自然语言处理在文本情感分析领域应用综述

doi:10.11772/j.issn.1001-9081.2021071262

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (4): 1011-1020.DOI: 10.11772/j.issn.1001-9081.2021071262

• CCF第36届中国计算机应用大会 (CCF NCCA 2021) •

自然语言处理在文本情感分析领域应用综述

王颖洁¹, 朱久祺¹, 汪祖民¹, 白凤波²^,³(), 弓箭³

^1.大连大学信息工程学院，辽宁大连 116622
^2.中国政法大学证据科学研究院，北京 100088
^3.中科金审（北京）科技有限公司自然语言处理部，北京 100088

收稿日期:2021-07-16 修回日期:2021-08-22 接受日期:2021-08-25 发布日期:2022-04-28 出版日期:2022-04-10
通讯作者: 白凤波
作者简介:王颖洁（1977—），女，黑龙江齐齐哈尔人，副教授，博士，CCF会员，主要研究方向：人工智能、软件工程
朱久祺（1997—），男（彝族），云南楚雄人，硕士研究生，CCF会员，主要研究方向：深度学习、自然语言处理
汪祖民（1975—），男，河南信阳人，教授，博士，CCF会员，主要研究方向：人工智能、物联网
弓箭（1994—），男，山西临汾人，主要研究方向：机器学习、自然语言处理。
基金资助:
大连大学博士专项基金资助项目(2021QL09)

Review of applications of natural language processing in text sentiment analysis

Yingjie WANG¹, Jiuqi ZHU¹, Zumin WANG¹, Fengbo BAI²^,³(), Jian GONG³

^1.College of Information Engineering，Dalian University，Dalian Liaoning 116622，China
^2.Institute of Evidence Law and Forensic Science，China University of Political Science and Law，Beijing 100088，China
^3.Natural Language Processing Technology Department，Sino FAS （Beijing） Technology Company Limited，Beijing 100088，China

Received:2021-07-16 Revised:2021-08-22 Accepted:2021-08-25 Online:2022-04-28 Published:2022-04-10
Contact: Fengbo BAI
About author:WANG Yingjie， born in 1977， Ph.D.， associate professor. Her research interests include artificial intelligence， software engineering.
ZHU Jiuqi， born in 1997， M. S. candidate. His research interests include deep learning， natural language processing.
WANG Zumin， born in 1975， Ph. D.， professor. His research interests include artificial intelligence， Internet of things.
GONG Jian， born in 1994. His research interests include machine learning， natural language processing.
Supported by:
Doctoral Special Fund of Dalian University(2021QL09)

摘要/Abstract

摘要：

文本情感分析已经逐渐成为自然语言处理（NLP）的重要内容，并在系统推荐、用户情感信息获取，为政府、企业提供舆情参考等领域越来越占据重要地位。通过文献调研的方式，对情感分析领域的方法进行对比和综述。首先，从时间、方法等维度对情感分析的方法进行文献调研；然后，对情感分析的主要方法、应用场景进行归纳总结和对比；最后，在此基础上分析每种方法的优缺点。根据分析结果可以知道，在面对不同的任务场景，主要有三种情感分析的方法：基于情感字典的情感分析法、基于机器学习的情感分析法和基于深度学习的情感分析法，基于多策略混合的方法成为改进的趋势。文献调研表明，文本情感分析的技术方法还有改进的空间，在电子商务、心理治疗、舆情监控方面有较大市场和发展前景。

关键词: 自然语言处理, 情感分析, 情感字典, 机器学习, 深度学习

Abstract:

Text sentiment analysis has gradually become an important part of Natural Language Processing（NLP） in the fields of systematic recommendation and acquisition of user sentiment information， as well as public opinion reference for the government and enterprises. The methods in the field of sentiment analysis were compared and summarized by literature research. Firstly， literature investigation was carried out on the methods of sentiment analysis from the dimensions of time and method. Then， the main methods and application scenarios of sentiment analysis were summarized and compared. Finally， the advantages and disadvantages of each method were analyzed. According to the analysis results， in the face of different task scenarios， there are mainly three sentiment analysis methods： sentiment analysis based on emotion dictionary， sentiment analysis based on machine learning and sentiment analysis based on deep learning. The method based on multi-strategy mixture has become the trend of improvement. Literature investigation shows that there is still room for improvement in the techniques and methods of text sentiment analysis， and it has a large market and development prospects in e-commerce， psychotherapy and public opinion monitoring.

Key words: Natural Language Processing (NLP), emotional analysis, emotional dictionary, machine learning, deep learning

中图分类号:

TP183

王颖洁, 朱久祺, 汪祖民, 白凤波, 弓箭. 自然语言处理在文本情感分析领域应用综述[J]. 计算机应用, 2022, 42(4): 1011-1020.

