Multi-sentiment analysis of network public opinion and review text in food safety based on topics and blogs

doi:10.11772/j.issn.1001-9081.2024111712

Journal of Computer Applications ›› 2025, Vol. 45 ›› Issue (12): 3786-3795.DOI: 10.11772/j.issn.1001-9081.2024111712

• Artificial intelligence • Previous Articles Next Articles

Multi-sentiment analysis of network public opinion and review text in food safety based on topics and blogs

Xingchen LYU¹^,², Weijun LIN¹^,², Hongxing HUANG¹^,²

^1.Institute of Agricultural Economics and Information，Guangdong Academy of Agricultural Sciences，Guangzhou Guangdong 510640，China
^2.Key Laboratory of Urban Agriculture in South China，Ministry of Agriculture and Rural Affairs （Guangdong Academy of Agricultural Sciences），Guangzhou Guangdong 510640，China

Received:2024-12-06 Revised:2025-04-15 Accepted:2025-04-18 Online:2025-04-24 Published:2025-12-10
Contact: Weijun LIN
About author:LYU Xingchen， born in 1993， Ph. D.， assistant research fellow. Her research interests include data mining， agricultural network public opinion.
LIN Weijun， born in 1965， M. S.， research fellow. His research interests include agricultural informatization.
HUANG Hongxing， born in 1979， M. S.， research fellow. His research interests include agricultural information technology.

基于话题博文的食品安全网络舆情评论文本多情感分析

吕星辰¹^,², 林伟君¹^,², 黄红星¹^,²

^1.广东省农业科学院农业经济与信息研究所，广州 510640
^2.农业农村部华南都市农业重点实验室（广东省农业科学院），广州 510640

通讯作者: 林伟君
作者简介:吕星辰（1993—），女，湖北襄阳人，助理研究员，博士，主要研究方向：数据挖掘、农业网络舆情
林伟君（1965—），男，广东广州人，研究员，硕士，主要研究方向：农业信息化
黄红星（1979—），男，广东梅州人，研究员，硕士，主要研究方向：农业信息技术。
基金资助:
2024年度广东省哲学社会科学规划项目(GD24XGL021)

Abstract

Abstract:

To address the issues that the sentiments of review texts in food safety network public opinions are various and depend on the topic and blog information， a Multi-Sentiment analysis model for review texts integrating topics and blogs named TBR-MSAM （Topic Blog Review-Multi-Sentiment Analysis Model） was proposed. Firstly， a Topic Blog Review-Feature Extraction （TBR-FE） module was constructed by using RoBERTa （Robustly optimized BERT （Bidirectional Encoder Representations from Transformers）^{pretraining approach） and deep learning models， and was used to extract contextual features of topic， blog and review information respectively. Secondly， a Topic Blog Review-Interactive Attention Feature Fusion （TBR-IAFF） module was built to conduct pairwise interactions between topic-review and blog-review to obtain interaction features and allocate weights reasonably， thereby exploring the complex relationships among topics， blogs and reviews. Thirdly， a Topic Blog Review-Cross Feature Fusion （TBR-CFF） module was constructed to conduct in-depth feature fusion on multiple pieces of information， thereby exploring users’ potential sentimental features. Finally， Softmax was used to classify the four sentiment polarities of review texts in food safety network public opinions. Experimental results on three constructed food safety network public opinion datasets show that compared to the optimal baseline model without topic and blog information， TBR-MSAM achieves at least 5.0 and 5.8 percentage points improvements in Macro-F1 and accuracy， respectively； compared to the optimal baseline model with topic and blog information， TBR-MSAM achieves the Macro-F1 and accuracy enhanced by at least 0.2 and 1.1 percentage points， respectively； compared to the optimal baseline model with topic， blog， and review text information， TBR-MSAM achieves the Macro-F1 and accuracy increased by at least 11.7 and 10.0 percentage points， respectively. The above verifies the effectiveness of TBR-MSAM in multi-sentiment classification task for food safety network public opinion.}

