧，降低购房者的购房意愿和投资者的投资信心，导致市场需求减少，房价面临下跌压力。当新闻媒体曝光房地产市场的质量问题、政策收紧等负面消息时，公众会对市场失去信心，持观望态度，减少购房行为，使得房价下跌。假设H3：网络新闻媒体情绪的波动会加剧房价的波动。网络新闻媒体情绪的不稳定会导致公众对房地产市场的预期出现较大变化，引