Yingjie WANG, Jiuqi ZHU, Zumin WANG, Fengbo BAI, Jian GONG. Review of applications of natural language processing in text sentiment analysis[J]. Journal of Computer Applications, 2022, 42(4): 1011-1020.

图/表 9

参考文献 76

1	敖盛，徐岚，敖清文.NLP中文分词技术在桥梁报告数据处理中的应用［J］.交通世界，2020（17）：3-5.
	AO S， XU L， AO Q W. Application of NLP Chinese word segmentation technology in bridge report data processing［J］. Traffic World， 2020（17）： 3-5.
2	郑贞，王华丹，郝丽华.术语学视角下的美军军语词典研究［J］.中国科技术语，2021，23（3）：33-41. （ZHENG Z， WANG H D， HAO L H. Research on US military dictionary from the perspective of terminology ［J］. Chinese Science and Technology Terminology：2021，23（3）： 33-41.）. 10.12339/j.issn.1673-8578.2021.03.005
3	周知，王春迎，朱佳丽.基于超短评论的图书领域情感词典构建研究［J］.情报理论与实践， 2021， 44（9）： 183-189， 197.
	ZHOU Z， WANG C Y， ZHU J L. Research on the construction of emotional dictionaries in the book domain based on ultra-short reviews［J］. Information Theory and Practice， 2021， 44（9）： 183-189， 197.
4	陈基.命名实体识别综述［J］.现代计算机（专业版），2016（3）：24-26.
	CHEN J. Overview of named entity recognition［J］. Modern Computer （Professional Edition）， 2016（3）： 24-26.
5	冯静，李正武，张登云，等.基于隐马尔可夫模型的桥梁检测文本命名实体识别［J］.交通世界，2020（8）：32-33.
	FENG J， LI Z W， ZHANG D Y， et al. Named entity recognition of bridge detection text based on hidden Markov model［J］. Traffic World， 2020（8）： 32-33.
6	邵诗韵，周宇，杨蕾，等.基于条件随机场的电力工程标书文本实体识别方法［J］.计算机与现代化，2020（12）：72-77. 10.3969/j.issn.1006-2475.2020.12.013
	SHAO S Y， ZHOU Y， YANG L， et al. Power engineering bid text entity recognition method based on conditional random field［J］. Computer and Modernization， 2020（12）： 72-77. 10.3969/j.issn.1006-2475.2020.12.013
7	扈应，陈艳平，黄瑞章，等. 结合CRF的边界组合生物医学命名实体识别［J］.计算机应用研究，2021，38（7）：2025-2031.
	HU Y， CHEN Y P， HUANG R Z， et al. Boundary combinatorial biomedical named entity recognition combined with CRF［J］. Application Research of Computers， 2021，38（7）：2025-2031.
8	冯艳红，于红，孙庚，等. 基于BLSTM的命名实体识别方法［J］. 计算机科学， 2018， 45（2）： 261-268. 10.11896/j.issn.1002-137X.2018.02.045
	FENG Y H， YU H， SUN G， et al. Named entity recognition method based on BLSTM［J］. Computer Science， 2018， 45（2）： 261-268. 10.11896/j.issn.1002-137X.2018.02.045
9	罗熹，夏先运，安莹，等.结合多头自注意力机制与BiLSTM-CRF的中文临床实体识别［J］.湖南大学学报（自然科学版），2021，48（4）：45-55.
	LUO X， XIA X Y， AN Y， et al. Chinese clinical entity recognition combining multi-head self-attention mechanism and BiLSTM-CRF［J］. Journal of Hunan University （Natural Science Edition）， 2021， 48（4）： 45-55.
10	郑洪浩，于洪涛，李邵梅.基于改进的Transformer编码器的中文命名实体识别［J］.网络与信息安全学报， 2021，7（5）： 105-112.
	ZHENG H H， YU H T， LI S M. Chinese named entity recognition based on improved Transformer encoder［J］. Journal of Network and Information Security， 2021，7（5）： 105-112.
11	董哲，邵若琦，陈玉梁，等.基于BERT和对抗训练的食品领域命名实体识别［J］.计算机科学，2021，48（5）：247-253. 10.11896/jsjkx.200800181
	DONG Z， SHAO R Q， CHEN Y L， et al. Named entity recognition in the food field based on BERT and adversarial training ［J］. Computer Science， 2021， 48（5）： 247-253. 10.11896/jsjkx.200800181
12	王子牛，姜猛，高建瓴，等. 基于BERT的中文命名实体识别方法［J］. 计算机科学， 2019， 46（S2）： 138-142 .
	WANG Z N， JIANG M， GAO J L，et al. Chinese named entity recognition method based on BERT［J］. Computer Science， 2019， 46（S2）： 138-142.
13	CYNTHIA W. Using the revised dictionary of affect in language to quantify the emotional undertones of samples of natural language［J］. Psychological Reports， 2009， 105（2）： 509-521. 10.2466/pr0.105.2.509-521
14	钟佳娃，刘巍，王思丽，等.文本情感分析方法及应用综述［J］.数据分析与知识发现，2021，5（6）：1-13.
	ZHONG J W， LIU W， WANG S L， et al. Summary of text sentiment analysis methods and applications［J］. Data Analysis and Knowledge Discovery， 2021， 5（6）：1-13.
15	栗雨晴，礼欣，韩煦，等.基于双语词典的微博多类情感分析方法［J］.电子学报，2016，44（9）：2068-2073. 10.3969/j.issn.0372-2112.2016.09.007
