面向心理健康与改进CNN-BiLSTM的文本情感分类研究

传统文本情感极性判断时易忽视外部信息的有效性,进而导致最终分类准确性不高。基于心理健康,构建CNN-BiLSTM-Att文本情感分类模型。首先,构建基于主题模型的BiLSTM和CNN情感分类模型;其次,将BiLSTM和CNN采用并行融合,构建CNN-BiLSTM文本情感分类模型,为提高情感极性词语分类的准确性,引入Attention机制对CNN-BiLSTM模型进行改进;最后,以Stop Words数据集对设计的模型进行实验验证。结果表明,相较于对比模型,研究构建模型性能更优越,可提升情感分类的准确率。

基于NLP的股票选择策略的优化研究

由于股评、新闻对股票价格变化有巨大影响,为选出优质股票以提高投资的收益率,采用了自然语言处理NLP技术对股评数据和新闻数据进行分析,基于朴素贝叶斯模型建立了文本情感倾向分类模型,模型预测准确率达到84%,生成了股评因子。基于LDA主题模型对新闻文本进行话题建模,快速获取新闻文本主题,并引入困惑度寻找文档最优主题数,生成了新闻因子,将股评因子和新闻因子作为筛选股票的依据,从股评和新闻信息中获取对股市带来的影响因素,从而优化选股策略。对于股票基本面数据,采用决策树模型进行因子的重要性分析,选出重要性最高的前5个因子,模型预测准确率达到88%。通过决策树模型,可以更准确地确定哪些因子在影响股价变化方面发挥着关键作用,这种改进的方法能够提高选股策略的有效性和准确性。最终使用主成分分析(PCA)对数据进行降维处理,依据主成分数值的高低来进行股票选择。

基于演化K-medoids方法的微博情感动态分析——以《穹顶之下》为例

[目的/意义]为了动态分析网民对微博热点问题的情感变化,提出了一种融合情感向量模型的演化K-medoids情感动态分析方法。[方法/过程]对评论文本进行分词、去噪,得到多个代表文本含义的实词;使用卡方统计法计算实词与文本类别的相关性,从而获取文本特征词;使用TF-IDF方法计算特征词权重,基于词语关联度建立了文本情感向量模型;将历史代价函数引入到K-medoids算法中,同时保证了相邻时段聚类结果的平滑性和同一时段聚类结果的优化性,从而得到演化的K-medoids动态算法;[结果/结论]以《穹顶之下》微博情感变化为例开展实例研究,结果表明演化K-medoids算法能够有效分析网民对热点事件的情感动态,克服了传统算法只能分析静态数据的缺陷,该结果可为政府有效进行舆情监控和疏导提供一定的参考和依据。