Key words: food safety network public opinion, multi-sentiment analysis, RoBERTa （Robustly optimized BERT （Bidirectional Encoder Representations from Transformers）^{pretraining approach）,} Interactive Attention Network (IAN), attention mechanism, feature fusion

摘要：

为了解决食品安全网络舆情中评论文本情感复杂多样，且依赖讨论的话题和博文信息的问题，提出一种融合话题博文的评论文本多情感分析模型TBR-MSAM（Topic Blog Review-Multi-Sentiment Analysis Model）。首先，使用RoBERTa（Robustly optimized BERT （Bidirectional Encoder Representations from Transformers）^{pretraining approach）和深度学习模型构建话题博文评论特征提取（TBR-FE）模块分别对话题、博文和评论信息进行上下文特征提取；其次，构建话题博文评论的交互注意力特征融合（TBR-IAFF）模块对话题-评论和博文-评论进行两两交互以获得交互特征，并进行权重的合理分配，从而挖掘话题、博文和评论之间的复杂关系；接着，构建话题博文评论的交叉特征融合（TBR-CFF）模块对多个信息进行深层次特征融合，从而挖掘用户潜在的情感特征；最后，通过Softmax对食品安全网络舆情中评论文本的4种情感极性进行分类。在所构建的3个食品安全网络舆情数据集上的实验结果表明，相较于无话题和博文信息的最优基线模型，TBR-MSAM的Macro-F1和准确率分别至少提升了5.0和5.8个百分点；相较于融合话题和博文信息的最优基线模型，TBR-MSAM的Macro-F1和准确率分别至少提升0.2和1.1个百分点；相较于同时带有话题、博文和评论文本信息的最优基线模型，TBR-MSAM的Macro-F1和准确率分别至少提升了11.7和10.0个百分点，验证了TBR-MSAM在食品安全网络舆情的多情感分类任务中的有效性。}

关键词: 食品安全网络舆情, 多情感分析, RoBERTa, 交互注意力网络, 注意力机制, 特征融合

CLC Number:

TP391.1

Xingchen LYU, Weijun LIN, Hongxing HUANG. Multi-sentiment analysis of network public opinion and review text in food safety based on topics and blogs[J]. Journal of Computer Applications, 2025, 45(12): 3786-3795.

吕星辰, 林伟君, 黄红星. 基于话题博文的食品安全网络舆情评论文本多情感分析[J]. 《计算机应用》唯一官方网站, 2025, 45(12): 3786-3795.

