本书总结作者在社交媒体中非语言成分的自动分析与处理相关的研究成果。首先系统介绍了社交媒体中非语言成分的理论基础、非语言分类及研究现状，然后对社交媒体中两类常见非语言成分表情符和非规范拼写进行了系统的研究。对于表情符，本书提出表情符与文本是交互、共同完成社交媒体信息的表达，提出基于LSTM-NN的联合结构的交互预测模型，面向表情符注意力机制的微博情感分析模型，及基于Bi-LSTM-CRF的表情符情感诱因抽取与情感识别联合模型。在非规范化拼写方向，本书针对中文微博文本规范化任务中所面临的关键问题，围绕非规范词识别、非规范词典构建及规范化应用等方面进行了探索和研究。

上篇 非语言成分概述
第1章 社交媒体非语言成分
1.1 社交媒体
1.2 非语言交际
1.3 社交媒体中的非语言成分
1.4 社交媒体中的非语言成分理论基础
1.5 社交媒体中非语言表现形式
1.6 本章小结
第2章 非语言成分研究现状
2.1 社会传播学领域
2.2 语言学领域
2.3 信息处理领域
2.4 非语言成分资源建设
2.5 计算模型
2.6 本章小结
中篇 社交媒体表情符与文本的情感交互
第3章 社交媒体中表情符与文本的情感交互机制
3.1 动机
3.2 相关工作
3.3 表情符情感
3.4 表情符与文本情感交互类别
3.5 情感交互语料构建
3.6 情感交互语料分析
第4章 基于LSTM-NN的联合结构的交互预测模型
4.1 问题形式化
4.2 模型框架
4.3 训练过程
4.4 实验及分析
4.5 本章小结
第5章 基于表情符注意力机制的微博情感分析模型
5.1 动机
5.2 相关工作
5.3 模型
5.4 实验及分析
5.5 本章小结
第6章 基于Bi-LSTM-CRF的微博情绪诱因抽取及情绪识别
6.1 动机
6.2 相关工作
6.3 微博情绪诱因语料构建
6.4 基于Bi-LSTM-CRF的联合模型
6.5 实验及分析
6.6 本章小结
下篇 社交媒体文本规范化
第7章 社交媒体中的文本非规范化拼写
7.1 社交媒体文字语言特征及面临的问题
7.2 文本规范化问题定义
7.3 拼写修正研究现状
7.4 文本规范化研究现状
7.5 中文文本规范化研究现状
7.6 本章小结
第8章 基于词汇链的词义学习超图模型
8.1 动机
8.2 相关工作
8.3 基于词汇链的超图模型
8.4 实验及分析
8.5 本章小结
第9章 基于嵌入表示学习的非规范词一规范词词对关系挖掘
9.1 引言
9.2 相关工作
9.3 基于非参的全局位置多词义嵌入表示模型
9.4 过滤与分类
9.5 实验及分析
9.6 本章小结
第10章 微博文本规范化及应用
10.1 引言
10.2 相关工作
10.3 基于迁移的分词模型
10.4 基于迁移的联合分词及文本规范模型
10.5 实验数据集
10.6 基于迁移的联合分词、词性标注及文本规范化模型
10.7 本章小结
参考文献