研究论文

基于用户的新浪微博情感分析层次网络

作者:钱陈,肖太阳,佳民王、和孟王作者信息和声明

亚洲和低资源语言信息处理学术汇刊,体积22,问题5

文章编号：143页1-22

https://doi.org/10.1145/3579048

出版:2023年5月9日出版历史

获取访问权限

摘要

新浪微博上的情感分析对政府机构调查民意和企业跟踪市场需求具有很大的推动作用。现有的新浪微博情感分析工作大多侧重于挖掘单个微博中包含的信息，而忽视了微博文本中缺乏上下文信息导致信息提取不准确的问题。受人类从微博文本中判断用户情绪状态的启发，本文创建了一个基于活跃用户的微博文本五类情感分类数据集，并提出了一个用于微博情感分析的基于用户的层次网络。首先，利用信息提取模块中的多头部注意机制和卷积神经网络集对单个微博文本进行分析，充分提取文本中包含的情感信息；同时，通过相关信息捕获模块中设置的移动窗口，获取同一用户在一段时间内发布的其他微博文本，并捕获微博文本之间的有效相关性信息；然后，将上述获得的双文本表示串联起来，并通过信息交互层再次检索相关信息，更新文本表示；最后，分类器输出对应于每个微博文本的五类情感标签。通过实验和结果分析，证明了该模型的有效性。

工具书类

[1]

穆阿特·阿拉利（Muath Alali）、努尔法德利娜·穆赫德·谢里夫（Nurfadhlina Mohd Sharef）、哈兹利娜·哈姆丹（Hazlina Hamdan）、马斯拉·阿兹里法赫·阿兹米·穆拉德（Masrah Azrifah Azmi Murad）和诺·阿。2018.用于推特情绪有序尺度分类的多层卷积神经网络。在软计算和数据挖掘国际会议论文集施普林格，446–454。

[2]

豪尔赫·巴拉兹（Jorge A.Balazs）和胡安·维拉斯克斯（Juan D.Velásquez）。2016年，意见挖掘和信息融合：一项调查。信息。融合27 (2016), 95–110.

数字图书馆

[3]

约翰·卡洛·贝尔托、保罗·T·耶格和德里克·汉森。2012.政策对政府社交媒体使用的影响：问题、挑战和建议。管理。信息。夸脱。29, 1 (2012), 30–40.

[4]

阿德里安·比克斯塔夫和英格丽德·祖克曼。2010年，应用于多路情感检测的层次分类器。在第23届国际计算语言学会议记录（COLING’10）. 62–70.

数字图书馆

[5]

Jose Camacho-Collados和Mohammad Taher Pilehvar。2017.关于文本预处理在神经网络架构中的作用：文本分类和情感分析的评估研究。检索自https://arXiv:1707.01780.

[6]

Ankush Chatterjee、Umang Gupta、Manoj Kumar Chinnakotla、Radhakrishnan Srikanth、Michel Galley和Puneet Agrawal。2019.利用深度学习和大数据了解文本中的情绪。计算。嗯。行为。93 (2019), 309–317.

数字图书馆

[7]

陈坤（Kun Chen）、寇刚（Gang Kou）、尚珍妮弗（Jennifer Shang）和杨晨（Yang Chen）。2015.通过在线产品评论可视化市场结构：集成主题建模、TOPSIS和多维缩放方法。选举人。Comm.Res.Appl.公司。14, 1 (2015), 58–74.

数字图书馆

[8]

陈亚辉。2015用于句子分类的卷积神经网络硕士论文。滑铁卢大学。

[9]

亚历克西斯·康诺（Alexis Conneau）、霍尔格·施温克（Holger Schwenk。2016.用于自然语言处理的深度卷积网络。检索自https://arXiv:1606.01781.

[10]

保罗·埃克曼。2004年，情绪曝光。Bmj公司328，补编S5（2004）。

[11]

Alec Go、Lei Huang和Richa Bhayani。2009年，推特情绪分析。熵17 (2009), 252.

[12]

郑俊海、郭秀中、高丽玲和赵宁。2018.基于多任务学习的微博用户大五个性预测。中国科学院理工大学。科学。35, 4 (2018), 550.

[13]

Zabit Hameed和Begonya Garcia-Zapirain。2020年。使用单层BiLSTM模型进行情绪分类。IEEE接入8 (2020), 73992–74001.

[14]

Ming Hao、Bo Xu、Jing Yi Liang、Bo-Wen Zhang和Xu Cheng Yin。2020年。基于相互关注卷积神经网络的中文短文本分类。ACM事务处理。亚洲低收入语言信息。过程。19, 5 (2020), 1–13.

