2025《情感分析模型研究的国内外文献综述》2200字.docxVIP

PAGE9

PAGE10

情感分析模型研究的国内外文献综述

人类因为每时每刻都处于不同的生活环境并且需要接触很多不同的人所以也就拥有了不同的情感状态（如高兴、悲伤、失望、激动、恐慌等）。因为人类的情感往往不是单一的某种状态，所以就很难以一种衡量标准来准确的描述出一个人的情感。所以本篇针对网易云音乐歌曲下方的评论通过贝叶斯算法来统计并计算出不同用户对歌曲的情感值，分析歌曲的情感倾向。对事件的情感分析其实早在上世纪初就开始了，在过去的很长一段时间内人们使用的是人工收集数据来统计广大群众的情感意愿或者通过调查问卷的形式来获取民众对某一事物的好感程度，这种情感分析的手段是古老而又真实存在的，比如：历届美国总统大选都是通过统计各民主党派手中的选票来推举新一任总统。其实这种统计方法就属于贝叶斯算法的一种，国外的文本情感分析起步较早目前对情感分析的研究已经进入了新的时代并且与人工智能结合到了一起。

2016年，ChoiSeonHwa发表了基于社会媒体分析的灾害与安全情感模型研究。他对国外的Twitter等社会媒体平台作为研究对象，他将以建立情感类型建模的方法来分析用户所表达出的情感，在情感类型建模中他将情绪分为肯定、否定和观望，以这三种模型对用户评论进行分析，比如他将否定情绪分为焦虑、严肃、悲伤、抱怨等。通过这些手段来统计民众对某一时间的反应，从而可以达到灾难的预测和提供给政府应对策略的目的[1]。

2017年，LeeYewon;WooSungju以韩剧《Goblin》为研究对象做了关于韩国、日本和美国这三个国家的民众对韩剧的消费倾向。在他的研究中，使用的是Russell罗素（1980年）提出的情感原型模型用来提取和区分情感词，以阐明三国民众对韩剧的不同认知[2]。

2018年，情报与信息系统杂志上发表了一篇《基于顾客情感分析的音乐推荐系统的开发》的文章。在作者的系统中，主要实现了用户情感分析功能和针对用户情感的歌曲推荐。在研究过程中作者收集了134个单独的形容词通过对形容词情感的定义最终选出60个形容词作为歌曲情感值分析的权重词汇。音乐调查以词尾形容词为基础，以每一项作为评价歌曲情感的指标这样就科技计算出每一首歌曲的情感值从而可以合理的推荐给用户[3]。

2020年，ElfaikHanane和NfaouiElHabib为了解决阿拉伯语的复杂性、歧义性和地方语言的多样性资源的稀缺性、语言形态的丰富性、语境信息的缺乏以及隐含文本中没有明确的情感词做了阿拉伯语文本情感分析。在多个基准情绪分析数据集上的实验结果表明，该模型比现有的情感分析方法有了飞跃性的进步[4]。

2021年，专家系统及其应用期刊上发表了关于《一种融合深度学习和投资者情绪分析的股价预测混合模型》。该研究做了关于股民情绪对股票价格的影响，是情感分析的研究与深度学习紧密结合的典型例子[5]。

以上研究显示表明情感分析距离生活越来越近，从早期政府部门对广大网民的情感预测到如今情感分析的智能化以及对经济的影响可以看出情感分析成为了现代社会不可缺少的一种技术手段，在国内对情感分析的研究主要集中在了对微博等社交媒体和商品评论等方面。

庄婷婷在基于机器学习的微博情感分析中，实验结果表明该模型对自杀群体的预测准确率达到0.848，可有效地对高自杀风险群体进行早期识别，用于自杀倾向检测和干预，同时发现微博发布时间和自杀风险概率之间存在正态分布关系[7]。凌海彬和缪裕青等人研究了微博图文的多特征融合，图片和文案有很好的融合效果成功的捕捉了用户的情感语义[8]。吴杰胜通过文本词典对微博做了准确的情感分析和预测[9]。李亚伦做了基于注意机制的中文微博负面情感分析方法研究并且实验具有较高的准确性[10]。张家波做了关于微博评论中表情包的情感分析，验证了Emoji表情在情感分析中的重要作用[11]。目前，对商品评论的情感分析方面的研究也非常多。赵佳悌从用BERT语境化词向量[6],注意力机制两方面做了对商品评论的情感研究[12]。曾小芹和余宏使用了SnowNLP库库做了对商品评论的情感分析[13]，他在文章中指出，结果可以使用准确率、召回率来衡量。召回率用来度量完整性或灵敏度。较高的召回意味着更少的假负，而较低的召回意味着更多的假负。提高召回率往往就会降低精确度，两者往往难以同时达到最理想的状态。李明胡、吉霞等人通过细粒度[15],语料数据的预处理流程包括以下几部分:评论的采集与去重，人工标注，中文分词，去停用词等[14]。Jieba分词也是情感分析常用的技术之一[16]，夏玉芹和单雪微等人验证了Jieba分词技术的实用性和可靠性[17]。

参考文献

ChoiSeonHwa.ResearchofEmotionModelonDisasterandSafet