	LI Y Q， LI X， HAN X， et al. Multi-sentiment analysis method of Weibo based on bilingual dictionary ［J］. Acta Electronics Sinica， 2016， 44（9）： 2068-2073. 10.3969/j.issn.0372-2112.2016.09.007
16	赵妍妍，秦兵，石秋慧，等.大规模情感词典的构建及其在情感分类中的应用［J］.中文信息学报，2017，31（2）：187-193.
	ZHAO Y Y， QIN B， SHI Q H， et al. Construction of a large-scale sentiment dictionary and its application in sentiment classification［J］. Journal of Chinese Information Processing， 2017， 31（2）： 187-193.
17	万岩，杜振中.融合情感词典和语义规则的微博评论细粒度情感分析［J］.情报探索，2020（11）：34-41. 10.3969/j.issn.1005-8095.2020.11.005
	WAN Y， DU Z Z. Fine-grained sentiment analysis of Weibo comments combined with sentiment dictionary and semantic rules［J］. Information Research， 2020（11）： 34-41. 10.3969/j.issn.1005-8095.2020.11.005
18	邱全磊，崔宗敏，喻静. 基于表情和语气的情感词典用于弹幕情感分析［J］.计算机技术与发展，2020，30（8）：178-182. 10.3969/j.issn.1673-629X.2020.08.031
	QIU Q L， CUI Z M， YU J. A sentiment dictionary based on facial expression and tone is used for bullet screen sentiment analysis［J］. Computer Technology and Development， 2020， 30（8）：178-182. 10.3969/j.issn.1673-629X.2020.08.031
19	高华玲，张晶.基于情感词典的酒店评论情感分析与可视化［J］.软件，2021，42（1）：45-47，66. 10.3969/j.issn.1003-6970.2021.01.014
	GAO H L， ZHANG J. Sentiment analysis and visualization of hotel reviews based on sentiment dictionary ［J］. Computer Engineering & Software， 2021， 42（1）： 45-47，66. 10.3969/j.issn.1003-6970.2021.01.014
20	ASGHAR M Z， KHAN A， AHMAD S， et al. Lexicon-enhanced sentiment analysis framework using rule-based classification scheme［J］. PLoS One， 2017， 12（2）： e0171649. 10.1371/journal.pone.0171649
21	CAI Y， YANG K， HUANG D P， et al. A hybrid model for opinion mining based on domain sentiment dictionary［J］. International Journal of Machine Learning and Cybernetics， 2019， 10： 2131-2142. 10.1007/s13042-017-0757-6
22	吴杰胜. 基于多部情感词典和深度学习的中文微博情感分析研究［D］. 淮南：安徽理工大学，2020：22-32.
	WU J S. Research on sentiment analysis of Chinese Weibo based on multiple sentiment dictionaries and deep learning ［D］. Huainan： Anhui University of Science and Technology， 2020：22-32.
23	신동혁，남지순，남지순.정서 분석을 위한 한국 정서 사전 DecoSelex 구축［J］. 인문학일반， 2016， 11（28）： 75-111. （SHEN D H， ZHAO D X， NAN Z S. Building the Korean sentiment lexicon DecoSelex for sentiment analysis［J］. Journal of Korealex， 2016， 11（28）： 75-111. 10.33641/kolex.2016..28.75
24	THIEN K T， THI P T. A hybrid approach for building a Vietnamese sentiment dictionary［J］. Journal of Intelligent & Fuzzy Systems， 2018， 35（1）： 1-12. 10.3233/jifs-172053
25	WU L， MORESTATTER F， LIU H， et al. SlangSD： building， expanding and using a sentiment dictionary of slang words for short-text sentiment classification［J］. Language Resources and Evaluation， 2018， 52： 839-852. 10.1007/s10579-018-9416-0
26	季鹏飞，王先超，张顺香. 基于共现概率训练的情感词典的扩充［J］.阜阳师范学院学报（自然科学版），2019，36（4）：49-53.
	JI P F， WANG X C， ZHANG S X. Expansion of the emotional dictionary based on co-occurrence probability training［J］. Journal of Fuyang Teachers College （Natural Science Edition）， 2019， 36（4）： 49-53.
27	李永帅. 基于双向LSTM的动态情感词典构建方法研究及文本情感分析［D］.郑州：郑州大学，2019：20-32.
	LI Y S. Research on construction method of dynamic sentiment dictionary based on two-way LSTM and text sentiment analysis ［D］. Zhengzhou： Zhengzhou University， 2019：20-32.
28	ZHANG S X， WEI Z L， WANG Y， et al. Sentiment analysis of Chinese micro-blog text based on extended sentiment dictionary［J］. Future Generation Computer Systems， 2018， 81： 395-403. 10.1016/j.future.2017.09.048
29	郑赛乾. 基于Word2vec的客服情感词典自动构建子系统的设计与实现［D］.北京：北京邮电大学，2020：7-18. （ZHENG S Q. Design and implementation of the automatic construction subsystem of customer service emotional dictionary based on Word2Vec［D］. Beijing： Beijing University of Posts and Telecommunications， 2020：7-18.）
30	BRAVO-MARQUES F， KHANCHANDANI A， PFAHRINGER B. Incremental word vectors for time-evolving sentiment lexicon induction［J］. Cognitive Computation， 2021，14： 425-441. 10.1007/s12559-021-09831-y