数字图书馆

[15]

穆罕默德·贾布里尔和安东尼奥·莫雷诺。2019.基于深度学习的推文中多标签情感分类方法。申请。科学。9, 6 (2019), 1123.

[16]

金华克斯特。2018.webo_sent_100k数据集。https://github.com/SophonPlus/ChineseNlpCorpus/blob/master/datasets/weibo_senti_100k.

[17]

卡格尔。2015年，推特-航空-情感数据集。检索自https://www.kaggle.com/crowdflower/twitter-airline-sentiment网站.

[18]

Nal Kalchbrenner、Edward Grefenstette和Phil Blunsom。2014.用于句子建模的卷积神经网络。检索自https://arXiv:1404.2188.

[19]

Nal Kalchbrenner、Edward Grefenstette和Phil Blunsom。2014.用于句子建模的卷积神经网络。检索自https://arXiv:1404.2188.

[20]

Hamidreza Keshavarz和Mohammad Saniee Abadeh。2017.ALGA：使用遗传算法进行自适应词汇学习，用于微博情感分析。知识-基于系统。122 (2017), 1–16.

数字图书馆

[21]

Farhan Hassan Khan、Usman Qamar和Saba Bashir。2016.eSAP：增强情绪分析和极性分类的决策支持框架。信息。科学。367 (2016), 862–873.

数字图书馆

[22]

加里·金、本杰明·施耐尔和阿里尔·怀特。2017年。新闻媒体如何激活公众表达并影响国家议程。科学类358, 6364 (2017), 776–780.

[23]

颜飞兰、刘彦奎和孙高吉。2009年。建立具有可信度服务水平的模糊多周期生产计划和采购问题模型。J.计算。申请。数学。231, 1 (2009), 208–221.

数字图书馆

[24]

Tuan Anh Le、David Moeljadi、Yasuhide Miura和Tomoko Ohkuma。2016年，低资源语言的情绪分析：对印尼非正式推文的研究。在第十二届亚洲语言资源研讨会（ALR’12）会议记录. 123–131.

[25]

Anthony J.T.Lee、Fu Chen Yang、Chao Hung Chen、Chun Sheng Wang和Chih Yuan Sun。2016年，从消费者评论中挖掘感知地图。Decis公司。辅助系统。82 (2016), 12–25.

数字图书馆

[26]

李先勇、张嘉波、杜亚军、朱健、范永泉、陈晓亮。2022.一种新的基于深度学习的情绪分析方法，在微博社交网络中使用表情符号进行增强。企业信息。系统。(2022), 1–22.

[27]

林伟伦（Wei Lun Lim）、何昌庆（Chiung Ching Ho）和丁卓怡（Choo-Yee Ting）。2020.通过融合地理标签推文的文本和位置特征进行情绪分析。IEEE接入8 (2020), 181014–181027.

[28]

凌明杰、陈巧红、孙琦、贾玉波。2020年。用于新浪微博情绪分析的混合神经网络。IEEE传输。计算。社会系统。7, 4 (2020), 983–990.

[29]

2021年，刘楚楚、范芳、徐林、铁才、徐坦、刘建国和新路。使用表情符号嵌入提高情绪分析的准确性。J.安全科学。Resil公司。2, 4 (2021), 246–252.

[30]

杨柳、毕建武和范志平。2017.基于改进的一对一（OVO）策略和支持向量机（SVM）算法的多类情感分类方法。信息。科学。394 (2017), 38–52.

数字图书馆

[31]

罗天杰、李冉、孙哲、陶富强、马诺伊·库马尔和李超。2022年。让大数据说话：基于微博数据的话题提取与情感分析合作模型COVID-19。在自适应和智能系统国际会议记录施普林格，264–275。

数字图书馆

[32]

NLPCC2014.2014年。NLPCC2014数据集。检索自http://tcci.ccf.org.cn/conference/2014/pages/page04_dg.html.

[33]

克里斯托弗·奥拉。2015.了解LSTM网络。Olah C.了解LSTM网络.

[34]

Huyen Trang Phan、Van Cuong Tran、Ngoc Thanh Nguyen和Dosam Hwang。2020年。使用特征集成模型改进包含模糊情感的推文的情感分析性能。IEEE接入8 (2020), 14630–14641.

[35]

刘平、崔宗毅、周伟祥、张阳森。2019.基于行为信息的微博用户个性预测。J.北京信息。科学。Technol公司。大学。3 (2019), 32–38.

[36]

库马尔·拉维和瓦德拉曼·拉维。2015年，关于意见挖掘和情绪分析的调查：任务、方法和应用。知识-基于系统。89 (2015), 14–46.

