中文博客多方面话题情感分析研究

博客是Web环境中个人表达观点和情感的一种重要载体,一般涉及较宽泛的话题,蕴含丰富的舆情信息。现有针对有关社会事件的用户产生内容进行情感分析的研究多数以篇章级为处理粒度,尚不能满足博客文本深度情感分析的需求。该文提出一种基于LDA话题模型与Hownet词典的中文博客多方面话题情感分析方法。该方法首先利用数据语料训练LDA话题模型,然后以滑动窗口为基本处理单位,利用训练好的LDA模型对博客文本进行话题识别与划分;在此基础上,基于Hownet词典对划分后的话题段落进行情感倾向计算。该方法有助于同时识别博客文本所涉及的多方面子话题及每个子话题上的情感倾向。实验结果表明,该方法不仅能获得较好的话题划分结果,也有助于改善情感分析的准确率。

基于集成深度学习的培养评估大数据分析与跟踪算法

针对传统就业情况问卷调查方法无法分析诸多变量间的复杂关系且严重依赖人工的问题,建立了一种基于集成深度学习ATE与APC的联合学习模型LCF-ATEPC。该模型集成了文本情感分析中局部上下文聚焦及BERT机制,同时通过文本方面项提取和情感极性分类两个子任务的交互,克服了常规模型中方面项提取任务精度不足的问题。数值实验结果表明,通过LCF-ATEPC算法挖掘社交媒体数据,并进行多方面话题情感分析,可有效提升分析结果的准确度,且相较传统人工评估与深度学习算法分别提升了约3.58%和1.12%,既提高了工作效率又降低了人力成本。