基于舆情分析的微博情绪监测系统研究与实现

发布时间：2024-05-09 00:22

　　随着互联网的发展进入新的时代,媒体行业快速发展,微博成为国内人民获取信息和发表观点的媒介。微博中包含了大量的文本信息,如时事热点,社会现象,经济信息等以及对微博内容的评论。使用计算机技术对微博上展示的文本数据进行情感分析,将会帮助相关部门、企业和机构对于公众的观点态度进行精确的了解,分析事件所产生的影响。为相关部门、企业和机构进行合理的舆情分析及监控,制定舆情应对与解决的策略并提供准确的参考信息,同时针对各个领域的微博舆情分析可以了解各行业和其产品情况,对行业的发展有着积极的促进作用。本文研究与实现基于舆情分析的微博情绪监测系统,对微博文本数据进行虚假微博评论的去除,获取真实的用户评论数据提高了微博文本数据进行舆情分析的准确率。主要使用了PU LEARNING算法和LSTM算法。融合PU LEARNING模型和LSTM模型,提出了一种基于虚假评论识别和深度学习的情感分析模型简称为PU-LSTM模型。1.首先使用PU LEARNING算法对获取的微博评论数据进行数据预处理和向量化。2.然后提出三大评价指标,8个判断属性。状态指标、内容指标和行为指标,下设8个属性为:用户可信度、用户评价时...

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

图3.3PU-Learning模型步骤

基于舆情分析的微博情绪监测系统研究与实现-17-图3.3PU-Learning模型步骤3.3LSTM模型3.3.1LSTM算法设计LSTM[11]称为长短时记忆模型是一种特殊的循环神经网络（RNN）模型。长短时记忆模型是为了解决在循环神经网络具有的缺点，比方说，由于序列长度逐渐增....

图3.4LSTM模型简化结构

基于舆情分析的微博情绪监测系统研究与实现-17-图3.3PU-Learning模型步骤3.3LSTM模型3.3.1LSTM算法设计LSTM[11]称为长短时记忆模型是一种特殊的循环神经网络（RNN）模型。长短时记忆模型是为了解决在循环神经网络具有的缺点，比方说，由于序列长度逐渐增....

图3.8Dropout算法的基本原理

基于舆情分析的微博情绪监测系统研究与实现-20-图3.7不同训练次数的准确波动情况由图3.7可以看出，随着Epoch值的逐渐提高，实验的准确率的在提高，在数值为9时达到最高。开展上述中的实验时，需要设置Epoch值等于9，可以获得最优的数值。（3）实验Dropout数值Dropo....

图3.13正向情感箱图

基于舆情分析的微博情绪监测系统研究与实现-25-图3.13正向情感箱图图3.14负向情感箱图可以看出正向情感强度值主要分布在10至20左右；负向情感强度值主要分布在-10至-20左右。由此将数据分为正向情感：一般（0—10），中度（10—20），高度（20以上）三类；负向情感：一....

本文编号：3968041