情绪是由人类神经系统产生的，是人类行为的基本组成部分^{[1, 2]}，视觉^[3]、时间^[4]、社交环境^[5]等的变化都会引起情绪的波动。地方或场所在人们日常生活中起着关键作用，它通过各种方式影响人们对周围环境的感知和体验^[6]。在日常生活中，人们的情感作为空间建构过程中的重要组成部分，其重要性不言而喻。几十年来，包括地理学、城市规划、环境心理学和神经科学在内的各种学科和领域都在考虑环境与人类感知之间的联系^[7-10]。情感地理学主要聚焦于人、情绪和空间的相互影响^[11]，目前以西方研究为主导，研究议题集中在情感—生态环境与气候变化、亲密空间、政治与情感地理、教育与情感地理、地方与归属感、种族与情感地理、特殊人群与情感地理等方面^[12]。国内相关研究虽然起步较晚，但也有学者基于情感地理学研究视角，对地方性和纪念性恐惧景观地游客体验特征进行解读，关注情感在社会文化空间建构中的重要意义^{[13, 14]}。在城市研究中，对空间情绪的关注，有助于改善城市建成环境，提升场所空间的品质，解决城市社会空间不平等问题，增进居民幸福感^[15-17]。

空间环境与人类情感认知研究需要解决数据来源和研究方法等两大重要问题。现有研究的数据主要来源于三个方面：一是通过构建认知等主观指标体系，采取问卷调查等方法，获取受访者的情感认知^[18]；二是搜集出行网站的游记、访谈等文本信息资料，通过对文本内容进行分析来推断人们对城市或场所的情感^{[19, 20]}；三是提取带有地理标记的社交媒体数据，该类数据能够反映大规模居民的实时行为，是人们在使用网络时发生的对实体活动空间的记录^[21]。在研究方法上，近年来，深度学习在图像、自然语言等领域取得显著进展^[22]，其面向的是真实世界的数据处理任务，可有效突破传统数理方法在“先假设后检验”以及处理高维非线性噪声数据等方面的限制，从而可获得更加贴近数据内在真实规律的分析结果^[23]。深度学习在城市风貌分析、问题侦测和城市评估等方面都发挥了可观作用，在城市感知研究中具有极大的潜力^[24]。例如，麻省理工学院媒体实验室（MIT media lab）使用图像识别视觉技术，对Google街景图片数据进行城市实验，已有学者利用该实验推出的Place Pulse数据库对美国和奥地利的城市进行安全性感知研究^[3]；同时，还有学者使用面部表情识别算法对带有地理标签并含有人物面部图像的照片进行分析，估算城市的情绪空间分布，绘制城市情感地图^[25]。词性标注、词义学习、情感分析等自然语言处理技术也有着初步应用^[26]。

但目前结合深度学习自然语言处理技术进行情绪感知的研究还相对较少，尤其是针对含有地理标记的社交媒体网络数据的情绪感知评价研究比较欠缺。本文认为在城市情绪感知研究领域中，需要对情绪类别进行细分，突破消极、积极的二元分类；解释与情绪有关的物质空间要素，突破对情绪感知空间分布的描述性分析；在研究方法上，引入深度学习自然语言处理模型，增加现有感知判别方法的丰富度，实现对大数据样本的分析处理。鉴于以上分析，提出如下研究问题：基于社交媒体签到数据的城市热点POI（point of interest）是否存在空间分布规律？各类热点空间的情绪感知是否存在差异？热点空间的感知意见和与各类情绪相关的物质空间要素是什么？

因此，本文基于社交媒体签到数据，利用深度学习方法，以上海市为研究案例，对城市热点空间进行情绪感知评价研究。首先，通过Python程序获取微博签到数据，并根据研究需求对数据进行预处理；然后，绘制签到POI地图，得到上海市热门签到地点，并使用自然语言处理领域的BERT（bidirectional encoder representations from transformers）预训练模型对热门活动空间的签到数据进行情绪结果识别；进一步，使用百度AI开放平台提供的评论观点抽取接口获取场所的具体评价意见，并使用词法分析探究与空间情绪相关的物质空间要素。

本文以上海市为研究区域，使用Python程序获取微博签到数据。第一步，通过高德地图获取上海市行政边界坐标点上经纬度的最大值和最小值，组成矩形目标区；第二步，以0.0125度为步长，对目标区进行切割，共生成10752个网格，以每个网格的中心为坐标点，获取周边带有地理标记的签到数据。按照以上方法，共采集2019年10月7日—2020年1月7日期间约197万条签到数据，涉及48599个POI。所获取的数据包含文本内容、POI、发表时间等字段（表 1）。