Figures/Tables 12

References 41

[1]	DENG S， SINHA A P， ZHAO H. Adapting sentiment lexicons to domain-specific social media texts［J］. Decision Support Systems， 2017， 94： 65-76.
[2]	洪巍，虞珂，林强，等. 食品安全网络舆情信息传播风险影响因素研究［J］. 情报杂志， 2024， 43（6）： 167-176.
	HONG W， YU K， LIN Q， et al. Research on influencing factors of food safety network public opinion information’s dissemination risk［J］. Journal of Intelligence， 2019， 43（6）： 167-176.
[3]	ZHOU X， YANG J， ZHANG W， et al. Collaborative community-specific microblog sentiment analysis via multi-task learning［J］. Expert Systems with Application， 2021， 169： No.114322.
[4]	安璐，刘媛圆. 微博用户和热点话题间的社交吸引法则研究［J］. 情报杂志， 2024， 43（8）： 113-123.
	AN L， LIU Y Y. A study on the social attraction between microblog users and salient topics ［J］. Journal of Intelligence， 2013， 43（8）： 113-123.
[5]	潘苏楠，邓三鸿，王蔚萍. 融合母评论文本信息的评论短文本情感分析研究：以短视频评论文本为例［J］. 情报探索， 2023（4）： 1-7.
	PAN S N， DENG S H， WANG W P. Research on the short text sentiment analysis with the text of parent-comment： a case study of short video comments［J］. Information Research， 2023（4）： 1-7.
[6]	ZHANG B， XU D， ZHANG H， et al. STCS lexicon： spectral-clustering-based topic-specific Chinese sentiment lexicon construction for social networks［J］. IEEE Transactions on Computational Social Systems， 2019， 6（6）： 1180-1189.
[7]	GO A， BHAYANI R， HUANG L. Twitter sentiment classification using distant supervision［EB/OL］. ［2024-10-28］..
[8]	XU H， LIU B， SHU L， et al. Double embeddings and CNN-based sequence labeling for aspect extraction［C］// Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics （Volume 2： Short Papers）. Stroudsburg： ACL， 2018： 592-598.
[9]	江志英，李宇洋，李佳桐，等. 基于层次分析的长短记忆网络（AHP-LSTM）的食品安全网络舆情预警模型［J］. 北京化工大学学报（自然科学版）， 2021， 48（6）： 98-107.
	JIANG Z Y， LI Y Y， LI J T， et al. An early-warning model based on an Analytic Hierarchy Process-Long Short-Term Memory network （AHP-LSTM） for food safety network public opinion［J］. Journal of Beijing University of Chemical Technology （Natural Science Edition）， 2021， 48（6）： 98-107.
[10]	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： ACL， 2019： 4171-4186.
[11]	LIU Y， OTT M， MYLE O， et al. RoBERTa： a robustly optimized BERT pretraining approach［EB/OL］. ［2024-10-28］..
[12]	徐博. 基于NLPIR框架的食品安全网络舆情管理指标体系建构［J］. 食品科学技术学报， 2023， 41（5）： 165-174.
	XU B. Constructing online public sentiment management index system for food safety utilizing NLPIR framework［J］. Journal of Food Science and Technology， 2019， 41（5）： 165-174.
[13]	马永军，陈海山. 基于LSTM模型的食品安全网络舆情预警研究［J］.计算机工程与科学， 2019， 41（9）： 1603-1611.
	MA Y J， CHEN H S. LSTM model based early warning of internet public opinion on food security［J］. Computer Engineering and Science， 2019， 41（9）： 1603-1611.
[14]	KASPERSON R E， RENN O， SLOVIC P， et al. The social amplification of risk： a conceptual framework［J］. Risk Analysis， 1988， 8（2）： 177-187.
[15]	洪小娟，宗江燕，黄卫东，等. 基于情感语义空间的食品安全舆情情感分析［J］. 现代情报， 2020， 40（10）： 132-143.
	HONG X J， ZONG J Y， HUANG W D， et al. Analysis of food safety public opinion emotion based on emotional semantic space［J］. Journal of Modern Information， 2020， 40（10）： 132-143.
[16]	LI Y， YANG X， ZUO M， et al. Deep structured learning for natural language processing［J］. Transactions on Asian and Low-Resource Language Information Processing， 2021， 20（3）： No.53.
[17]	CHEN L， PENG X， DONG L， et al. Food public opinion prevention and control model based on sentiment analysis［J］. Foods， 2024， 13（22）： No.3697.
[18]	刘金硕，张智. 一种基于联合深度神经网络的食品安全信息情感分类模型［J］. 计算机科学， 2016， 43（12）： 277-280.
	LIU J S， ZHANG Z. Sentiment analysis of food safety news using joint deep neural network model［J］. Computer Science， 2016， 43（12）： 277-280.
[19]	李知谕，杨柳，邓春林. 基于弹幕与评论情感倾向的食品安全舆情预警研究［J］. 科技情报研究， 2022， 4（3）： 33-45.
	LI Z Y， YANG L， DENG C L. Public opinion early warning on food security based on sentiment of video bullet screen and comments［J］. Scientific Information Research， 2022， 4（3）： 33-45.
[20]	丁浩晗，王龙，侯浩钶，等. 深度学习在食品安全检测与风险预警中的应用［J］. 食品科学， 2025， 46（6）： 295-308.
	DING H H， WANG L， HOU H K， et al. Application of deep learning in food safety detection and risk early warning［J］. Food Science， 2025， 46（6）： 295-308.
[21]	DAS R， SINGH T D. Multimodal sentiment analysis： a survey of methods， trends， and challenges［J］. ACM Computing Surveys， 2023， 55（13s）： No.270.
[22]	余同瑞，金冉，韩晓臻，等. 自然语言处理预训练模型的研究综述［J］. 计算机工程与应用， 2020， 56（23）： 12-22.
	YU T R， JIN R， HAN X Z， et al. Review of pre-training models for natural language processing［J］. Computer Engineering and Applications， 2020， 56（23）： 12-22.
[23]	BAI J， WANG Y， CHEN Y， et al. Syntax-BERT： improving pre-trained Transformers with syntax trees［C］// Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics： Main Volume. Stroudsburg： ACL， 2021： 3011-3020.
[24]	SUN Z， LI X， SUN X， et al. ChineseBERT： Chinese pretraining enhanced by glyph and pinyin information［C］// Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing （Volume 1： Long Papers）. Stroudsburg： ACL， 2021： 2065-2075.
[25]	BAHDABAU D， CHO K， BENGIO Y. Neural machine translation by jointly learning to align and translate［EB/OL］. ［2024-10-28］. .
[26]	WEI J， LIAO J， YANG Z， et al. BiLSTM with multi-polarity orthogonal attention for implicit sentiment analysis［J］. Neurocomputing， 2020， 383： 165-173.
[27]	WANG X， TANG M， YANG T， et al. A novel network with multiple attention mechanisms for aspect-level sentiment analysis［J］. Knowledge-Based Systems， 2021， 227： No.107196.
[28]	MA D， LI S， ZHANG X， et al. Interactive attention networks for aspect-level sentiment classification［C］// Proceedings of the 26th International Joint Conference on Artificial Intelligence. California： ijcai.org， 2017： 4068-4074.
[29]	李佳静，李盛，戴媛媛，等. 融合位置信息和交互注意力的方面级情感分析［J］. 计算机工程与应用， 2025， 61（6）： 220-228.
	LI J J， LI S， DAI Y Y， et al. Aspect-level sentiment analysis combining location information and interaction attention［J］. Computer Engineering and Applications， 2025， 61（6）： 220-228.
[30]	ZHANG Y， WANG J， ZHANG X. Personalized sentiment classification of customer reviews via an interactive attributes attention model［J］. Knowledge-Based Systems， 2021， 226： No.107135.
[31]	陈丽安，过弋. 融合个体偏差信息的文本情感分析模型［J］. 计算机应用， 2024， 44（1）： 145-151.
	CHEN L A， GUO Y. Text sentiment analysis model based on individual bias information［J］. Journal of Computer Applications， 2024， 44（1）： 145-151.
[32]	BHOSALE S， CHAKRABORTY R， KOPPARAPU S K. Deep encoded linguistic and acoustic cues for attention based end to end speech emotion recognition［C］// Proceedings of the 2020 IEEE International Conference on Acoustics， Speech and Signal Processing. Piscataway： IEEE， 2020： 7189-7193.
[33]	DAI Y， GIESEKE F， OEHMCKE S， et al. Attention feature fusion［C］// Proceedings of the 2021 IEEE Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2021： 3559-3568.
[34]	黄贤英，刘广峰，刘小洋，等. 基于word2vec和双向LSTM的情感分类深度模型［J］. 计算机应用研究， 2019， 36（12）： 3583-3587， 3596.
	HUANG X Y， LIU G F， LIU X Y， et al. Sentiment classification depth model based on word2vec and bidirectional LSTM［J］. Applied Research of Computers， 2019， 36（12）： 3583-3587， 3596.
[35]	CAI R， QIN B， CHEN Y， et al. Sentiment analysis about investors and consumers in energy market based on BERT-BiLSTM［J］. IEEE Access， 2020， 8： 171408-171415.
[36]	JBENE M， RAIF M， TIGANI S， et al. User sentiment analysis in conversational systems based on augmentation and attention-based BiLSTM［J］. Procedia Computer Science， 2022， 207： 4106-4112.
[37]	ALHUZALI H， ANANIADOU S. SpanEmo： casting multi-label emotion classification as span-prediction［C］// Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistic： Main Volume. Stroudsburg： ACL， 2021： 1573-1584.
[38]	BI H， HU H， LIU P. Imbalanced Chinese multi-label text classification based on alternating attention［C］// Proceedings of the 34th Pacific Asia Conference on Language， Information and Computation. Stroudsburg： ACL， 2020： 368-374.
[39]	TANG D， QIN B， LIU T. Learning semantic representations of users and products for document level sentiment classification［C］// Proceedings of the 53rd Annual Meeting of the Association for Computational Linguistics and the 7th International Joint Conference on Natural Language Processing （Volume 1： Long Papers）. Stroudsburg： ACL， 2015： 1014-1023.
[40]	JIANG K， ZHAO Y， CUI R. DIFM： an effective deep interaction and fusion model for sentence matching［C］// Proceedings of the 21st Chinese National Conference on Computational Linguistics. Beijing： Chinese Information Processing Society of China， 2022： 738-747.
[41]	YU J， MURUJO L， JIANG J， et al. Improving multi-label emotion classification via sentiment classification with dual attention transfer network［C］// Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing. Stroudsburg： ACL， 2018： 1097-1102.
	fudning：This work is partially supported by Program of Guangdong Province Philosophy and Social Sciences （GD24XGL021）.