31	汪海燕，黎建辉，杨风雷.支持向量机理论及算法研究综述［J］.计算机应用研究，2014，31（5）：1281-1286.
	WANG H Y， LI J H， YANG F L. Support vector machine theory and algorithm research review ［J］. Application Research of Computers， 2014， 31（5）： 1281-1286.
32	肖铮.常用的三种分类算法及其比较分析［J］.重庆科技学院学报（自然科学版），2020，22（5）：101-106.
	XIAO Z. Three commonly used classification algorithms and their comparative analysis ［J］. Journal of Chongqing University of Science and Technology （Natural Science Edition）， 2020， 22（5）： 101-106.
33	李静梅，孙丽华，张巧荣，等.一种文本处理中的朴素贝叶斯分类器［J］.哈尔滨工程大学学报，2003（1）：71-74. 10.3969/j.issn.1006-7043.2003.01.017
	LI J M， SUN L H， ZHANG Q R， et al. A naive Bayes classifier in text processing［J］. Journal of Harbin Engineering University， 2003（1）： 71-74. 10.3969/j.issn.1006-7043.2003.01.017
34	彭子豪，谭欣.并行化改进的朴素贝叶斯算法在中文文本分类上的应用［J］.科学技术创新，2020，（26）：176-178. 10.3969/j.issn.1673-1328.2020.26.078
	PENG Z H， TAN X. Application of parallelized improved naive bayes algorithm in Chinese text classification［J］. Science and Technology Innovation， 2020，（26）： 176-178. 10.3969/j.issn.1673-1328.2020.26.078
35	杨爽，陈芬.基于SVM多特征融合的微博情感多级分类研究［J］.数据分析与知识发现，2017，1（2）：73-79.
	YANG S， CHEN F. Multi-level classification of Weibo sentiment based on SVM multi-feature fusion ［J］. Data Analysis and Knowledge Discovery， 2017， 1（2）： 73-79.
36	杨妥，李万龙，郑山红.融合情感分析与SVM_LSTM模型的股票指数预测［J］.软件导刊，2020，19（8）：14-18.
	YANG T， LI W L， ZHENG S H. Stock index prediction based on sentiment analysis and SVM_LSTM model［J］. Software Guide， 2020， 19（8）： 14-18.
37	孙翌博，濮泽堃，徐玉华，等.应用SD-LS-SVM算法的评论情感分析模型［J］.软件导刊，2021，20（4）：43-48.
	SUN Y B， PU Z K， XU Y H， et al. Comment sentiment analysis model using SD-LS-SVM algorithm ［J］. Software Guide， 2021， 20（4）： 43-48.
38	张成博. 基于FV-SA-SVM的电影评论情感分析［D］.上海：上海师范大学，2020：35-39.
	ZHANG C B. Sentiment analysis of movie reviews based on FV-SA-SVM ［D］. Shanghai： Shanghai Normal University， 2020：35-39.
39	HASAN A， MOIN S， KARIM A， et al. Machine learning-based sentiment analysis for twitter accounts［J］. Mathematical and Computational Applications， 2018， 23（1）： 11. 10.3390/mca23010011
40	BAID P， GUPTA A， CHAPLOT N. Sentiment analysis of movie reviews using machine learning techniques［J］. International Journal of Computer Applications， 2017， 179（7）： 45-49. 10.5120/ijca2017916005
41	AHMAD M， AFTAB S， BASHIR S， et al. SVM optimization for sentiment analysis［J］. International Journal Advanced Computer Science and Applications， 2018， 9（4）： 393-398. 10.14569/ijacsa.2018.090455
42	MATHAPATI S， NAFEESA A， MANJULA S H， et al. OTAWE-Optimized topic-adaptive word expansion for cross domain sentiment classification on tweets［M］// Advances in Machine Learning and Data Science. Singapore： Springer， 2018，705： 213-224. 10.1007/978-981-10-8569-7_23
43	BIRJALI M， BENI-HSSANE A， ERRITALI M. Machine learning and semantic sentiment analysis based algorithms for suicide sentiment prediction in social networks［J］. Procedia Computer Science， 2017， 113： 65-72. 10.1016/j.procs.2017.08.290
44	胡家珩，岑咏华，吴承尧.基于深度学习的领域情感词典自动构建——以金融领域为例［J］.数据分析与知识发现，2018，2（10）：95-102.
	HU J H， CEN Y H， WU C Y. Automatic construction of domain sentiment dictionary based on deep learning—take the financial field as an example［J］. Data Analysis and Knowledge Discovery， 2018， 2（10）： 95-102.
45	赵天锐，刘晨阳.基于深度学习的韩国语影评情感词典构建［J］.信息技术与信息化，2021（1）：250-253. 10.3969/j.issn.1672-9528.2021.01.077
	ZHAO T R， LIU C Y. Construction of Korean film critics sentiment dictionary based on deep learning ［J］. Information Technology and Informatization， 2021（1）： 250-253. 10.3969/j.issn.1672-9528.2021.01.077
46	DWIVEDI R K， AGGARWAL M， KESHARI S K， et al. Sentiment analysis and feature extraction using rule-based model （RBM）［C］// Proceedings of the 2019 International Conference on Innovative Computing and Communications. Cham： Springer， 2019： 57-63. 10.1007/978-981-13-2354-6_7