表 1(Tab. 1

表 1 微博签到数据字段结构示例 Tab.1 The Structure of Microblog Geotagged Data Structure

表 1 微博签到数据字段结构示例 Tab.1 The Structure of Microblog Geotagged Data Structure

本研究旨在对上海市热点空间进行情绪感知分析，所筛选的签到地点必须有足够的样本数量，以避免个体的主观影响过大，因此排除签到数量小于100的POI数据；其次，由于签到地点可以用户自定义，并且一个场所可能有多个签到标签，例如“上海浦东国际机场T2航站楼”和“上海浦东机场T2国际出发”可以纳为一个POI，所以对部分POI进行人工判断和整理；最后，清除因地址不详细而无法进行经纬度判断的POI（如以“上海”为签到位置的文本近63万条）。最终，通过以上数据处理，共获得近82万条有效签到文本数据，包含1619个POI。

本文结合社交媒体数据，基于深度学习方法对城市情绪空间分布特征进行研究，并且在已知各热点空间情绪感知评价的基础上，有针对性地分析与各类情绪相关的物质空间要素，构建了基于自然语言处理技术与地理空间分析相结合的城市热点空间情绪感知评价研究框架（图 1）。

图 1(Fig. 1)

图 1 研究框架 Fig.1 Research Framework

情绪（emotion）是一个异常复杂的心理学概念，在研究的初期大多将情绪分为正面、负面来测度，而随着研究的深入逐渐增加新的情绪类型^[27]。基于已有研究对情绪的分类^[27]和数据特征^[28]，本研究将情绪分为快乐（joy）、喜爱（affection）、悲伤（distress）、愤怒（anger）、厌恶（disgust）、无情绪（null）等六类，其中快乐和喜爱为积极情绪，悲伤、愤怒和厌恶为消极情绪（表 2）。本文选取了1.2万条微博文本作为语料数据集，六种情绪类型各2000条，以满足样本的多样性和均匀性，并通过人工方式对该数据集进行情感标记，作为BERT预训练模型^{[29, 30]}微调（Finetuning）的训练样本。在实现上，本文使用开源深度学习库TensorFlow对BERT模型进行微调和情绪分类。经过试验，本文采用256为最大文本长度，训练批次的大小为24，学习率为2e-5，训练迭代次数为5，其余参数为默认值。

表 2(Tab. 2

表 2 微博情绪分类示例 Tab.2 Example of Microblog Emotion Classification

表 2 微博情绪分类示例 Tab.2 Example of Microblog Emotion Classification

本文使用百度AI开放平台提供的评论观点抽取服务对签到文本的观点进行分析。该服务能够自动分析评论关注点和评论观点，并输出评论观点标签及评论观点极性。

词法分析被认为是自然语言处理问题的基础。命名实体识别（named entity recognition），即“专名识别”，是指识别自然语言文本中具有特定意义的实体，主要包括人名、地名、机构名、时间日期等。本文使用百度研发的一款词法分析工具LAC（lexical analysis of Chinese）进行词法分析和命名实体识别，该工具使用Deep Bi-GRU-CRF网络^[31]建模，在测试集上达到了95.5%的准确率。

签到POI地图显示了微博用户签到地点的空间分布情况，反映了上海市主要活动空间及其热度（图 2）。上海市热门签到地点主要分布在外环线以内，在内环以内区域高度集聚，并且呈现出沿地铁线分布的规律；签到POI主要集中在黄浦江畔的历史文化街区外滩、上海顶级商业街区南京西路和淮海中路、老城区东北部的豫园和城隍庙等具有上海特色风貌的区域，上海浦东国际机场、上海虹桥国际机场和上海虹桥火车站等交通枢纽区域，以及高校等用户流量较集中的地区。

图 2(Fig. 2)

图 2 签到POI散点分布图和核密度图 Fig.2 Sign-in Map and POI Kernel Density Map

结合签到次数绘制签到POI三维热力图（图 3）。将1619个POI的签到次数进行排序，并按照相似地点进行归类汇总，发现排名前20的签到地点的签到次数占了总签到次数的近33%。其中“上海迪士尼乐园”以近5万条签到数据成为签到次数最多的地点，远远超过其他签到地点。排名前20的签到地点依次为：上海迪士尼乐园、陆家嘴金融中心、外滩、上海虹桥交通枢纽中心、上海浦东国际机场、上海交通大学、上海师范大学、华东理工大学、同济大学、复旦大学、华东师范大学、虹口足球场、梅赛德斯- 奔驰文化中心、张江高科技园区、上海大学、国家会展中心、五角场、东华大学、新国际博览中心、南京路步行街等。

