基于深度学习的直播弹幕情感多分类研究

在网络直播场景下为提高弹幕分析的准确性与高效客观性,文章提出了一种结合MacBERT预训练语言模型与BILSTM-CNN模型的弹幕情感多分类模型MacBERT-BILSTM-CNN,将情感按照乐、好、怒、愁、惊、恶和惧7种情感维度进行分类;同时考虑到颜文字和表情等情感符号所蕴含的内在信息对弹幕情感分析的影响,进行了颜文字和表情符号的替换。经过对比实验,MacBERT-BILSTM-CNN模型在相同数据集上的评价指标与CNN、BILSTM-CNN和MacBERT模型相比都有不同程度的提升,表明了该模型在弹幕情感多分类任务中具有更好的效果;替换情感符号后相比与原始数据集的评价指标有一定提高,证明了充分考虑情感符号蕴含的内在信息能提升弹幕情感倾向判断的准确性。

基于fcmpCNN模型的网络文本情感多分类标注

针对网络文本情感分析,提出了一种基于全卷积—多池化单元的卷积神经网络模型,实现情感多分类标注。无须手动指定多种上下文窗口大小和尽量保留文本的多层次语义,模型通过堆叠多级全卷积—多池化单元,提取出文本特征向量。该文本特征向量包含多个抽象级别、多种上下文窗口大小和不同层次语义的文本特征。模型最后基于此向量计算情感多分类标注。实验表明,模型的网络文本情感多分类标注正确率达到56. 3%,与同类模型比较,提高了情感多分类标注的正确率。