47	曹宇，李天瑞，贾真，等. BGRU：中文文本情感分析的新方法［J］. 计算机科学与探索， 2019， 13（6）： 973-981.
	CAO Y， LI T R， JIA Z， et al. BGRU： a new method of Chinese text sentiment analysis［J］. Journal of Frontiers of Computer Science and Technology， 2019， 13（6）： 973-981.
48	CAN E F， EZEN-CAN A， CAN F. Multilingual sentiment analysis： an RNN-based framework for limited data［EB/OL］.［2018-06-08］. . 10.18653/v1/s18-1023
49	潘红丽.基于RNN弱监督网络的英语语义分析技术研究［J］.电子设计工程，2021，29（15）：97-101.
	PAN H L. Research on English semantic analysis technology based on RNN weakly supervised network［J］. Electronic Design Engineering，2021，29（15）：97-101.
50	WANG Y Q， HUANG M L， ZHU X Y， et al. Attention-based LSTM for aspect-level sentiment classification［C］// Proceedings of the 2016 Conference on Empirical Methods in Natural Language Processing. Stroudsburg， PA： Association for Computational Linguistics， 2016： 606-615. 10.18653/v1/d16-1058
51	GOPALAKRISHNAN K， SALEM F M. Sentiment analysis using simplified long short-term memory recurrent neural networks［EB/OL］.［2020-05-08］. .
52	CHEN Y X， YUAN J B， YOU Q Z， et al. Twitter sentiment analysis via bi-sense emoji embedding and attention-based LSTM［C］// Proceedings of the 26th ACM international conference on Multimedia. New York： ACM， 2018： 117-125. 10.1145/3240508.3240533
53	WEI J Y， LIAO J， YANG Z F， et al. BiLSTM with multi-polarity orthogonal attention for implicit sentiment analysis［J］. Neurocomputing， 2020， 383： 165-173. 10.1016/j.neucom.2019.11.054
54	YADAV R K， JIAO L， GOODWIN M， et al. Positionless aspect based sentiment analysis using attention mechanism［J］. Knowledge-Based Systems， 2021， 226： 107136. 10.1016/j.knosys.2021.107136
55	BAZIOTIS C， PELEKIS N， DOULKERIDIS C， et al. DataStories at SemEval-2017 task 4： deep LSTM with attention for message-level and topic-based sentiment analysis［C］// Proceedings of the 11th International Workshop on Semantic Evaluation. Stroudsburg， PA： Association for Computational Linguistics 2017： 747-754. 10.18653/v1/s17-2126
56	LIU Q， ZHANG H B， ZENG Y F， et al. Content attention model for aspect based sentiment analysis［C］// Proceedings of the 2018 World Wide Web Conference. 2018： 1023-1032. 10.1145/3178876.3186001
57	CHEN P， SUN Z Q， BING L D， et al. Recurrent attention network on memory for aspect sentiment analysis［C］// Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing. Stroudsburg， PA： Association for Computational Linguistics 2017： 452-461. 10.18653/v1/d17-1047
58	梁斌，刘全，徐进，等. 基于多注意力卷积神经网络的特定目标情感分析［J］. 计算机研究与发展， 2017，54（8）： 1724-1735. 10.7544/issn1000-1239.2017.20170178
	LIANG B， LIU Q， XU J， et al. Aspect-based sentiment analysis based on multi-attention CNN［J］. Journal of Computer Research and Development， 2017， 54（8）： 1724-1735. 10.7544/issn1000-1239.2017.20170178
59	SANGEETHA K， PRABHA D. Sentiment analysis of student feedback using multi-head attention fusion model of word and context embedding for LSTM［J］. Journal of Ambient Intelligence and Humanized Computing， 2021， 12（6）： 4117-4126. 10.1007/s12652-020-01791-9
60	BASIRI M E， NEMATI S， ABDAR M， et al. ABCDM： an attention-based bidirectional CNN-RNN deep model for sentiment analysis［J］. Future Generation Computer Systems， 2021， 115： 279-294. 10.1016/j.future.2020.08.005
61	REHMAN A U， MALIK A K， RAZA B， et al. A hybrid CNN-LSTM model for improving accuracy of movie reviews sentiment analysis［J］. Multimedia Tools and Applications， 2019， 78（18）： 26597-26613. 10.1007/s11042-019-07788-7
62	杜永萍，赵晓铮，裴兵兵.基于CNN-LSTM模型的短文本情感分类［J］.北京工业大学学报，2019，45（7）：662-670. 10.11936/bjutxb2017120035
	DU Y P， ZHAO X Z， PEI B B， Short text sentiment classification based on CNN-LSTM model［J］. Journal of Beijing University of Technology， 2019， 45（7）： 662-670. 10.11936/bjutxb2017120035
