基于机器学习的文本情感分析与情绪识别

龙源期刊网

基于机器学习与情感词典的文本主题概括及情感分析

作者：宋祖康 阎瑞霞 辜丽琼

来源：《软件导刊》2019年第04期

龙源期刊网

龙源期刊网

龙源期刊网

龙源期刊网

龙源期刊网

龙源期刊网

摘 要：作为社交网络重要载体，微博成为信息传播的重要平台，承载着公众情感表达及舆论传播的重要功能。对微博博文及评论作出主题概括及情感分析在网络管控、舆情监测及公众情绪引导方面具有重要的实践意义。提出一种基于机器学习与文本分析的主题概括及情感分析模型。以武汉理工大学研究生坠亡事件为话题，利用Word2vec将文本转化为词向量，并且通过机器学习聚类方法对舆情各个生命周期过程进行主题概括，采用基于词典文本分析方法，对评论文本进行多元情感分析，对表现突出的情感大类作细粒度分析，最终实现基于主题与情感分析的多元细粒度公众情感变化分析模型。该分析模型可在特定舆情事件下得出公众在各阶段的关注中心及情绪变化规律，实现舆情主题与情感变化的协同演化研究。

关键词：主题概括;Word2vec;K-Means;情感分析

DOI：10. 11907/rjdk. 182107

中图分类号：TP301 文献标识码：A 文章编号：1672-7800（2019）004-0004-05

0 引言

作为社交网络的重要载体，微博以简洁、短小的特点爆发式成长，截至2017年年底，微博已发展至4亿用户。微博的特点在于可以即时分享，信息传播不受时间、空间影响，因此成为热点舆论产生及传播的重要平台。平台上信息传播深度、广度及速度均有惊人潜力，若不能及时对公众情感作出更加准确的分析与把握，可能会使其成为国家与社会不安定的潜在因素，甚至引起极大恐慌。因此，对舆情事件下公众情绪进行细粒度多元情感分析刻画，对于维护社会稳定、消除社会潜在不稳定因素有深远影响与意义。

多模态情感识别与情绪分析

随着人工智能技术的不断发展，多模态情感识别与情绪分析成为了一个备受关注的研究领域。人类的情感和情绪是一种复杂而丰富的心理体验，能够影响我们的思维、行为和决策。因此，理解人类的情感和情绪对于设计智能系统、提供个性化服务以及改善用户体验具有重要意义。

多模态指的是利用多个感知通道（如视觉、听觉、语言等）来获取信息，并结合这些信息来识别和分析人类的情感和情绪。传统上，研究人员主要关注于利用单一模态（如文本）进行情感分析。然而，单一模态往往无法全面捕捉到人类的复杂心理状态。因此，利用多个模态进行合成性分析成为了一个热门领域。

在视觉领域中，面部表达是一个重要指标来推断一个人当前所处的心理状态。通过计算机视觉技术可以提取面部表达中包含的丰富信息，并将其与特定表达对应到特定心理状态上。例如，通过检测人脸的微表情和肌肉运动，可以识别出人的愤怒、快乐、悲伤等情绪。此外，眼动追踪技术也可以用来研究人类的情感和情绪。研究表明，眼动模式与认知过程和心理状态之间存在密切关系。通过追踪眼球运动，可以获取到人类在观看特定刺激时的注意力分布和注意力变化模式，从而推断出其情感状态。

在听觉领域中，语音信号也是一种重要的信息来源来推断一个人的心理状态。语音中包含了丰富的声音特征，如语速、音高、声调等可以用来分析一个人是快乐还是悲伤、愤怒还是平静等。通过语音信号处理技术可以提取这些特征，并利用机器学习算法对其进行分类和识别。

此外，在自然语言处理领域中，文本也是一种重要的信息来源进行情感分析。通过分析文本中包含的词汇、句法结构以及上下文信息等可以推断出一个人表达的情感和情绪状态。

多模态情感识别与情绪分析面临着一些挑战。首先，不同模态之间的数据融合是一个复杂的问题。如何将来自不同模态的信息进行有效的整合，以提取出更准确、更全面的情感和情绪信息是一个需要解决的问题。其次，情感和情绪是一个主观体验，不同人可能对同一刺激产生不同的反应。因此，如何个性化地进行情感和情绪分析也是一个需要解决的问题。

