摘要
随着互联网不断走入人们的日常生活，越来越多的人愿意在社交平台上表达自己的情感。社交平台存在着海量的评论短文本，它在研究当今社会舆论与个人情感方面具有重要的作用。因此，基于中文短文本的特点，本文提出了新的情感分析算法模型，并采用该模型对抖音APP中关于大学生毕业季相关视频的评论文本进行毕业生情感倾向分析。本文的主要研究内容与创新如下所示： （1）本文提出了一种结合了有序神经长短时记忆（ON-LSTM）网络与多头注意力机制形成的MAOL模型用于短文本情感分类，解决了国内外以往对于文本类的情感分析研究所用网络模型大多没有考虑词语之间上下文较长距离的信息依赖只考虑了连续词之间的局部信息导致在传播过程中可能丢失一部分的语义信息的问题。获取到的短文本情感语义信息更加丰富，语义特征更加精确。设计实验发现MAOL对于短文本的分类精度达到了80.04%，性能比起其他所对比的模型提高了1.77个百分点以上，证明MAOL模型在短文本情感分析的应用上具有高效性。 （2）本文在MAOL模型上做出改善，在此基础之上又结合了多通道RCNN模型与长短记忆（Bi-LSTM）网络，提出一种融合MAOL和标签语义的短文本情感分析模型RCNN-MAOL-BiLS，即用标签语义扩充文本丰富标签信息同时用MAOL模型整合双向记忆神经网络（Bi-LSTM）获取标签的语义信息并用多通道RCNN模型获取到更丰富的局部特征，解决了大多数的文本情感分析模型在分类阶段将情感类别作为监督信息使用，而在一定程度上忽略了标签的语义信息的问题。同时也设计模型对比实验和消融实验发现此模型在MAOL模型优良性能基础上的分类精度又继续提高了1.45%，成功验证RCNN-MAOL-BiLS模型进一步改善了MAOL的性能。 （3）设计系统并将本文提出的RCNN-MAOL-BiLS模型应用于系统中，对所获取的数据集进行数据预处理、Bert预训练及RCNN-MAOL-BiLS模型训练进行情感分类，并以图文展示分析结果同时对数据集反应的高校毕业生情感倾向问题提出相关建议，以帮助毕业生们抵抗毕业压力。
NETL