为了开发我们的语料库，我们使用Twitter应用程序编程接口，通过在英国多个城市使用几个边界框收集数据。我们进一步使用了与大流行相关的关键词列表(例如，冠状病毒，sars19, covid19和NHS[国家卫生服务])。数据涵盖了过去两年(即2020年和2021年)。为了获取数据上的位置标签，我们使用Python地理编码库" geopy " [ 41]，它基于第三方地理编码器和其他数据源，帮助定位地址(如Oxford Rd, Manchester M13 9PL)、城市(如Manchester)、国家(如United Kingdom)和地标(以纬度和经度坐标的形式)的坐标。更具体地说，我们使用“提名制”[ 42]作为第三方工具。因此，在这项研究中，我们总共获得了来自48个城市的516,427条推文。

每个城市和表情符号的推文数量显示在 表1而且 多媒体附件1,分别。我们进一步强调了用于分析的9个城市:伯明翰、布里斯托尔、利兹、莱斯特、利物浦、伦敦、曼彻斯特、诺丁汉和谢菲尔德。值得一提的是，这9个城市也是英国人口最多的城市[ 43］．这表明，在给定的地理位置区域，人口规模和发布的推文数量之间存在联系。 多媒体附件1显示与每个表情符号及其含义相关的前50条推文(按百分比)，突出显示表达不同健康问题(如病毒、戴医用口罩、注射器或疫苗的脸)和精神健康状况(如双手合十)的表情符号的使用。

为了预处理数据，我们使用了针对Twitter的特定特征(即拼写错误和缩写)设计的“ekphrasis”工具[ 44］．该工具提供了不同的功能，如标记化、规范化和拼写更正。我们利用该工具对文本进行标记;将单词转换为小写字母;并规范用户提及、url和重复字符。预处理步骤完成后，我们通过三个模型输入数据:(1)基于文本情感深度学习的识别模型，(2)基于深度学习的情感模型，(3)神经网络主题模型。 图1描述了我们的管道，其中我们提供了三个深度学习模型的说明。

我们使用SenticNet 6 [ 38]用于情感分析，因为该模型取得了比其他基于机器学习的情感分析方法更好的性能。SenticNet 6通过使用符号模型(即逻辑和语义网络)和带有深度学习架构的子符号方法来编码含义和句法关系，可以为大约20万个常识概念提供情感评分(在-1到1之间)。然后，我们将帖子中每个概念的情感得分相加，并使用两种基本语言模式(否定和转折模式)[ 45］．例如，如果没有使用模式，“the television is old but rather not expensive”可能会被错误地分类，尽管“old”和“expensive”都是否定的。最后，我们自动计算每个帖子的情绪极性。我们根据以下评分范围将数据分为五类:强阴性(-1至-0.5)、弱阴性(-0.5至-0.1)、中性(-0.1至0.1)、弱阳性(0.1至0.5)和强阳性(0.5至1)。

情感识别模型是基于我们基于深度学习的模型“SpanEmo”[ 39用于多标签情感分类。该模型是在SemEval-2018多标签情绪分类数据集上进行专门训练的[ 46，被标记为多个情绪类别(即愤怒、期待、厌恶、恐惧、喜悦、爱、乐观、悲观、悲伤、惊讶和信任)。SpanEmo专注于学习特定情绪的关联，并将它们的相关性整合到训练目标中。由于SpanEmo在多标签情绪分类任务中取得了出色的表现，我们决定使用它来为我们的数据生成预测。需要指出的是，只有高预测的例子才会被保留。

最后，对于主题建模，我们使用CTM [ 40］．该模型将上下文化文档嵌入到神经主题模型中，以产生更连贯和有意义的主题。因为在五个公开数据集上的评价结果表明CTM所取得的性能优于传统的潜狄利克雷分配[ 47]主题模型和其他神经模型，我们使用CTM从我们的数据中提取主题及其相关词汇。

由于我们的数据是从推特收集的，我们遵循了推特的服务条款和严格的伦理研究协议，类似于指南。 48]，保障个人资料的私隐及保安。值得一提的是，我们的研究主要集中在推文层面;我们预计我们的分析不会产生任何负面的伦理影响。然而，我们认为，这些结果为人们在COVID-19大流行期间在英国不同城市的情绪和话题提供了洞察。

