今天分享一篇基于微博评论做情感分析的研究范文。 1，范文信息介绍 题目： 融合情感词典和语义规则的微博评论细粒度情感分析 作者：万岩 杜振中 作者单位：北京邮电大学经济管理学院 关键词： 微博舆情; 情感分析; 语义规则; 舆情引导; 发表日期： 2020-11-15 基金资助： 北京市社会科学基金项目“基于首都舆情大数据的公众对政府信任分析和精准引导研究”(项目编号:18GLB031)成果之一； 摘要： [目的/意义] 旨在为政府精准引导舆情提供参考。 [方法/过程] 在情感词汇本体库的基础上,扩充表情符号、网络用语、单字情感词等多类情感词典,结合语义规则建立了微博情感分析模型。同时,通过对比词频模型验证了模型的有效性,以重庆万州公交车坠江事件为例验证了模型的实用性。 [结果/结论] 提出的情感分析模型较词频模型有效提升了细粒度情感分类的准确率,使用该方法分析舆情期间情感的演化能够帮助政府实时掌握舆情动态,有助于政府部门实现舆情的应急管理和有效控制。 文章目录 0 引言 1 情感分析研究 1.1 基于情感词典的情感分类方法 1.2 基于机器学习的情感分类方法 2 情感分析模型 2.1 情感词典的构建 2.2 语义规则 2.3 综合情感计算 3 实验与分析 3.1 实验数据 3.2 实验方法设计 3.3 评测指标 3.4 实验结果分析 4 实例分析 4.1 案例简介 4.2 统计分析 4.3 情感演变分析 4.4 对策与建议 5 结语 2，主要研究步骤，研究工具和相关知识点 2.1 通用中文文本情感分析工具用哪款？ 我们一般会建议写论文搞研究的同学使用GooSeeker文本分词和情感分析软件，主要功能有：分词，人工选词，词频统计，词云图生成，情感分析，社会网络图生成。界面友好，操作简单，文科生可以轻松使用。
2.2 更深度的文本挖掘方法 有没有针对采集内容做高级分析的案例，比如LDA主题分析？资讯版块会不定期发布一些评论采集和分析相关的文章： 1. 分析电商评论发现消费者话题-LDA主题分析篇(Jupyter Notebook) 2. 分析电商评论发现消费者话题-生成走势图(Jupyter Notebook) 3. JupyterNotebook做层次分析法(AHP)权重计算 3，本范例的研究总结 本文提出了一种融合情感词典和语义规则的细粒度情感分析模型，通过扩充情感词典，分析文本语义规则，实现了文本情感的细粒度分析，提高了情感分析的准确率。此外，本文还以重庆万州公交车坠江事件的 63 243 条热门评论为样本，使用提出的情感分析模型分析情感演变趋势，验证了模型的实用性。实践证明，本文的研究结果有助于政府相关部门有效监管、分析和引导网络舆情，实现舆情的应急管理和有效控制。 本文的不足之处在于不能够处理反讽语气，识别反讽语句的情感。后续将会继续完善情感词典，在语义规则中加入反讽语气的处理，进而实现更准确的情感识别。 |