63	MINAEE S， AZIMI E， ABDOLRASHIDI A A. Deep-sentiment： sentiment analysis using ensemble of CNN and Bi-LSTM models ［EB/OL ］.［2019-04-08］. .
64	LI Y Q， ZHANG K， WANG J Y， et al. A cognitive brain model for multimodal sentiment analysis based on attention neural networks［J］. Neurocomputing， 2021， 430： 159-173. 10.1016/j.neucom.2020.10.021
65	黄山成，韩东红，乔百友，等.基于ERNIE2.0-BiLSTM-Attention的隐式情感分析方法［J］.小型微型计算机系统， 2021， 42（12）： 2485-2489.
	HUANG S C， HAN D H， QIAO B Y， et al. Implicit sentiment analysis method based on ERNIE2.0-BiLSTM-Attention ［J］. Journal of Cineses Computer Systems， 2021， 42（12）：2485-2489.
66	徐超，叶宁，徐康，等.融合MAML与BiLSTM的微博负面情感多分类方法［J/OL］.计算机工程与应用：1-11［2021-01-26］. ，. 10.3778/j.issn.1002-8331.2009-0337
	YE N， XU K， et al. Weibo negative sentiment multi-classification method integrating MAML and BiLSTM［J/OL］. Computer Engineering and Applications： 1-11［2021-01-26］. . 10.3778/j.issn.1002-8331.2009-0337
67	程艳，尧磊波，张光河，等.基于注意力机制的多通道CNN和BiGRU的文本情感倾向性分析［J］.计算机研究与发展，2020，57（12）：2583-2595. 10.7544/issn1000-1239.2020.20190854
	CHENG Y， YAO L B， ZHANG G H， et al. Multi-channel CNN and BiGRU text sentiment orientation analysis based on attention mechanism［J］. Computer Research and Development， 2020， 57（12）： 2583-2595. 10.7544/issn1000-1239.2020.20190854
68	李卫疆，漆芳.基于多通道双向长短期记忆网络的情感分析［J］.中文信息学报，2019，33（12）：119-128. 10.3969/j.issn.1003-0077.2019.12.015
	LI W J， QI F. Sentiment analysis based on multi-channel two-way long and short term memory network［J］. Journal of Chinese Information Processing， 2019， 33（12）： 119-128. 10.3969/j.issn.1003-0077.2019.12.015
69	WANG J， YU L C， LAI K R， et al. Tree-structured regional CNN-LSTM model for dimensional sentiment analysis［J］. IEEE/ACM Transactions on Audio， Speech， and Language Processing， 2020， 28： 581-591. 10.1109/taslp.2019.2959251
70	赵亚欧，张家重，李贻斌，等.基于ELMo和Transformer混合模型的情感分析［J］.中文信息学报，2021，35（3）：115-124. 10.3969/j.issn.1003-0077.2021.03.012
	ZHAO Y O， ZHANG J C， LI Y B， et al.Sentiment analysis based on ELMo and Transformer hybrid model［J］. Journal of Chinese Information Processing， 2021， 35（3）： 115-124. 10.3969/j.issn.1003-0077.2021.03.012
71	李铮，陈莉，张爽.基于ELMo和Bi-SAN的中文文本情感分析［J］.计算机应用研究，2021，38（8）：2303-2307.
	LI Z， CHEN L， ZHANG S. Chinese text sentiment analysis based on ELMo and Bi-SAN ［J/OL］. Application Research of Computers，2021，38（8）：2303-2307.
72	胡任远，刘建华，卜冠南，等. 融合BERT的多层次语义协同模型情感分析研究［J］.计算机工程与应用，2021，57（13）：176-184.
	HU R Y， LIU J H， BU G N， et al. Research on sentiment analysis of multi-level semantic collaboration model fusion BERT［J］. Computer Engineering and Applications， 2021， 57（13）： 176-184.
73	DEVLIN J， CHANG M W， LEE K， et al. BERT： pre-training of deep bidirectional transformers for language understanding［C］// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies， Stroudsburg， PA： Association for Computational Linguistics， 2019： 4171-4186. 10.18653/v1/n19-1423
74	XU H， LIU B， SHU L， et al. DomBERT： domain-oriented language model for aspect-based sentiment analysis［C］// Proceedings of the 2020 Findings of the Association for Computational Linguistics. Stroudsburg， PA： Association for Computational Linguistics， 2020： 1725-1731. 10.18653/v1/2020.findings-emnlp.156
75	SUN C， HUANG L， QIU X. Utilizing BERT for aspect-based sentiment analysis via constructing auxiliary sentence［C］// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies， Stroudsburg， PA： Association for Computational Linguistics， 2019： 380-385.
76	YIN D， MENG T， CHANG K W. SentiBERT： a transferable transformer-based architecture for compositional sentiment semantics［C］// Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. Stroudsburg， PA： Association for Computational Linguistics， 2020： 3695-3706. 10.18653/v1/2020.acl-main.341