我们对COVID-19在线数据集的情绪、情绪和主题建模进行了不同类型的分析。首先，我们分析了情感词汇和主题词汇之间的关联，两者都证明了词汇与其各自的情感标签和主题之间的关系。然后，我们分析了给定的位置，以及COVID-19对英国不同城市的影响。此外，还对基于时间的特征进行了分析，重点是显示COVID-19随时间的影响。最后，我们分析了数据中的实例，讨论了在英国大流行期间考虑情绪、情感和主题分析在理解人们关注的问题方面的好处。

表2下面是SpanEmo学习的与每种情绪相关的前6个单词。关于如何生成这些单词的详细信息由Alhuzali和Ananiadou提供[ 39］．有些词语既表达了相应的情绪，也表达了COVID-19大流行。例如，“死亡”和“传播”与情感类恐惧高度相关，而“疫苗”和“支持”等词与情感类预期高度相关。这是很直观的，因为有些词直接表达情感(如愤怒、害怕和高兴)，而另一些词间接表达情感(如意外、失败和生日)。我们还观察到一些情感类有相似的词，特别是那些属于相同价空间的词[ 49］．中提出的分析 表2这表明，通过情绪分析和人们在大流行期间的担忧，有可能了解COVID-19的影响。

我们使用CTM提取主题。 表3总结了提取的前18个主题以及每个主题的前5个相关词。我们注意到，用户提到的话题很多，从疫情防控、政府政策、疫苗接种等与新冠肺炎相关的话题，到工作、网络、社交等间接相关的话题。例如，主题1 (t1)包含了一些关于感恩的词(即， 感激,谢谢)，这与对社会支持和疫苗接种的态度有关。主题3 (t3)是关于大流行期间的讨论，主题10 (t10)是关于COVID-19的严重后果( 死,死亡)，主题8 (t8)揭示了职业模式。

图2显示了英国城市样本中表情符号的数量，其中样本包括我们数据中排名前9位的城市，更具体地说，是那些推文数量最高的城市( 表1):布里斯托尔、伯明翰、莱斯特、利兹、利物浦、伦敦、曼彻斯特、诺丁汉和谢菲尔德。表情包包括以下主题:病毒、口罩、竖起/放下大拇指、心碎等。表情符号的比例因城市而异。例如，注射器(今天被称为COVID-19疫苗表情符号)在利物浦的使用率很高;伯明翰的拇指朝下表情符号使用率很高;面具表情符号在伦敦和利物浦被广泛使用。这些表情符号与COVID-19大流行有关，展示了我们的数据在挖掘和分析Twitter等社交数据方面的好处，以便更好地了解大流行对英国不同地区的人们的影响。

在 图3，我们根据推文数量，在数据中排名前9位的城市中，展示了五种情绪(强正面、弱正面、中性、弱负面和强负面)的比例。我们可以观察到，在每个城市中，大约60%的推文是正面的，20%是负面的。与此同时，这些城市中不同情绪的推文比例也有所不同。例如，利兹的强烈负面推文比例相对较高，而谢菲尔德的强烈正面推文比例相对较低。

在 图4，我们展示了数据中排名前9的城市的情绪表达分布。可以观察到，这9个城市有着非常相似的分布，尽管比例因情绪而异。例如，“乐观”和“期待”是最常被表达的情绪。我们还注意到一些复杂的情绪，如喜悦、厌恶和愤怒，这是在COVID-19大流行期间表达的合理情绪。有趣的是，信任表达的比例极低，这可能与高感染率导致的对决策者缺乏信任，无法正确处理情况有关。值得注意的是，在之前的工作中发现，信任表达的比例在Twitter上普遍稀缺[ 50， 51］．

此外，我们还统计了10个主题在不同城市的比例，如图所示 图5．相似的话题在不同的城市受到不同程度的关注。例如，在莱斯特讨论的主要话题是t2 ( 全球贸易,)，反映市民对国际贸易的关注程度增加。在伦敦，居民们谈论更多的是t4。 王国,曼联)比其他城市要多。此外，谢菲尔德的人口更关注死亡话题，因为t10 ( 死,死亡)比其他城市要多。

