网络社区中产生的舆情信息包括大量文本、图片和视频等多种模态数据,其传播方式具有随意性、快速性、便捷性等特点,是社会舆论的聚集地,其中未登录词处理是影响网络舆情分析的一个重要环节。本文针对网络图片中涉及未登录词的网络舆情展开分析,从图像文字识别、文本处理、舆情分析等多角度展开研究。本文的主要研究工作和相关结论如下:1.本文分析了涉及未登录词的网络图片的特点,并多角度地探索网络图片与网络舆情、未登录词相互之间的关系。通过网络爬虫和手动标记的方式采集相关数据,运用结合分词技术的Ocr图片文字识别算法有效获取网络图片中的文本数据。2.本文提出了一种双向指向性替换模型,根据文本中未登录词的特点使用了两个输入层来进行替换处理,一层是基于Word2vec语义分析的近义词替换列表,另一层是基于Text Rank提取关键词的替换列表。该模型结合时间序列并基于TF-IDF加权朴素贝叶斯分类器。通过实验得出,在涉及未登录词的舆情事件中,该模型比传统方法具备更好的分类效果,能准确识别出未登录词在网络舆情中的动态变换,该模型不仅能够对涉及未登录词的舆情进行文本分类,也能够基于时间序列的变换而对舆情进行实时分析。3.本文从来源网络图片与网络文本的舆情信息为出发点,不局限传统文本数据,而从文本、图像及两者融合三个方面进行多模态数据的研究。在合成数据集和公开数据集上进行了实验,并进一步构建混杂网络图片和文本的实验应用,结合未登录词的词性、类别、粘合度、时间序列、词频等特征对涉及未登录词的网络舆情进行了有效分析与判定,并进一步证明了本文所构建模型的有效性。