数字图书馆

[37]

萨拉·罗森塔尔（Sara Rosenthal）、努拉·法拉（Noura Farra）和普雷斯拉夫·纳科夫（Preslav Nakov）。2017.SemEval-2017任务4：在推特上进行情绪分析。在第十一届语义评估国际研讨会会议记录（SemEval’17）. 502–518.

[38]

Jesus Serrano Guerrero、Jose A.Olivas、Francisco P.Romero和Enrique Herrera Viedma。2015年，情绪分析：对网络服务的回顾和比较分析。信息。科学。311 (2015), 18–38.

数字图书馆

[39]

David A.Shamma、Lyndon Kennedy和Elizabeth F.Churchill。2009.推特辩论：了解未收集来源的社区注释。在第一届SIGMM社交媒体研讨会会议记录. 3–10.

数字图书馆

[40]

Michael Speriosu、Nikita Sudan、Sid Upadhyay和Jason Baldridge。2011年，推特极性分类，通过词汇链接和跟随者图传播标签。在自然语言处理中无监督学习第一次研讨会会议记录（NLP’11）. 53–63.

[41]

肖孙（Xiao Sun）、陈章（Chen Zhang）、李国强（Guoqiang Li）、丹尼尔·孙（Daniel Sun）、任富士（Fuji Ren）、阿尔伯特·佐马亚（Albert Zomaya）和拉吉夫·兰詹。2018年，利用商业智能社交媒体检测用户的异常情绪。J.计算。科学。25 (2018), 193–200.

[42]

唐慧峰、谭松波和程雪琪。2009年，评论情绪检测调查。专家系统。应用。36, 7 (2009), 10760–10773.

数字图书馆

[43]

Mike Thelwall、Kevan Buckley和Georgios Paltoglou。2012.社交网络情绪强度检测。J.艾默。Soc.信息。科学。Technol公司。63, 1 (2012), 163–173.

数字图书馆

[44]

迈克·瑟沃尔（Mike Thelwall）、凯文·巴克利（Kevan Buckley）、乔治奥斯·帕尔托格鲁（Georgios Paltoglou）、迪蔡（Di Cai）和阿维德·卡帕斯（Arvid Kappas）。2010年，非正式简短文本中的情绪强度检测。J.艾默。Soc.信息。科学。Technol公司。61, 12 (2010), 2544–2558.

数字图书馆

[45]

涂世芬和杨波。2021.基于主题聚类的微博客短文本情感分类研究物理学杂志：会议系列，第1827卷。IOP出版，012160。

[46]

阿什什·瓦斯瓦尼（Ashish Vaswani）、诺姆·沙泽尔（Noam Shazeer）、尼基·帕尔玛（Niki Parmar）、雅各布·乌斯科雷特（Jakob Uszkoreit）、利昂·琼斯（Llion Jones）、艾丹·戈麦斯（Aidan N.Gomez）、尤卡斯·凯泽（ukasz Kais。2017年。你所需要的就是关注。高级神经信息。过程。系统。30 (2017).

[47]

王炳坤、山东红、范爱婉、刘磊和高京丽。2021.基于多维多级建模的网络社交媒体情感分类方法。IEEE传输。工业。信息。18, 2 (2021), 1240–1249.

[48]

王亚坤、杜亚军、胡金荣、李先勇和陈晓亮。SAEP：一个结合T-LSTM和记忆注意机制的环绕软件个人情绪预测模型。申请。科学。11, 23 (2021), 11111.

[49]

特蕾莎·威尔逊（Theresa Wilson）、詹妮斯·威比（Janice Wiebe）和丽贝卡·华（Rebecca Hwa）。2006.确认强势和弱势意见条款。计算。智力。22, 2 (2006), 73–99.

[50]

吴一瑞、郝丽、张丽来、董晨、钱黄和万少华。2022.使用异步训练的面向任务的人机对话系统的联合意图检测模型。亚洲和低资源语言信息处理汇刊. (2022).

数字图书馆

[51]

肖孙（Xiao Sun）、陈章（Chen Zhang）和富士人（Fuji Ren.2018）。基于社交媒体的用户情感建模和异常检测。J.中文信息。过程。32, 4 (2018), 120–129.

[52]

谢欣（Xin Xie）、葛松林（Songlin Ge）、胡凤平（Fengping Hu）、谢明业（Mingye Xie）和南江（Nan Jiang）。2019.基于最大熵的情感分析改进算法。软计算。23, 2 (2019), 599–611.

数字图书馆

[53]

徐嘉诚、陈丹露、邱喜鹏和黄宣景。2016.缓存长短记忆神经网络用于文档级情绪分类。检索自https://arXiv:1610.04989.