随着时间的推移，这一流行病的情况发生了变化，反映出人们对这一流行病的关注程度。 图6显示2020年1月至2021年12月与COVID-19相关的推文数量。我们可以观察到，从2020年1月到2020年2月，推文数量急剧增加(约10万条推文)，这主要是由于英国爆发了COVID-19。截至2020年2月，推文数量逐渐下降，这表明人们对疫情的关注有所下降。此外，2021年推文的总体数量相对较低。随着2021年11月在英国发现新冠病毒Omicron变种，发布的推文数量有所增加。

图7呈现随时间变化的情绪表达，涵盖2年(即2020年和2021年)。我们注意到分布随时间而变化。在2020年初，几乎所有情感标签的表达量都达到了峰值，其中一些标签的表达量明显高于其他标签，比如乐观。随着时间的推移，包含情绪的推文数量减少，但情绪分布却发生了巨大的变化，从高度积极到消极。这一趋势一直持续到2021年底。例如，厌恶、悲伤和绝望是这段时间表达最多的情绪，这些情绪在这段时间是合理的，因为病例和死亡人数都在增加[ 52］．

图8显示了2020年2月至2021年11月期间所有推文的主题(在10个选定的主题中)的变化。我们可以看到变化是比较显著的。2020年4月，许多推文表达了对当地议会抗击疫情英雄的感谢，因为与t1相关的消息频率最高( 感激,谢谢)．此外，由于疫苗研究的进展和接种疫苗人数的增加，提及t7的推文数量( 疫苗接种)相对增加，并在2021年1月达到最大值。有趣的是，有许多与t5相关的推文( 电影,视频)，因为电影的出现具有特殊的意义，如 希望的灯塔:英国疫苗的故事而且 一年过去了:一首写给伦敦人的流行病诗．例如，有人发帖说:“很荣幸被@BBCLondonNews拍摄，阅读我们的《一年过去》这一部分，这是一首纪念第一次封锁周年的诗。”

多媒体附件2从我们的数据中展示了9个例子，每个例子都与不同的属性(即情绪、表情符号、情绪和主题)相关联，展示了有趣的发现，突出了这些属性对理解人们对大流行的反应的好处。在这里，我们描述了在我们的数据中经常观察到的推文中表情符号的一些用例。例子1和3显示了与接种疫苗(注射器表情)和感觉强壮/受到保护(肌肉表情)有关的表情符号的使用。这两个例子表明，接种疫苗可以让人们感觉强壮，免受COVID-19疾病的侵害。其他的例子(例如例子4和例子5)讨论航班取消(飞机表情符号)，导致人们错过已经计划好的旅行和假期。例5还讨论了接种COVID-19疫苗后再次旅行的可能性。另一个例子说明了开发志愿者项目的好处，这些项目可以帮助医院和社区抗击COVID-19危机。此外，面具表情符号的使用方式也各不相同，这取决于上下文(例如，长时间封锁)。

从情绪的角度来看，不同的推文表达了不同的情绪(包括积极的、中性的和消极的情绪)。例3讨论了第二种COVID-19疫苗已经成功接种，例9赞扬了社区团体的帮助和支持，这两个例子都显示了用户强烈的积极情绪。例7表达了负面情绪，因为用户因疫情无法见到亲人。其他一些例子(例如例1、2、5、6和8)在大流行期间通过引入疫苗接种、封锁或志愿者来表达积极的态度。此外，示例4显示了一个表达混合情绪(积极和消极)的实例，尽管它被SenticNet标记为中性。然而，SpanEmo发现了一些复杂的情绪，这有助于克服SenticNet在正确处理带有复杂情绪或情绪的表达方面的局限性。

多媒体附件2根据CTM方法计算出的概率，给出每个示例的前3个主题。例子1、3和5属于t7，它主导了关于疫苗和助推器的讨论。例4、例7、例8表达了用户对COVID-19对他们生活影响的态度和情绪，因此这些都被归为t18。例子3和6也属于t1(与感激有关)，因为出现了“thank you”。此外，在一些tweets中表达了对social media (t3)的讨论或使用(例如，例9)。

