데이터마이닝 기반 소셜네트워크 감성분석 연구

데이터마이닝 기반 소셜네트워크 감성분석 연구

요약

트위터, 페이스북 등 국내외 유명 소셜네트워크 플랫폼 웨이보, 위챗, 최근 몇 년간 온라인 소셜네트워크 플랫폼 방문이 폭발적이고 빠르게 증가하면서 사람들은 직접 게시물을 올리는 경향이 점점 더 커지고 있습니다. 다양한 소셜 네트워크 플랫폼을 기반으로 자신이 표현한 다양한 견해, 생각 및 진정한 감정과 태도를 표현합니다. 동시에 소셜 네트워크 플랫폼 자체는 상당한 양의 실제 텍스트 데이터를 생성하고 축적했으며, 여기에는 실제 사용자가 반영한 다양한 감정적 성향과 실제 의견이 많이 포함되어 있습니다. 이러한 여론 정보를 마이닝 및 분석하고 그들의 감정적 성향을 분석 및 판단하는 것은 최적화되고 개인화된 추천, 더 나은 사회적 여론 정보 모니터링 서비스 및 기타 활동을 위한 중요한 연구 가치와 실질적인 의미를 가질 수 있습니다.
이 프로젝트의 주요 작업은 Python을 통한 데이터 마이닝을 기반으로 Weibo 감정 분석 시스템을 설계하고 웹 크롤러를 통해 Weibo의 핫스팟 정보 크롤링을 실현하고 jieba를 사용하여 크롤링된 정보에 대한 중국어 단어 분할을 수행하고 이를 표시하는 것입니다. 데이터 분석을 위해 사용자에게 제공되는 사용자. 마지막으로 텍스트 감정 분석에 SnowNLP를 사용합니다. 사용자 또는 플랫폼이 다른 네티즌의 감성 성향을 직관적으로 느낄 수 있도록 합니다.

1 장 소개

1.1 연구배경 및 연구의의

1.1.1 연구 배경

2009년 시나는 웨이보 서비스 출시에 앞장섰다. NetEase, Sohu 및 Tencent는 자체 마이크로블로그 서비스를 시작했습니다. 그 이후로 Weibo는 중국에서 점점 더 유명해졌고 사용자 수도 증가했습니다. 이 4개 회사의 특징은 엔터테인먼트 스타를 활용해 사용자의 관심을 끌고 국내외에서 일어나는 일에 대한 정보를 거의 공개하지 않는다는 점입니다. . 나중에 뉴미디어 사용자를 확보하기 위해 일부 전통적인 뉴스 사이트도 Weibo를 시작했으며 여기에 People 's Daily Online이 포함되어 있음을 언급 할 가치가 있습니다. 지금까지 Weibo 서비스는 출시된 지 10년이 넘었으며 휴대폰과 인터넷의 인기는 Weibo를 누구나 아는 이름으로 만들었습니다.

1.1.2 연구의 의의

인터넷 기술의 발달과 네티즌의 수가 증가함에 따라 점점 더 많은 사람들이 소셜 미디어에 자신의 의견과 의견을 표현하거나 기쁨을 나누거나 부정적인 감정을 발산하고 있습니다. 다양한 발언. Weibo, Douyin, Bilibili 등 소셜플랫폼의 댓글 감성분석 연구는 댓글에 사용된 빈도가 높은 단어를 크롤링하여 동시대 네티즌들의 주요 감정을 연구합니다. 인터넷상의 단어들도 "어반독", "이모", "바비큐", "yyds", "아이플러깅" 등 삶의 지속적인 변화와 함께 인터넷에 표현된 의미와 그들이 나타내는 것 의미는 완전히 다릅니다. 더욱이 인터넷의 사용이 점차 보편화되고 그에 따라 사람들의 라이프스타일도 변화하고 있습니다. 브리지로서 네트워크는 사람들 간의 통신을 담당합니다. 그러나 검색엔진의 발달로 인터넷상에서 실생활에 대한 불만을 토로하는 네티즌들도 늘어나고 있다.

1.2 주요 연구 내용

본 논문은 대상 웹사이트의 정보 추출, 텍스트 처리, 시각적 분석, 클러스터링 기법을 이용하여 키워드 분석을 수행하며, 시스템의 주요 업무는 다음과 같다 .

