基于情感词典与深度学习的文本情感分析结题报告.docVIP

基于情感词典与深度学习的文本情感分析结题报告

一、研究背景与问题提出

在Web2.0时代，社交媒体、电商平台、新闻评论等网络空间产生了海量的用户生成内容（UGC）。这些文本数据蕴含着用户对产品、服务、事件的态度、观点和情绪，成为企业洞察市场需求、政府感知社会舆情、学术机构研究人类行为的重要依据。据《2025年中国互联网发展统计报告》显示，我国网络内容创作规模持续增长，仅电商平台的商品评论年发布量就突破1000亿条。如何高效、准确地从这些非结构化文本中挖掘情感倾向，成为自然语言处理（NLP）领域的研究热点。

传统的文本情感分析方法主要依赖情感词典与机器学习算法。情感词典通过人工或半自动化方式构建包含情感词、程度副词、否定词的词汇集合，基于词汇匹配计算文本情感得分。这类方法具有可解释性强、计算成本低的优点，但面对复杂语境时表现不佳，例如无法处理sarcasm（反讽）、隐喻等语言现象，也难以适应网络用语的快速迭代。机器学习算法如支持向量机（SVM）、朴素贝叶斯（NB）等，通过人工提取文本特征（如TF-IDF、n-gram）进行分类训练，虽然在特定数据集上取得了较好效果，但特征工程依赖领域知识，泛化能力有限。

随着深度学习技术的兴起，预训练语言模型（PLM）如BERT、GPT等在NLP任务中展现出强大的语义理解能力。这些模型通过大规模无标注文本训练，能够自动捕捉文本中的上下文语义信息，