方法	准确率	召回率	F1值
SVM多特征融合	82.40	81.91	82.10
SVM	88.20	89.00	88.00
FV-SA-SVM	92.90	93.00	89.00
SA-SVM	89.40	90.00	89.00
NB	86.60	87.00	87.00
Logistic回归	86.90	85.00	86.00
KNN	87.00	87.00	85.00
MNB	88.50	83.33	87.87
BNB	87.50	86.33	87.35
ME	60.67	84.67	68.28
决策树	80.17	82.33	80.58

方法	准确率	召回率	F1值
SVM多特征融合	82.40	81.91	82.10
SVM	88.20	89.00	88.00
FV-SA-SVM	92.90	93.00	89.00
SA-SVM	89.40	90.00	89.00
NB	86.60	87.00	87.00
Logistic回归	86.90	85.00	86.00
KNN	87.00	87.00	85.00
MNB	88.50	83.33	87.87
BNB	87.50	86.33	87.35
ME	60.67	84.67	68.28
决策树	80.17	82.33	80.58

模型	数据集	准确率	召回率	F1值	模型	数据集	准确率	召回率	F1值
CNN	NLPCC2014	72.15	74.24	73.18	BiE-LSTM	Twitter	82.20	88.10	85.00
LSTM	NLPCC2014	75.84	75.02	75.43	MATT-LSTM	Twitter	83.10	87.20	85.10
MSCNN	NLPCC2014	73.98	72.74	73.35	SentiBERT	Twitter	71.50	78.69	74.10
BiLSTM	NLPCC2014	76.12	74.52	75.31	BERT	Twitter	68.86	73.00	70.78
SATT-BiLSTM	NLPCC2014	76.23	74.84	75.53	BERT+Linear	Twitter	71.42	75.25	73.22
Bi-SAN	NLPCC2014	75.66	79.23	77.40	BERT-DK	Twitter	71.88	74.07	72.88
EBi-SAN	NLPCC2014	77.89	79.08	78.48	DomBERT	Twitter	72.17	74.96	73.45
RBM	NLPCC2014	71.30	87.01	78.41	Word2vec-MCNN	CN-o2o	88.10	90.97	90.03
T-LSTM	Twitter	70.80	82.51	76.20	Glove-MCNN	CN-o2o	89.47	91.66	90.55
E-LSTM	Twitter	81.60	82.50	82.00	ELMO-MCNN	CN-o2o	93.04	95.49	94.25
ATT-LSTM	Twitter	82.51	86.50	84.62	BERT-MCNN	CN-o2o	95.30	98.33	96.52