这项研究调查了2020年1月至2021年12月期间英国不同城市的50多万条与COVID-19有关的推文，这些城市的推文数量在疫情爆发后急剧增加。我们使用了三种基于深度学习的模型来分析和结合情绪、情绪和主题，以确定大流行期间的关键公众关注点。通过我们的分析，我们发现情绪分析可以帮助理解COVID-19大流行期间人们的观点和态度。同时，考虑地理位置信息可以揭示英国不同地区之间的差异。随着时间的推移，总体情绪是积极的，乐观是主要的情绪，这表明人们倾向于对形势持乐观态度。在这两年里，随着流行病学形势和政府政策的变化(如接种疫苗、保持社交距离)，推特上表达的情绪、情绪和话题发生了变化，这也反映了人们态度的变化。

还确定了在联合王国收集关于人们在大流行期间反应的证据时所选属性的好处。这些属性包括情绪、情绪、表情符号和主题建模。这项分析表明，这些属性可以帮助收集证据并分析大流行期间人与人之间的互动。第一个属性是情绪，它可以作为理解人们反应的指南。例如，一些人表达对COVID-19的担忧有多种原因，如(1)解决问题的时间比预期的要长，(2)取消或改变计划，(3)旅行限制，(4)戴口罩，以及(5)与家人和朋友隔离和缺乏联系。其他人表达了一些积极的反应和应对大流行的潜在解决方案，包括家庭支持、接种疫苗、呆在家里或戴口罩，以及志愿服务。第二个属性是表情符号，它描述了文本中的整体表达，在某种意义上类似于主题建模，两者都指的是推文中表达的主题。这为表情符号提供了另一个维度，它一直被用作收集情绪数据的替代品[ 53， 54］．虽然通过这项工作观察这一点很有趣，但我们将其留给未来的工作进行更深入的研究。

情绪分析也有助于了解某些事件背后的公众舆论和看法。通过分析我们数据中的情绪，我们发现大多数人在大流行期间都有积极的态度，这与之前的研究结论相吻合[ 55]，因为他们经常发布有关社会支持和疫苗接种等良好政策的信息，以增强抗击COVID-19的信心。当然，一些人仍然对疫情表示担忧，由于死亡、隔离和封锁政策，他们的正常生活受到了影响，产生了负面情绪。

从提取的话题中，我们发现人们关注的话题有很多，包括COVID-19的症状、疫苗接种、社交媒体、政府政策和生活条件。社交媒体主题的变化揭示了COVID-19对人们生活的影响，将关于日常生活的讨论转移到大流行和政策上。

此外，由于城市环境、疫情、政策、热点等各种因素的影响，来自英国不同城市的人们使用的表情包、表达的情绪、讨论的话题都有所不同。调查结果揭示了人们对COVID-19大流行看法的复杂性和多样性，这表明有必要跟踪公众态度。

这项工作基于现有的自然语言处理方法，这些方法用于分析不同的属性，如情绪、情绪和主题。然而，这些现有的方法可能无法保证其预测反映实际属性。此外，情绪和情感是主观任务，这使得它们难以建模，反过来又会影响我们的解释和结果。此外，由于我们的数据是从Twitter上收集的，使用了特定的关键字，因此我们可能错过了在线线程和观点中的其他主题。相关的讨论也可以从其他社交媒体平台(如Facebook, Reddit)。在这方面，我们的数据提供了Twitter上用户交互的部分样本。然而，这些方法也适用于其他纵向数据和社交媒体平台。

我们的主要贡献是采用多种方法，深入了解COVID-19大流行期间英国城市的公众情绪和情绪。此外，我们的方法是基于地点和时间的，支持跟踪公众关注的比较分析。我们的分析表明，在大流行期间，积极的态度很普遍;乐观和期待是主要的情绪。随着疫情的爆发和流行病学的变化，政府制定了控制措施和疫苗接种政策，主题也随着时间的推移而变化。此外，对比地理位置分析还揭示了不同城市的人们在表达情绪和讨论话题方面的差异。总的来说，我们的研究表明，分析来自社交媒体的数据有助于更好地了解城市层面上与COVID-19相关的公众情绪和担忧，这可能有助于制定可接受的政策。