图 3(Fig. 3)

图 3 签到POI三维热力图 Fig.3 Sign-in POI Three-dimensional Heat Map

与传统情感分析模型相比，BERT模型在精确率、召回率和F1值上均有较大程度的提升。本文预测情绪分类结果的准确度如表 3所示。

表 3(Tab. 3

表 3 微博情绪识别的实验结果 Tab.3 Recognition of Emotion in Microblo

表 3 微博情绪识别的实验结果 Tab.3 Recognition of Emotion in Microblo

根据BERT模型计算每条签到文本每类情绪的得分，返回的值在0—1之间，总计为1分，默认得分最高的情绪为该条文本对应的情绪预测结果。通过ArcGIS软件，采用核密度分析方法（输出像元大小为500，搜索半径为2000 m），制作上海市热点区域情绪分布核密度图（图 4）。发现在市中心出现了“爱也是它，恨也是它”的积极情绪和消极情绪集中区，但前者呈现更加集聚的态势。

图 4(Fig. 4)

图 4 上海市热点区域情绪分布核密度图 Fig.4 Emotion Kernel Density Map of Shanghai

在ArcGIS中对研究范围覆盖边长为n（单位：km）的方格网。在城市群体行为模式研究^[32]中，对城市空间划分采用不同尺度的格网分析单元，可能会产生不同的统计分析结果，即存在可塑性面积单元问题（modified areal unit problem, MAUP）^[33]。为减少MAUP效应对空间数据分析产生的不确定性影响，本文结合已有研究^[34-36]和上海市市域面积，分别尝试建立边长为1 km、1.5 km、2 km的方格网，每个格网区域的值为该区域某类情绪的占比值，并采用自然间断点分级法进行分类。以积极情绪为例，经过可视化对比（图 5），发现当n=1 km时，较好地表达了情绪空间分布的细节，并且展现出最明显的情绪空间变化规律，因此定边长为1 km的网格制作上海市热点区域情绪地图（图 6）。研究发现，用户对上海市热点区域的感知以积极情绪为主，尤其是以人民广场为中心的市中心范围区域，并且具有连片分布的趋势；消极情绪较零散地分布在外环线附近且规律性不强。

图 5(Fig. 5)

图 5 不同尺度方格网单元积极情绪占比空间分布 Fig.5 Positive Emotion Distribution with Different Scales

图 6(Fig. 6)

图 6 上海市热点区域情绪地图 Fig.6 Emotional Map of Shanghai

在图 4和图 6的基础上，进一步探知情绪的空间分布是否存在从市中心到外环随距离变化的规律。首先选定上海市人民广场为中心点，以外环线为边界线，按照1 km为半径向外缓冲，最终得到18个同心环，然后对每个同心环中各类情绪占比进行汇总计算（表 4）。结果发现，从市中心到外环线，“快乐”、“喜爱”的情绪占比呈现下降趋势，“悲伤”、“愤怒”、“厌恶”的情绪占比呈现上升趋势，将这五类情绪按照积极、消极合并计算后，这种趋势更加直观和明显。这可能是因为越靠近市中心，商业休闲等空间功能越多元，公共交通设施越便利，人们对空间的体验越好，相应的空间情绪感知也比较积极。

表 4(Tab. 4

表 4 上海市从市中心到外环的情绪感知空间差异 Tab.4 Spatial Disparity of Emotional Perception from Inner City to Outer Ring in Shanghai

表 4 上海市从市中心到外环的情绪感知空间差异 Tab.4 Spatial Disparity of Emotional Perception from Inner City to Outer Ring in Shanghai

情绪感知地图反映的是城市整体的情绪空间分布，而个体的情绪还可能会和不同的场所类型有关^[36]。受上文研究结果启发，发现有些地点之间情绪感知存在差异度。因此，本文继续对分类型活动空间进行情绪感知评价研究。

结合签到POI地图，对签到排名前20的地点进行分析后发现：人们的情绪与活动空间类型高度相关。梅赛德斯—奔驰文化中心和虹口足球场的“快乐”、“喜爱”情绪占比都很高，“快乐”情绪占比最高的为上海迪士尼乐园；“悲伤”情绪占比最高的为虹桥交通枢纽中心和上海浦东国际机场；除高等院校外，“愤怒”和“厌恶”情绪占比最高的皆为张江高科技园区。按照签到地点的属性，将前20的地点划分为主题乐园、文体演艺中心、交通枢纽、商业中心、高等院校、会展中心、历史文化街区、办公场所等八类活动空间，发现“快乐”情绪占比最高的为主题乐园，“喜爱”情绪占比最高的为文体演艺中心，“悲伤”情绪占比最高的为交通枢纽中心，“愤怒”和“厌恶”情绪占比最高的为高等院校（表 5）。