话题	博文	评论	评论情感分类
#央广网评预制菜进校园#	预制菜大势已成，挡是挡不住了，应该要做的就是加强预制菜厂商的管理，制定相应的标准，才能保障大家的健康！	支持！说得很好，尽快制定相应标准。	中立
#教育部称对预制菜进校园持审慎态度#	预制菜不是什么洪水猛兽，不要群起而攻之。只要配料表干净，问题也不大。我看到的配料表都是干干净净的，就是加了白糖食盐，最多有个葡萄糖粉。凡事只要凭良心去做，肯定能做好。	商人是没有底线的，良心就更别提了。	愤怒
#油罐车#	啊这不就是连锁反应？罐车卸完煤用油直接装运食用大豆油，老干妈辣椒油矿物油超标，现在新闻都得看连续剧了……	其他零食的油，又能好到哪里去呢？	担忧
#淀粉肠中加骨泥对人体有害#	【#淀粉肠中加骨泥对人体有害#？专家：经规范养殖、加工的骨泥可食用】近日，火爆大街小巷的淀粉肠因媒体曝光其含有“鸡骨泥”，一夜之间行业“入冬”。科信食品与健康信息交流中心主任钟凯表示，经过规范养殖、加工的骨泥是可以食用的。	这热搜真搞笑明明没有害，热搜标题确认说有害。	支持

