基于时间序列模型和情感分析的情感趋势预测

为解决传统情感分析方法无法对公众未来情感走势变化有效预测的问题,提出一种将时间序列模型与情感分析相结合的情感趋势预测方法。采用深度学习模型对股市论坛实时评论信息进行情感分类,统计固定时间单位的情感值,构建情感值时间序列,提出ARIMA-GARCH时间序列模型,对情感值时间序列进行建模分析,预测投资者的情感走势。实验结果表明,该方法对于情感趋势的预测结果合理,误差较小。同时,发现投资者情感趋势与股市涨跌幅走势相似,为投资决策提供了参考。

基于相关向量机的网络舆情情感趋势预测

对网络舆情事件中网民评论的情感发展趋势进行准确预测具有非常重要的意义和价值.本文提出将网民评论的情感值作为预测指标,通过对评论的句式分析,利用短语模式计算单句及复句的情感值,构建情感值时间序列,建立基于相关向量机的网络舆情情感趋势预测模型,对网络舆情事件中网民评论情感趋势进行预测.选择新浪微博中关注度较高的头条新闻中微博评论的舆情事件作为实验对象,运用本文模型与基于BP神经网络、Elman神经网络等预测模型进行对比.实验结果表明,本文模型具有较高的预测精度,平均绝对百分误差（MAPE）和均方根误差（RMSE）均优于基于BP神经网络和Elman神经网络的预测模型,能较好地预测出网络舆情事件中网民评论情感趋势.

相关性计算在情感分析上的应用

基于相关性算法对情感数据进行了分析、介绍了情感分析的定义和所用到的技术,以及统计学中相关性分析的基本概念。接着介绍了3种相关性算法,并用简单线性相关性算法,实现了对情感数据相关性的分析和验证。最后通过分析历史数据的相关性,对事物的发展趋势进行预测。