表 5(Tab. 5

表 5 Top20签到地点分场所类型的情绪占比 Tab.5 Emotion Proportion of Different Types of Places

表 5 Top20签到地点分场所类型的情绪占比 Tab.5 Emotion Proportion of Different Types of Places

为了解各类场所具体的评价意见，需对签到文本的语义进行分析，以获得用户的典型意见。依照评论观点相似性以及与物质空间要素相关性两个标准，对每类活动空间的观点进行聚类，绘制词云图（图 7）。结果发现，用户对各类活动空间的评价结果多为正面意见，主题乐园和文体演艺中心的评价存在相似性，历史文化街区的典型意见为“外滩不错”；两个交通枢纽场所负面情绪的评价结果普遍都提到了服务态度问题和管理问题，上海浦东国际机场由“距离远”引起的负面情绪较多，而上海虹桥交通枢纽中心更多的对“环境”提出了要求，对负面评价意见的分析有利于更好地建设交通枢纽场所，提升作为上海市交通门户的形象。这里需要注意的是，由于用户对上海各个地方的印象比较积极，所以各类型活动空间评论观点抽取的结果具有相似性。在已知各热点空间情绪感知评价的基础上，为了寻找更具体的与情绪相关的要素，下文使用词法分析工具进行物质空间要素感知分析。

图 7(Fig. 7)

图 7 分场所类型的评价词云图 Fig.7 Word Cloud of Comments in the Different Types of Places

使用词法分析工具LAC进行词法分析和命名实体识别，可将文本内容分为24类词性，本文主要探究与情绪相关的物质空间要素，因此最终只保留“普通名词”、“地名”、“处所名词”、“机构名”、“名动词”等五类词性，按照出现次数进行排序，并剔除“天气”、“人”、“上海”等无关要素，最终得到各类场所的物质空间要素。

作为城市特色风貌区的历史文化街区，诱导积极情绪的都是该区域独一无二的标志性空间要素，如“外滩”、“风景”、“夜景”、“灯光”、“黄浦江”“建筑”等，故应该注重优秀历史建筑保护性开发利用，重现风貌、重塑功能，结合区域特有的自然环境，塑造更多积极情绪空间。“南京路”、“影院”、“店”、“美食”、“现场”等要素与商业中心类型的积极情绪较为相关，可以看出多元化的集娱乐、购物、文化活动、街道表演等为一体的综合性商业中心更能激发空间使用者的积极情绪。在主题乐园活动空间类型中，积极情绪和消极情绪相关的物质空间要素存在相似性，都集中在了“迪士尼”、“项目”、“烟花”、“城堡”等，这些要素是该类场所独有的空间特征，因此各类情绪都只会针对主题乐园的项目、特色活动及特色构筑物等进行情感表达。文体演艺中心情况也很类似，单一的“演唱会”、“现场”等要素与各类情绪都相关。对于相同要素能够激发不同情绪感知的场所类型，主要着力点应放在空间载体背后的内容供应上，通过提供特定活动体验来培养其目标消费群体的忠诚度，注重氛围的营造，为空间使用者提供轻松愉悦的体验。

与其他场所相比，高等院校、办公场所、会展中心和交通枢纽等活动空间的消极情绪占比较高，关注与负面情绪相关的物质空间要素，可以为优化空间环境提出政策建议。高等院校类型中提及较多的要素为“图书馆”、“宿舍”、“楼”、“狗”、“垃圾”等。校园相对简单的学习与生活的建筑空间载体成了大学生们消极情绪的来源。根据“复愈性环境”理论^[7]，自然环境更容易带来平和与宁静，成为精神放松和情感交流的场所，使人们的压力得到缓解和释放。因此，学校建筑物和场所设计应注重实用与美观的结合，特别需要关注学生活动中心、体育场馆或展示馆等非教学建筑的建设，丰富校园生活；同时，应注重校园卫生的管理，美化校园环境，妥善处理“流浪猫狗”问题。办公场所类型中“地铁”、“路”等要素与消极情绪相关，可见该空间的使用人群最关注上下班的通勤问题。合理规划办公场所周围道路，减少交通问题造成的负面情绪是城市管理者首要考虑的事情。有趣的是，会展中心类型中提及较多的词为“腿”、“脚”、“鞋”等，通过详细阅读与以上词性相关的文本发现，这和该类场所空间较大，消耗空间使用者太多体力有关。会展中心应该合理设置和适当增加静态的休憩设施，并提高会展空间的趣味性和参与性，例如可设置互动游戏空间，减少人们的疲劳所带来的负面情绪。交通枢纽类型的安检、地铁、行李、垃圾、服务和车辆管理等方面的问题集中导致了空间使用者的消极情绪。所以，交通枢纽需要提高服务质量，注重卫生环境；同时，要合理规划不同交通工具之间的转乘，做好机场、火车站、地铁和公交之间安检的联动性，提高效率，避免重复检查。