话题	博文	评论	评论情感分类
#央广网评预制菜进校园#	预制菜大势已成，挡是挡不住了，应该要做的就是加强预制菜厂商的管理，制定相应的标准，才能保障大家的健康！	支持！说得很好，尽快制定相应标准。	中立
#教育部称对预制菜进校园持审慎态度#	预制菜不是什么洪水猛兽，不要群起而攻之。只要配料表干净，问题也不大。我看到的配料表都是干干净净的，就是加了白糖食盐，最多有个葡萄糖粉。凡事只要凭良心去做，肯定能做好。	商人是没有底线的，良心就更别提了。	愤怒
#油罐车#	啊这不就是连锁反应？罐车卸完煤用油直接装运食用大豆油，老干妈辣椒油矿物油超标，现在新闻都得看连续剧了……	其他零食的油，又能好到哪里去呢？	担忧
#淀粉肠中加骨泥对人体有害#	【#淀粉肠中加骨泥对人体有害#？专家：经规范养殖、加工的骨泥可食用】近日，火爆大街小巷的淀粉肠因媒体曝光其含有“鸡骨泥”，一夜之间行业“入冬”。科信食品与健康信息交流中心主任钟凯表示，经过规范养殖、加工的骨泥是可以食用的。	这热搜真搞笑明明没有害，热搜标题确认说有害。	支持

