典型文献
基于RNN-LSTM新冠肺炎疫情下的微博舆情分析
文献摘要:
目前微博已经成为网络舆论传播和挖掘民意的重要平台,为分析疫情事件对网民情绪的影响,科学高效地做好防控宣传和舆情引导工作,为此融合不同的深度学习方法对2020年初发生的新冠疫情的微博评论进行情感分析.提出一种基于 RNN(Recursive Neural Network)和 LSTM(Long Short-Term Memory)混合模型并在嵌入层中使用FastText词向量表示方法,以降低词向量中的噪声数据,从而获得语义丰富且噪声少的高质量词向量,并与朴素贝叶斯、支持向量机、RNN、LSTM多种情感分析方法进行比较.结果表明,所提出的情感分析模型正确率达到了 98.71%,证明了该模型能有效提升情感分析正确率.
文献关键词:
情感分析;微博语料;FastText词向量;长短时记忆网络
中图分类号:
作者姓名:
任伟建;刘圆圆;计妍;康朝海
作者机构:
东北石油大学电气信息工程学院,黑龙江大庆163318;东北石油大学黑龙江省网络化与智能控制重点实验室,黑龙江大庆163318
文献出处:
引用格式:
[1]任伟建;刘圆圆;计妍;康朝海-.基于RNN-LSTM新冠肺炎疫情下的微博舆情分析)[J].吉林大学学报(信息科学版),2022(04):581-588
A类:
B类:
RNN,微博舆情,舆情分析,网络舆论,舆论传播,民意,情事,网民情绪,舆情引导工作,深度学习方法,初发,微博评论,情感分析,Recursive,Neural,Network,Long,Short,Term,Memory,混合模型,嵌入层,FastText,词向量,向量表示,表示方法,噪声数据,量词,朴素贝叶斯,微博语料,长短时记忆网络
AB值:
0.448941
相似文献
机标中图分类号,由域田数据科技根据网络公开资料自动分析生成,仅供学习研究参考。