模型	数据集	准确率	召回率	F1值	模型	数据集	准确率	召回率	F1值
CNN	NLPCC2014	72.15	74.24	73.18	BiE-LSTM	Twitter	82.20	88.10	85.00
LSTM	NLPCC2014	75.84	75.02	75.43	MATT-LSTM	Twitter	83.10	87.20	85.10
MSCNN	NLPCC2014	73.98	72.74	73.35	SentiBERT	Twitter	71.50	78.69	74.10
BiLSTM	NLPCC2014	76.12	74.52	75.31	BERT	Twitter	68.86	73.00	70.78
SATT-BiLSTM	NLPCC2014	76.23	74.84	75.53	BERT+Linear	Twitter	71.42	75.25	73.22
Bi-SAN	NLPCC2014	75.66	79.23	77.40	BERT-DK	Twitter	71.88	74.07	72.88
EBi-SAN	NLPCC2014	77.89	79.08	78.48	DomBERT	Twitter	72.17	74.96	73.45
RBM	NLPCC2014	71.30	87.01	78.41	Word2vec-MCNN	CN-o2o	88.10	90.97	90.03
T-LSTM	Twitter	70.80	82.51	76.20	Glove-MCNN	CN-o2o	89.47	91.66	90.55
E-LSTM	Twitter	81.60	82.50	82.00	ELMO-MCNN	CN-o2o	93.04	95.49	94.25
ATT-LSTM	Twitter	82.51	86.50	84.62	BERT-MCNN	CN-o2o	95.30	98.33	96.52

[1]	危德健, 王文明, 王全玉, 任好盼, 高彦彦, 王志. 改进的基于锚点的三维手部姿态估计网络[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 953-959.
[2]	陈露, 张晓霞, 于洪. 基于先验知识的非负矩阵半可解释三因子分解算法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 671-675.
[3]	于婉莹, 梁美玉, 王笑笑, 陈徵, 曹晓雯. 基于深度注意力网络的课堂教学视频中学生表情识别与智能教学评估[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 743-749.
[4]	李讷, 徐光柱, 雷帮军, 马国亮, 石勇涛. 交通道路行驶车辆车标识别算法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 810-817.
[5]	许仁杰, 刘宝弟, 张凯, 刘伟锋. 基于贝叶斯权函数的模型无关元学习算法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 708-712.
[6]	陈亭秀, 尹建芹. 基于关键帧筛选网络的视听联合动作识别[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 731-735.
[7]	孙邱杰, 梁景贵, 李思. 基于BART噪声器的中文语法纠错模型[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 860-866.
[8]	刘海杨, 孟令航, 林仲航, 谷源涛. 基于轨迹点聚类的航路发现方法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 890-894.
[9]	陈薪羽, 刘明哲, 任俊, 汤影. 基于多列卷积神经网络的参数异步更新算法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 395-403.
[10]	李俊伯, 秦品乐, 曾建潮, 李萌. 基于超分辨率网络的CT三维重建算法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 584-591.
[11]	刘羽茜, 刘玉奇, 张宗霖, 卫志华, 苗冉. 注入注意力机制的深度特征融合新闻推荐模型[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 426-432.
[12]	曹建荣, 朱亚琴, 张玉婷, 吕俊杰, 杨红娟. 基于关节点特征的跌倒检测算法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 622-630.
[13]	谢鑫, 张贤勇, 王旋晔, 唐鹏飞. 变精度邻域等价粒的邻域决策树构造算法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 382-388.
[14]	吴洁, 张师天, 谢海滨, 杨光. 基于多影像中心磁共振成像数据的半监督膝盖异常分类[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 316-324.
[15]	马敬奇, 雷欢, 陈敏翼. 基于AlphaPose优化模型的老人跌倒行为检测算法[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 294-301.

自然语言处理在文本情感分析领域应用综述

Review of applications of natural language processing in text sentiment analysis

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 76

相关文章 15

编辑推荐

Metrics