舆情事件	数据集	话题数	博文数	评论数	情感样本数
舆情事件	数据集	话题数	博文数	评论数	支持	中立	担忧	愤怒
预制菜进校园	Dataset_1	7	202	4 700	1 000	1 000	1 500	1 200
淀粉肠	Dataset_2	12	217	6 000	2 000	2 000	1 000	1 000
油罐车	Dataset_3	6	210	9 500	2 000	2 000	2 500	3 000

舆情事件	数据集	话题数	博文数	评论数	情感样本数
舆情事件	数据集	话题数	博文数	评论数	支持	中立	担忧	愤怒
预制菜进校园	Dataset_1	7	202	4 700	1 000	1 000	1 500	1 200
淀粉肠	Dataset_2	12	217	6 000	2 000	2 000	1 000	1 000
油罐车	Dataset_3	6	210	9 500	2 000	2 000	2 500	3 000

参数	Dataset_1		Dataset_2		Dataset_3
参数	Macro- F1	Acc	Macro- F1	Acc	Macro- F1	Acc
M1（1×10^-5，128，8）	84.7	82.8	86.2	87.6	81.7	82.0
M2（1×10^-5，128，12）	86.3	86.8	89.6	89.5	81.4	82.6
M3（1×10^-5，64，8）	85.7	85.2	88.2	87.3	80.1	80.3
M4（1×10^-5，64，12）	86.8	86.6	91.2	90.4	80.2	81.8
M5（5×10^-6，128，8）	84.6	84.2	83.9	84.2	77.6	78.4
M6（5×10^-6，128，12）	86.1	85.3	84.5	83.7	78.4	78.8
M7（5×10^-6，64，8）	82.4	84.1	81.7	82.5	77.3	76.5
M8（5×10^-6，64，12）	84.7	84.5	84.1	84.6	77.5	77.9

Multi-sentiment analysis of network public opinion and review text in food safety based on topics and blogs

基于话题博文的食品安全网络舆情评论文本多情感分析

RichHTML

PDF

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 12

References 41

Related Articles 15

Recommended Articles

Metrics

模型类型	基线模型	Dataset_1		Dataset_2		Dataset_3
模型类型	基线模型	Macro- F1	Acc	Macro- F1	Acc	Macro- F1	Acc
无话题博文特征的基线模型	BERT^［10］	64.7	65.6	61.1	62.6	58.3	60.2
	BiLSTM^［34］	65.8	66.5	61.8	63.1	61.1	63.2
	BERT+ BiLSTM^［35］	74.8	74.9	66.4	66.8	70.2	70.4
	BERT+ BiLSTM+ Attention^［36］	76.1	75.3	71.6	71.4	72.5	72.7
	SpanEmo^［37］	68.7	70.4	68.1	68.9	62.4	61.6
	AltXML^［38］	80.1	80.8	71.8	72.2	75.2	75.3
融合话题博文特征的基线模型	UPNN^［39］	80.1	81.2	72.2	72.8	71.4	71.6
	IAN^［28］	78.9	77.6	77.1	77.5	76.3	76.4
	AFF^［32］	76.4	76.7	75.8	75.5	71.8	72.6
	DIFM^［40］	81.9	81.8	84.2	84.3	77.5	76.6
	DATN^［41］	82.7	85.5	82.8	83.1	80.0	79.3
同时带有话题博文评论文本的基线模型	BERT^*［10］	61.3	61.2	67.9	68.7	52.4	53.6
	BiLSTM^*［34］	66.7	68.1	70.8	71.4	54.2	54.6
	BERT+ BiLSTM^*［35］	64.3	65.2	72.6	71.8	58.2	55.3
	BERT+ BiLSTM+ Attention^*［36］	70.4	72.1	74.5	72.7	58.8	58.1
	SpanEmo^*［37］	61.0	61.3	66.1	66.5	61.8	60.7
	AltXML^*［38］	75.1	76.6	72.1	74.9	62.7	62.4
本文模型	TBR-MSAM	86.8	86.6	91.2	90.4	80.2	81.8