웹 크롤러의 특정 기능은 URL 주소를 기반으로 요청을 보내고, 웹 페이지를 얻을 때까지 기다리고, 웹 페이지의 DOM 문서를 구문 분석하여 새 URL을 얻고, 얻은 데이터를 로컬에 저장하고, 끝까지 반복하는 것입니다. 루프의.
2. 데이터 처리
많은 양의 정보를 데이터베이스에 저장합니다. 데이터 세트를 수집하고 구축합니다. 데이터 세트는 데이터를 저장합니다.
3. 데이터의 시각적 표시
크롤링된 정보에 대해 중국어 단어 세분화를 수행하고 사용자에게 시각적으로 메시지를 표시하며 사용자를 위해 데이터를 분석합니다. Cloudword 시각화 기술을 사용하여 시각화합니다.
4. 감성 분석
감성 분석 모델을 구축하여 사용자 댓글에 대한 감성 분석을 수행합니다. 수집된 데이터는 시스템에서 처리되고
감정 분석은 SnowNLP로 수행됩니다.

제2장 관련 기술

2.1 크롤러 소개

2.1.1 파충류 개념

웹크롤러는 웹로봇이라고도 불리는 웹스파이더로, 이름에서 알 수 있듯이 인터넷에 있는 파일의 내용을 자동으로 크롤링하는 역할을 한다. 크롤링 프로세스는 다음과 같습니다. 먼저 네트워크 주소를 얻어 네트워크에서 콘텐츠를 크롤링한 다음 웹 페이지에 링크가 있는지 확인하고 링크가 있는 경우 링크를 대기하고 마지막으로 크롤링된 콘텐츠를 데이터베이스에 저장합니다. 크롤링이 설정된 조건을 충족할 때까지 위의 프로세스를 프런트 엔드에 반복적으로 표시합니다.

2.1.2 파충류의 분류

파충류의 종류는 여러 가지가 있는데 방법에 따라 여러 종류로 나눌 수 있는데 파충류의 기능과 내부 구조, 기어가는 전략에 따라 일반 크롤러, 집중 크롤러, 심해 크롤러의 세 가지 범주로 나눌 수 있습니다. 겉옷.

2.1.3 크롤링 전략

그래프의 순회 방법과 유사하게 크롤러 전략에는 최선 우선 전략, 깊이 우선 전략 및 너비 우선 전략의 세 가지 유형이 있습니다.

2.2 데이터 마이닝

2.2.1 데이터 마이닝 프로세스

1. 데이터 마이닝 요구 분석
시스템이 어떤 종류의 데이터를 필요로 하는지 고려하고, 데이터 마이닝의 요구를 수집, 구성 및 설명하고, 시스템의 일반적인 완성 정책을 공식화하고, 관련 배경의 필수 데이터 및 지표를 결정합니다.
2. 데이터 수집
데이터베이스에서 데이터 샘플을 추출하고, 초기에 데이터 소스를 분석하고, 데이터 품질을 추정하고, 샘플을 추출, 구성 및 처리하고, 마지막으로 데이터 마이닝 세트에서 샘플 데이터를 처리합니다.
3. 모델 설정
테스트 그룹에서 서로 다른 알고리즘과 방법을 사용하여 장점과 단점을 비교한 다음 더 적합한 분석 방법을 선택하여 1세대 모델을 만듭니다.
4. 모델 배포
데이터 마이닝 집합의 데이터 배포를 완료하고 모든 데이터를 로드한 다음 데이터를 환경에 배포합니다.
5. 모델 평가
모델이 예측 결과에 미치는 영향을 확인하고, 모델이 적용 가능한 경우 표준을 충족하는지 추정하고 실제 상황에 따라 수정합니다.

2.2.2 데이터 마이닝 방법

1. 분류 분석
각 데이터에는 요약할 수 있는 고유한 특성이 있습니다. 이렇게 수집된 데이터는 분류분석 방법에 따라 해당 카테고리로 반영할 수 있습니다.
2. 회귀 분석
회귀 분석은 주로 시계열 분석 방법을 사용하여 데이터의 추세 특성을 예측하고 예측된 데이터가 일정한 관계가 있는지 여부를 예측합니다.
3. 군집 분석 방법
각 데이터는 같은 위치에 있지만 다른 위치에 있기 때문에 군집 분석 알고리즘을 이용하면 각각의 유사점과 차이점에 따라 서로 다른 카테고리로 나눌 수 있습니다. .
4. 연관 규칙 분석
상관관계는 행동 간의 상관관계를 의미합니다. 관심의 지속성과 잠재의식 경향으로 인해 특정 행동을 수행할 때 다른 행동과 관련될 가능성이 높습니다.
5. 이상치 검출
행동 데이터에서 특정 행동 데이터가 다른 데이터와 너무 많이 벗어나면 그룹에서 벗어난 값, 즉 비정상 행동을 형성하게 된다.

