基于深度学习和多特征融合的文本情感分析研究.pdfVIP

摘要

基于深度学习和多特征融合的文本情感分析研究

互联网的迅速发展，使得微博、Facebook等为代表的自媒体逐渐流行起来，

成为用户抒发情感和表达个人观点的热门社交平台。这使得大量包含情感倾向的

文本在网络中不断积累，分析这些文本背后隐藏的情感信息，可以掌握人们对热

点话题的情感变化，为相关部门在监控舆情时提供参考。

在自然语言处理中，文本情感分析是重要分支之一。它是指利用文本挖掘等

技术，从含有情感信息的文本中提取态度、观点等信息进行分析。传统的情感分

析方法可大致分为两类，一类是基于词典的方法，另一类是基于机器学习的方法。

前者依赖情感词典的质量，后者则依靠大量的优质数据，所以两者都存在一定的

局限性。深度学习的崛起，正好为文本情感分析提供了新的方法和思路。本文以

微博短文本为情感分析对象进行研究，主要研究工作如下：

微博文本内容丰富多样，但在现有的微博文本情感分析方法中，文字之外的

特征却较少受到注意，导致情感分析效果不尽如人意。为此，本文提出了融合多

特征的文本情感分析方法，构建了三种特征，分别是基于词典的情感值特征、表

情特征以及改进的语义特征，将其融合搭建了文本情感分类模型。通过爬虫爬取

微博文本，对获取的文本进行清洗标注等处理，将其作为自建数据集，用于实验

对比。实验结果表明多特征融合对情感具有更好的指示作用，相较于传统文本卷

积神经网络模型等，本文提出模型的情感分类能力得到了有效提升。此外，本文

还提出基于词频-逆文档频率算法加权的Word2vec模型用于文本词向量化，与传

统Word2vec模型进行对比，证明其具有一定的优势。

本文结合卷积神经网络(ConvolutionalNeuralNetwork,CNN)与双向长短期记

忆神经网络(Bi-directionalLongShort-TermMemory,BiLSTM)构建了文本情感分

类模型（KCNN-BiLSTM）。卷积神经网络可以提取文本的局部语义信息，而双向

长短期记忆神经网络可以提取文本的上下文信息，本文结合两种网络的优点并进

行改进，在卷积神经网络的池化层，采用K-Max池化代替最大池化，一定程度

上保留了特征的频率和部分位置信息。此外，为使模型更加完善，引入自注意力

机制来增加文本中重要词语所占权重。将本文提出的模型与其他传统深度学习网

络模型分别在二分类数据集和三分类数据集上进行实验对比，结果表明KCNN-

BiLSTM模型提高了文本情感分类的准确率，且引入自注意力机制后，模型效果

得到了进一步提升。最后，本文基于Flask框架搭建系统，实现情感分析的可视

化，具有单句文本预测、批量数据预测、数据占比展示和下载的功能。

关键词：

情感分析，多特征融合，卷积神经网络，双向长短期记忆神经网络，自注意

力机制

Abstract

ResearchofSentimentAnalysisBasedonDeepLearningandMulti-

FeatureFusion

WiththerapidprogressofInternet,socialmediaplatforms,e.g.,SinaWeiboand

Facebook,havebecomeincreasinglypopular.Usingaboveplatforms,end-userssend

poststoexpresssentimentsandshareopinionsindailylife,leadingtotheaccumulation

oftextualdatawithemotionaltendency.Thesesentimentinformationonsocialmedia

arevaluableforstudiestotracktheshiftofhumanemotionabouthottopicsandanalysis

thepublicopinionwhenaneventtakesplace.

Asamajorresearchdirectionofnaturall