模型	Dataset_1		Dataset_2		Dataset_3
模型	Macro-F1	Acc	Macro-F1	Acc	Macro-F1	Acc
BERT（+）	83.8	83.6	88.1	87.4	78.7	78.6
ChineseBERT（+）	84.1	84.7	83.2	84.1	75.5	75.2
Syntax-BERT（+）	82.5	82.2	85.3	85.6	71.8	72.2
RoBERTa（+）	86.8	86.6	91.2	90.4	80.2	81.8

[1]	Weigang LI, Jiale SHAO, Zhiqiang TIAN. Point cloud classification and segmentation network based on dual attention mechanism and multi-scale fusion [J]. Journal of Computer Applications, 2025, 45(9): 3003-3010.
[2]	Xiang WANG, Zhixiang CHEN, Guojun MAO. Multivariate time series prediction method combining local and global correlation [J]. Journal of Computer Applications, 2025, 45(9): 2806-2816.
[3]	Zhixiong XU, Bo LI, Xiaoyong BIAN, Qiren HU. Adversarial sample embedded attention U-Net for 3D medical image segmentation [J]. Journal of Computer Applications, 2025, 45(9): 3011-3016.
[4]	Fang WANG, Jing HU, Rui ZHANG, Wenting FAN. Medical image segmentation network with content-guided multi-angle feature fusion [J]. Journal of Computer Applications, 2025, 45(9): 3017-3025.
[5]	Yiming LIANG, Jing FAN, Wenze CHAI. Multi-scale feature fusion sentiment classification based on bidirectional cross attention [J]. Journal of Computer Applications, 2025, 45(9): 2773-2782.
[6]	Jinggang LYU, Shaorui PENG, Shuo GAO, Jin ZHOU. Speech enhancement network driven by complex frequency attention and multi-scale frequency enhancement [J]. Journal of Computer Applications, 2025, 45(9): 2957-2965.
[7]	Chengzhi YAN, Ying CHEN, Kai ZHONG, Han GAO. 3D object detection algorithm based on multi-scale network and axial attention [J]. Journal of Computer Applications, 2025, 45(8): 2537-2545.
[8]	Haifeng WU, Liqing TAO, Yusheng CHENG. Partial label regression algorithm integrating feature attention and residual connection [J]. Journal of Computer Applications, 2025, 45(8): 2530-2536.
[9]	Chao JING, Yutao QUAN, Yan CHEN. Improved multi-layer perceptron and attention model-based power consumption prediction algorithm [J]. Journal of Computer Applications, 2025, 45(8): 2646-2655.
[10]	Jinhao LIN, Chuan LUO, Tianrui LI, Hongmei CHEN. Thoracic disease classification method based on cross-scale attention network [J]. Journal of Computer Applications, 2025, 45(8): 2712-2719.
[11]	Yimeng XI, Zhen DENG, Qian LIU, Libo LIU. Cross-modal information fusion for video-text retrieval [J]. Journal of Computer Applications, 2025, 45(8): 2448-2456.
[12]	Jin ZHOU, Yuzhi LI, Xu ZHANG, Shuo GAO, Li ZHANG, Jiachuan SHENG. Modulation recognition network for complex electromagnetic environments [J]. Journal of Computer Applications, 2025, 45(8): 2672-2682.
[13]	Chen LIANG, Yisen WANG, Qiang WEI, Jiang DU. Source code vulnerability detection method based on Transformer-GCN [J]. Journal of Computer Applications, 2025, 45(7): 2296-2303.
[14]	Yihan WANG, Chong LU, Zhongyuan CHEN. Multimodal sentiment analysis model with cross-modal text information enhancement [J]. Journal of Computer Applications, 2025, 45(7): 2237-2244.
[15]	Liang CHEN, Xuan WANG, Kun LEI. Helmet wearing detection algorithm for complex scenarios based on cross-layer multi-scale feature fusion [J]. Journal of Computer Applications, 2025, 45(7): 2333-2341.