2.2.3 데이터 마이닝 - 나이브 베이즈

전통적인 감정 분석 방법에는 SVM(Support Vector Machine), Naive Bayesian(Bayesian) 및 Maximum Entropy(Maximum Entropy)의 세 가지가 있습니다.
베이지안 분류의 원리는 베이지안 공식을 사용하여 계산된 후속 경험의 확률, 즉 특정 범주의 확률에 속하는 개체의 사전 확률에 따라 사후 확률이 최대인 범주를 개체로 선택하는 것입니다.
베이지안 네트워크는 확률적 비순환 그래프로서, 그래프의 각 노드는 랜덤 변수를 나타내며, 그래프의 각 노드는 두 노드 사이의 숫자이며 호가 있으면 확률 변수에 해당하는 랜덤 변수가 두 개가 되는 조건을 나타냅니다. 노드는 상관 관계가 있고 반대로 두 개의 임의 변수는 독립적입니다. 모든 네트워크 노드 X에는 부모 노드가 요구하는 각 가능한 노드 X의 조건부 확률 값을 나타내는 해당 조건부 확률표(Conditional Probability Table, CPT)가 있습니다. 노드 X에 부모 노드가 없으면 CPT는 X의 b.네트워크 구조와 각 노드의 CPT에 의해 정의된 확률 분포 네트워크 변수의 사전 확률 분포입니다.
베이지안 알고리즘: 특징 조건이 서로 독립적이라고 가정하는 방법은 먼저 주어진 훈련 세트를 통해 입력에서 출력까지의 결합 확률 분포를 학습하고, 특징 단어가 독립적이라고 가정하고, 학습된 모델을 기반으로 입력 X 최대 사후 확률로 출력 Y를 얻습니다.
샘플 데이터 세트 D={d1,d2,...,dn}이 설정되고, 샘플 데이터에 해당하는 피처 속성 그룹은 X={x1,x2,...,xd}이고 클래스는 Y= {y1,y2,...,,, , ym}, D는 ym 범주로 나뉩니다. 다음은 x1, x2,,,입니다. . xd가 서로 독립적이고 랜덤한 경우 파일럿 확률 Y Pprior=P(Y), 파일럿 확률 Y Ppost=P(Y|X), 순진한 베이지안 알고리즘에 의해 구할 수 있으며 다음과 같이 구할 수 있습니다. 파일럿 확률 Pprior=P(Y), 증거 P(X), 클래스 조건부 확률 P(X|Y)로 계산:
P(Y|X) = P(Y) P(X|Y) / P(X )
기반으로 각 특성은 서로 독립적이며 주어진 범주가 y인 경우 수식은 다음 수식으로 더 표현할 수 있습니다
.
사후 확률은 위의 두 공식에 따라 계산할 수 있습니다.
Ppost=P(Y|X) = P(Y) ∏di = 1P(xi│Y) / P(X)

2.3 감정 분석 개요

2.3.1 감정 분석의 기본 개념

감정 분석도 주로 텍스트 데이터를 기반으로 하며 현대의 빠른 자연어 처리(NPL) 방법의 두 가지 주요 작업입니다. 감성색상분석 : 성향분석으로 알려진 감성의견 발굴 등 단순한 의미에서 복잡한 주관적 텍스트의 내용을 감성적인 정보와 함께 분석, 가공, 요약하고 종합적인 추론과 요약을 하는 복합적인 과정이다. 인터넷(예: Weibo, Douyin, Station B 등)에는 역사적 인물, 이벤트, 제품 및 기타 가장 귀중한 참조 정보와 같이 활동적인 사용자가 참여하는 온라인 댓글 정보가 많이 있습니다. 이러한 인터넷상의 댓글은 희로애락, 분노, 슬픔, 비통함, 기쁨, 도덕적 비판과 찬사 등 당시 사회 전반의 다양한 이념적, 정서적 경향과 도덕적 경향을 종종 보여준다. 이를 바탕으로 잠재적 사용자는 사용자의 댓글을 직접 열람하여 주관적인 감정이 강한 정보를 직접 읽을 수 있으며, 현재 인기 활동 기업과 기업 제품 자체에 대한 대중의 진솔한 시각을 간접적으로 이해할 수 있다.