空间或场所通过各种方式影响人们的感知和体验，地理学者和空间心理学者都试图探究空间存在与人类感知的关系。由于缺乏足够的数据和适当的研究方法，如何评价人们对活动空间的情绪感知一直是一个挑战。近年来，智能移动终端和社交媒体的普及为研究人们对物质空间的真实想法、情绪及行为偏好提供了新的观测手段，深度学习的发展也为城市感知的定量研究提供了有力的技术支撑。在此背景下，本文通过绘制签到POI地图、情绪地图，分析情绪感知空间变化和分场所情绪感知分布差异，刻画了人们对城市空间的情绪感知；再抽取各类活动空间的评价与物质空间要素，分析情绪表达与物质空间要素的关系。研究发现：①上海市热门签到地点呈现明显的集聚特征，主要分布在城市中心、交通枢纽、地铁沿线、重要公共设施等区域。②数据生产者对上海各个热点地区的情绪表达比较积极，在市中心出现了“爱也是它，恨也是它”的积极情绪和消极情绪集中区，但整体上，积极情绪在市中心的集聚较为明显，并且具有连片分布的趋势，消极情绪较零散地分布在外环线附近且规律性不强。进一步的情绪感知空间变化分析显示：积极情绪的占比从市中心到外环随距离的增加呈下降趋势。深入到各类活动空间层面发现，人们的情绪与活动空间类型高度相关，如主题乐园的“快乐”情绪占比最高，“悲伤”情绪占比最多的是交通枢纽场所。③数据生产者对各类活动空间的评价结果多为正面意见，所以评论观点抽取的结果具有相似性。但是进一步通过对与情绪相关的物质空间要素分析后，发现高等院校、办公场所、会展中心和交通枢纽等地的要素诱导消极情绪的比例较高。

本文的学术贡献在于：其一，从实证角度丰富了情感地理学的空间性特征研究。在理性主义与科学主义的影响下，情感常常被认为是脱离经济关系的纯粹的主观精神问题^[37]，被空间秩序所排斥、被公共政策制定过程所忽视^[13]，情感研究在人文地理学领域依旧处于比较边缘化的地位^[12]。在过去，人们更多地关注城市空间的功能和实用性方面，很少考虑空间使用者对漫步于城市空间中的感受^[38]，情绪感知研究为理解城市空间和治理城市提供了新的视角，即从情感维度出发，将人对场所的情感作为城市设计和管理的终极目标，这对提升城市品质有重要的意义。文中提及的签到集聚地区也是人群集聚区，比如高校和车站等，人群集聚区存在空间的负面情绪表达在一定程度上反映了潜在的公共安全隐患。虽然情绪表达存在一定的主观性和随意性，但是一些空间使用者体验较差的物质空间要素可以成为城市治理主体减弱公共安全隐患的施政抓手。其二，介绍了一套基于深度学习的数据驱动的方法来探知城市空间的情绪变化。以往很多无法通过人力抽取的规律问题可以由计算机深度学习解决，例如通过将数据挖掘与空间分析相结合，研究人类行为活动的规律^[39]，这对于处理海量的城市数据具有极大的应用潜力。

本研究也存在一定的局限性。深度学习是基于数据驱动一种方法，能对海量数据里所包含的信息进行挖掘，但它对样本的数量和质量都提出了较高的要求，例如，本文研究数据75%的生产者年龄段为18—30岁^[40]，这一样本偏好导致研究发现只反映了该年龄段人群的情绪感知，这也是高等院校、文体演艺中心等年轻人聚集的活动空间排名靠前的原因之一，但这并不影响该方法的研究潜力。其次，人类的情绪感知范围是广泛的，感知还受教育程度、家庭文化以及自身主观因素等的影响，未来可以结合调查问卷等微观数据丰富研究结果。情感地理学发展应立足于社会发展的实际需求，完善研究过程的科学性，深入理论化研究，提高其学术价值和应用价值。