[54]

Xinyan Xu和Shunxiang Zhang。2020年。基于表情符号偏好和情绪常识的微博客情绪分析。在网络安全与情报应用与技术国际会议记录施普林格，838–844。

[55]

杨文忠、袁婷婷和王烈军。2020年。基于个性和打包算法的微博情感分类方法。未来互联网12, 4 (2020), 75.

[56]

张磊、王帅和刘冰。2018.情绪分析深度学习：调查。Wiley Interdisc公司。版本：Data Min.Knowl。发现。8，4（2018），e1253。

[57]

张文浩、华旭和魏婉。2012.弱点发现者：通过基于方面的情绪分析从中国评论中发现产品弱点。专家系统。应用。39, 11 (2012), 10283–10291.

数字图书馆

[58]

芝湖。2021.微博年报。检索自https://baijiahao.baidu.com/s？id=1726279068555424418&wfr=spider&for=pc.

引用人

增值税P夏尔马N沙尔马D（未定义）HKG：一种低资源索引语言自动构建知识图的新方法亚洲和低资源语言信息处理学术汇刊10.1145/3611306
https://dl.acm.org/doi/10.1145/3611306

索引术语

基于用户的新浪微博情感分析层次网络
1. 计算方法
  1. 人工智能
    1. 自然语言处理
      1. 语言资源
  2. 机器学习
    1. 机器学习方法
      1. 神经网络
2. 信息系统
  1. 信息检索
    1. 检索任务和目标
      1. 情绪分析

建议

新浪微博谣言自动检测
MDS’12:ACM SIGKDD挖掘数据语义研讨会会议记录

近年来，衡量社交网络信息可信度的问题受到了相当大的关注。此前的大多数研究都选择了世界上最大的微博客平台推特作为研究的前提。在这项工作中，我们改变了。。。
阅读更多信息
中文推特和新浪微博的主题差异
WWW’16指南：第25届国际会议指南在万维网上的会议记录

新浪微博是中国最受欢迎的微博平台，被认为是中国社会生活的代表。在这项研究中，我们对比了新浪微博和中文推特上的讨论，以观察两种不同的。。。
阅读更多信息
基于内容的中国微博在线社交网络情感分类
ACSW’17：澳大利亚计算机科学周会议记录

近年来，社交网络风靡全球。特别是在中国，更多的人把时间花在社交网络上。新浪微博作为中国最受欢迎的微博，记录了来自不同人群的数百万条微博。。。
阅读更多信息

评论

信息和贡献者

问询处

发布于

封面图片ACM亚洲和低资源语言信息处理汇刊

亚洲和低资源语言信息处理学术汇刊第22卷第5期

2023年5月

653页

ISSN公司：2375-4699

EISSN公司：2375-4702

内政部：10.1145/3596451

编辑：
伊梅德·齐图尼
谷歌，美国

允许制作本作品的全部或部分数字或硬拷贝供个人或课堂使用，但不收取任何费用，前提是复制品的制作或分发不是为了盈利或商业利益，并且复制品在首页注明本通知和完整引文。必须尊重作者以外的其他人对本作品组成部分的版权。允许用信用证进行摘要。要以其他方式复制或重新发布，在服务器上发布或重新发布到列表，需要事先获得特定许可和/或付费。从请求权限[电子邮件保护].

出版商

计算机协会

美国纽约州纽约市

出版历史

出版：2023年5月9日

在线AM：2023年1月6日

认可的：2022年12月25日

修订过的：2022年10月24日

收到：2022年3月29日

在TALLIP中发布体积22,问题5

权限

请求对此文章的权限。

检查更新

作者标记

限定符

研究文章

资金来源

中国国家重点研发计划
安徽省重点项目
国家自然科学基金项目总程序员

贡献者

其他指标

查看文章指标

文献计量学和引文

文献计量学

文章指标

1
引文总数
查看引文
335
总下载次数

下载量（最近12个月）175
下载次数（最近6周）13

其他指标

查看作者指标

引文

引用人

增值税P夏尔马N沙尔马D（未定义）HKG：一种低资源索引语言自动构建知识图的新方法亚洲和低资源语言信息处理学术汇刊10.1145/3611306
https://dl.acm.org/doi/10.1145/3611306

视图选项

获取访问权限

登录选项

检查您是否可以通过登录凭据或您的机构访问本文。

完全访问权限

获取此文章

视图选项

PDF格式

以PDF文件查看或下载。

电子阅读器

使用联机查看电子阅读器.

电子阅读器

全文

以全文形式查看本文。

媒体

数字

其他

桌子

查看全文|下载PDF

查看问题目录