2.3.2 감정 분석의 기본 단계

감정 분석 프로세스에는 텍스트 전처리, 기능 표현 및 선택, 교육 모델 및 조정 모델이 포함됩니다. 전통적으로 인식된 텍스트 감성 의미 분석 방법의 기본 경로도 크게 키워드 의미 인식, 어휘 의미 연관, 통계 수준 방법 및 개념 수준 기술의 네 가지 유형으로 요약할 수 있습니다.
1. 키워드 식별: "기쁨", "슬픔", "두려움", "지루함" 등과 같이 텍스트 구조에 나타날 수 있는 키워드를 명확하게 정의할 수 없는 임팩트 단어를 사용하여 임팩트 분류를 달성합니다.
2. 어휘연관: 영향어를 확인하는 것 외에도 어휘의 감성과 관련된 "연관" 값에도 의존한다.
3. 통계적 제어의 기본 방법: 잠재 의미 분석, SVM(support vector machine), bag of words 등의 통계적 방법을 통해 기계 관용구 학습 과정에서 나타나는 다양한 요인을 제어합니다.
4. 개념 수준 기술: 강력한 지능적 특징을 가진 일부 접근법은 정서적 소유자(정서적 상태를 유지하는 사람)와 정서적 대상(정서적 소유자가 감정을 생성하도록 하는 개체)을 감지하여 인식하는 것을 목표로 합니다. 깊이 생각하기 위해, 특정 하위 클래스 특정 문맥 조건에서 얻은 특정 문법적 의견을 깊이 파고들기 위해, 주어진 사람의 그러한 문법적 의견을 얻는 것과 관련된 특정 문법 기능 중 하나에 대해 깊이 생각하기 위해서는 이러한 다양한 구체적인 문법의 사용이 필요합니다. 기능과 그들 사이의 일부 대응. 문법적 기능은 그들 사이에 존재하는 이러한 상호 관계 사이에 존재하는 몇 가지 본질적인 관계를 가지고 있지만, 종종 나타나며 깊은 의미 텍스트 파싱 또는 깊은 텍스트 의미 이해 분석을 통해 얻을 수 있는 깊이를 요구합니다. 단순한 추상 언어의 의미론적 기술 알고리즘의 전통적인 아이디어와 다른 중요한 점은 개념적 수준의 언어 추상화의 의미론적 알고리즘 아이디어의 과정에서
일부 다른 텍스트 지식 자체가 일부 요소를 완전히 표현할 수 없다고 간주됩니다. 텍스트 정보에서, 예를 들어 텍스트 지식 주체는 네트워크가 고려된다는 것을 의미한다. 따라서 이러한 추상적인 의미의 알고리즘적 아이디어를 활용하면서 다른 텍스트 정보 중 상대적으로 복잡하거나 더 미묘하고 복잡한 의미의 감정 표현을 탐색할 수 있기를 바랄 수 있다.
예를 들어, 명시적으로 표현되지 않은 분석을 통해 추출된 어떤 의미의 정보를 전달하는 문자 개념을 나타낼 수 있지만, 분석을 통해 서로의 상호 연관성이 명확하지 않거나 명시적으로 표현된 개념에 존재하는 다른 의미 등을 찾습니다. 관련 요청 정보 중간에서 얻어야 합니다.

2.4 긍정 및 부정 감성 키워드 분석

2.4.1 특정 단계

키워드 분석은 단어 빈도 통계를 기반으로 하며 구체적인 단계는 다음과 같다.
(1) 평가 대상을 결정합니다. 첫째, 부정과 긍정의 텍스트 콘텐츠를 세분화하고, 키워드를 추출하고, 단어 빈도가 높은 단어를 찾고, 경험을 결합하고, 감정적 경향을 분석하는 데 중점을 둡니다.
(2) 이러한 키워드가 포함된 텍스트를 찾아 이러한 텍스트를 세분화하고 운영상의 문제를 반영할 수 있는 빈도가 높은 단어를 추출합니다.