人工智能技术在文本分类与情感分析中的应用与性能评估

人工智能技术的快速发展和广泛应用为文本分类与情感分析等自然语言处理任务提供了更高效和准确的解决方案。本文将重点探讨人工智能技术在文本分类和情感分析中的实际应用，并对其性能进行评估。

一、人工智能技术在文本分类中的应用

文本分类是将一段文本归类到预先定义的类别中的过程，它在信息检索、垃圾邮件过滤、情感分析等领域中具有重要的作用。人工智能技术在文本分类中的应用主要包括以下几个方面：

1. 机器学习算法应用：机器学习算法是文本分类中最常用的技术之一。例如，朴素贝叶斯算法、支持向量机算法、决策树算法等，它们通过学习已经标注好的文本样本，从中提取特征并建立模型，通过对新的文本进行分类。

2. 深度学习算法应用：深度学习算法是近年来在文本分类中取得突破性进展的技术之一。例如，卷积神经网络（CNN）、循环神经网络（RNN）和长短时记忆网络（LSTM）等模型，它们能够自动学习出文本中的特征，进一步提高文本分类的准确性。

3. 文本特征提取与选择：文本特征的提取和选择对于文本分类的准确性至关重要。人工智能技术可以帮助从大量的文本中提取重要的特征，并通过算法选择出最有用的特征，从而提高文本分类的性能。

二、人工智能技术在情感分析中的应用 情感分析是通过文本数据判断人的情绪倾向，从而了解人们对于某个事物或主题的态度和感情。人工智能技术在情感分析中的应用有以下几个方面：

1. 情感词典库的构建：为了进行情感分析，需要构建情感词典库，其中包含了各种情感词汇。人工智能技术能够利用大量的文本数据，自动抽取和构建情感词库，提高情感分析的准确性和覆盖面。

2. 情感分类任务：情感分类是情感分析中的一项重要任务，它可以将文本划分为积极、消极或中性等情感倾向。深度学习算法，如LSTM和注意力机制等，能够更好地捕捉文本中的情感信息，提高情感分类的性能。

3. 情感强度分析：情感强度分析是判断情感极性的强度，能够更细致地理解用户对于某个主题或事物的情感倾向。人工智能技术能够识别文本中的情感强度词汇，并通过机器学习算法对其进行量化和评估。

情感分析方法

情感分析是一种通过自然语言处理技术来识别和理解文本中的情感和情绪的方法。它可以帮助人们了解社交媒体上用户对特定产品、服务或事件的态度和情感。在商业领域中，情感分析可以帮助企业更好地了解消费者的需求和情感，从而改进产品和服务，提升用户体验。在本文中，我们将介绍几种常见的情感分析方法，包括词典方法、机器学习方法和深度学习方法。

词典方法是一种基于情感词典的情感分析方法。情感词典是一个包含了大量情感词汇的词典，每个词都被标记了积极、消极或中性的情感极性。在情感分析过程中，我们可以通过计算文本中出现的积极和消极情感词的数量来判断文本的情感倾向。然而，词典方法存在着对文本上下文的理解能力较弱的缺点，因此在处理复杂的语境时效果有限。

机器学习方法是一种基于机器学习算法的情感分析方法。在这种方法中，我们首先需要构建一个情感分类的训练数据集，然后利用机器学习算法来训练情感分类模型。常用的机器学习算法包括朴素贝叶斯、支持向量机和随机森林等。相比词典方法，机器学习方法能够更好地理解文本上下文，从而提高情感分析的准确性和鲁棒性。

深度学习方法是一种基于深度神经网络的情感分析方法。深度学习方法通过构建多层神经网络模型来学习文本中的语义和情感信息。与传统的机器学习方法相比，深度学习方法能够更好地处理大规模数据和复杂的语义信息，从而在情感分析任务中取得更好的效果。

除了以上介绍的几种方法外，还有一些其他的情感分析方法，如基于规则的方法、基于情感知识图谱的方法等。不同的方法各有优劣，选择合适的方法取决于具体的应用场景和需求。 总之，情感分析是一项非常重要和有意义的工作。通过情感分析，我们可以更好地理解人们的情感和情绪，从而为商业决策和用户体验提供更多有价值的信息。希望本文介绍的情感分析方法能够对您有所帮助，也希望情感分析在未来能够得到更广泛的应用和发展。