2.4.2 감정 분석

1. 부정어 분석
부정어는 부사의 일종으로 부정어의 의미를 나타내는 단어로 본문에서 고유한 문법적 의미와 영향력을 갖는다. 중국 관용구에 따르면 부정을 강조하면 감정의 극성이 바뀌고 이중 부정은 긍정을 표현하는 경우가 더 많습니다. 따라서 문장의 범위 내에서 감정어 앞에 나타나는 부정어의 개수를 감지할 수 있으며, 홀수일 경우에는 감성어의 극성을 역전시킨다. 1. 감정 단어의 가중치로. 짝수라면 감성언어의 가중치를 일정하게 유지하거나 적절히 증가시킬 수 있다. 이중 부정은 긍정을 표현하므로 직접 긍정보다 무겁습니다.
2. 정도부사 분석 정도부사
도 부사의 일종으로 부사는 일반적으로 동사와 형용사, 범위, 정도 등을 수식하거나 제한하는 데 사용된다. "범위"는 해당 계층적 시퀀스의 특정 수량을 말하며, 이는 해당 수량의 계층적 표현입니다. 예를 들어 "이 누나 참 아름답다"라는 문장에서 "예쁘다"는 칭찬이고, 앞에 "아주"가 수식되어 칭찬의 정도를 강화한다. 이를 통해 정도부사 참여자의 감정적 성향 강도의 변화에 ​​따른 대응이 필요함을 알 수 있다. 또한 "너무 아름답다", "매우 아름답다"와 같이 "너무"와 "특별하다"라는 두 가지 정도의 표현 정도가 다르기 때문에 정도 부사를 4단계로 나누어 서로 다른 서빙 사이즈. 부정어의 용법과 마찬가지로 문장에서 감정어 앞에 정도부사가 있는지 확인하고 감정어의 가중치에 정도부사어의 가중치가 있다면 곱한다.

제3장 시스템 분석

시스템 분석은 Needer를 통해 고객과 소통하고, 획득한 정보를 요구사항 명세를 통해 사용자와 개발자에게 전달하는 것입니다. 요구 사항 분석은 초기에 많은 관심을 기울이지 않았지만 초기 단계에서 얻은 요구 사항은 포괄적이지 않았으며 철저하지 않으면 이후 개발 프로세스에서 많은 기능이 고객의 요구 사항을 충족하지 못하여 개발 주기와 작업이 증가합니다. 심할 경우 공사가 재개되어 손실이 발생하므로 심각할 수 있습니다.

3.1 타당성 분석

실행 가능성 분석은 시스템의 다양한 차원에 따라 시스템이 실행 가능한지 여부를 판단하는 것입니다. 실현 가능성 여부는 다양한 채널을 통해 다양한 각도에서 자체 조사, 분석 및 판단이 필요합니다. 여기에는 더 일반적인 것들이 포함됩니다. 기술적 타당성, 경제적 타당성. 타당성 분석이 매우 중요합니다.소위 칼을 가는 것은 실수로 장작을 자르는 작업을 수행하지 않습니다.시스템을 먼저 조사하지 않으면 시스템을 수행할 수 없거나 고객이 불만을 가질 수 있습니다. 처음부터 시작하십시오. 시스템의 개발 언어는 Python이며 백그라운드 데이터의 저장은 데이터베이스에 직접 저장됩니다. Python은 대상 사이트 정보 추출을 실현하고 jieba를 통해 단어 분할을 수행하며 Cloudword를 통해 시각적 이미지를 생성할 수 있습니다. 사용자 댓글 감성 분석을 위한 감성 모델을 구축합니다. 위에서 언급했듯이 시스템은 기술적으로 수행할 수 있습니다.

3.2 기능 요구사항 분석

1 회원가입 및 로그인 : 시스템 이용 전 로그인이 필요하며, 계정이 없으시면 회원가입 후 로그인 하셔야 합니다.
2. 정보 수집: Weibo 웹사이트에서 관련 정보를 크롤링하고 다른 웹사이트에서 수집한 정보를 데이터베이스에 넣습니다.
3 워드클라우드 분석: 필요한 키워드를 그림으로 그려서 글자 크기나 색상을 변경하여 중요도를 표현하고, 복잡한 키워드는 그래픽 분석을 통해 명확한 그림으로 분석합니다.
4 감성 분석: 사용자 댓글 감성 분석을 위한 감성 분석 모델을 구축하고, 네티즌의 게시물이나 댓글이 긍정적인지 분석합니다.
5 사용자 관리: 사용자 정보를 관리합니다.

4장 시스템 설계

4.1 설계 목표 및 원칙

시스템 개발의 핵심은 시스템 설계에 있다.시스템 설계는 중요한 포인트로, 설계가 요구 사항을 충족하는지 여부는 시스템이 후기 단계에서 성공적으로 개발될 수 있는지 여부와 완료 후 성능이 표준을 충족할 수 있는지 여부를 결정합니다. 전체 시스템 설계에서 충족해야 할 요구 사항은 다음과 같습니다:
(1) 데이터 보안
시스템의 개발 및 설계는 사용자 데이터 및 시스템에서 요구하는 데이터를 포함하여 많은 양의 데이터를 다루며 모든 데이터는 절대적으로 안전해야 합니다. , 그리고 디자인 때때로 예방 조치를 취하지 않으면 숨겨진 보안 문제를 발견하고 개선할 수 없습니다.
(2) 사용 편의성
시스템 개발의 궁극적인 목표는 사용자에게 좋은 경험을 제공하는 것입니다. 사용 여부, 사용 편의성 여부는 고객이 앞으로도 계속 협력할지 여부를 결정합니다. 사용하기 쉬운 시스템은 사용자 생산성을 높이고 사용자 호감도를 향상시킵니다.

4.2 전체 프레임워크

1. 데이터 크롤링
크롤러 크롤링에 따라 주로 웹 페이지의 정보를 가져오고 Python 크롤러 기술을 통해 지정된 웹 사이트에 요청을 시작하고 서버에서 응답한 데이터를 가져와 파싱한 후 Excel에 저장합니다. 이 글은 방향 캡처로 주로 포인팅을 이용하여 대상 웹사이트 페이지의 정보를 가져와서 로컬 파일에 저장합니다.
2. 데이터 처리 크롤링
된 방대한 정보는 중국어 단어 세분화 및 단어 빈도 통계를 위해 데이터베이스에 저장됩니다.
3. 시각적 표시
크롤링된 정보에 대해 중국어 단어 세분화를 수행하고 시각적으로 사용자에게 메시지를 표시하며 사용자를 위해 데이터를 분석합니다.
4. 감성분석
추출된 데이터에서 긍정문과 부정문문을 각각 세분화하여 키워드를 추출하고 감성분석 모델을 구축하여 사용자 댓글에 대한 감성분석을 수행한다.
5. 사용자 관리
사용자 등록 및 로그인.

4.3 시스템 흐름 설계

5장 시스템 구현

결론적으로

시스템은 주로 Weibo 웹사이트의 게시 내용과 댓글 내용에 대한 분석 및 연구를 통해 크롤러, 데이터 마이닝, 텍스트 분석 및 순진한 베이지안 등을 사용하여 데이터 마이닝 방법을 통해 소셜 네트워크 감정을 분석 및 평가하고, 결과는 아이콘으로 표시됩니다. 이번에 시스템 구현 및 설계를 마치고 "말만 하고 가짜 동작은 연습하지 않는 것"이라는 것을 배웠습니다.
시스템을 구축하기 전에는 많은 Python 지식을 잊어버렸기 때문에 데이터베이스와 시스템 간의 연결, 시스템의 버그로 인해 해결할 수 없는 문제 등 개발 과정에서 많은 어려움을 겪었습니다. 인터넷으로 급우들에게 물어보니 해결되었습니다.이 과정에서 많은 것을 배웠고 혼자서 어려움을 해결하는 능력이 향상되었습니다.동시에 책의 지식은 죽었다는 것을 깊이 깨달았습니다.그것을 머리에 넣는 것만으로도 그리고 그것을 사용하여 , 간단히 말해서 "실천은 진실을 테스트하는 유일한 기준입니다."
이 설계 및 구현에 대해 특히 만족스럽지 않은 이유는 빡빡한 시간이 내 생각을 완전히 반영할 수 없기 때문입니다. 정보 피드백에 대한 응답으로 다른 네티즌에게 다른 콘텐츠를 푸시하고 일부 나쁜 단어를 조화시키기 위해 특수 기호를 사용하십시오.