為了解決財經(jīng)微博文本中網(wǎng)民情感狀態(tài)轉(zhuǎn)移的時序數(shù)據(jù)分析問題,本文提出一個基于認(rèn)知情感評價模型(Ortony,Clore&Collins,OCC)和長短期記憶模型(long short term memory,LSTM)的財經(jīng)微博文本情感分類模型(OCC-LSTM)。基于OCC模型從網(wǎng)民認(rèn)知角度建立情感規(guī)則,對財經(jīng)微博文本進(jìn)行情感標(biāo)注,并作為LSTM模型進(jìn)行深度學(xué)習(xí)的訓(xùn)練集;基于LSTM模型,使用深度學(xué)習(xí)中的TensorFlow框架和Keras模塊建立相應(yīng)的實驗?zāi)Ｐ?進(jìn)行海量微博數(shù)據(jù)情感分類,并結(jié)合13家上市公司3年的微博文本數(shù)據(jù)進(jìn)行實證研究和模型驗證對比。實證研究結(jié)果發(fā)現(xiàn)本文提出的模型取得了89.45%的準(zhǔn)確率,高于采用傳統(tǒng)的機(jī)器學(xué)習(xí)方式的支持向量機(jī)方法 (support vector machine,SVM)和基于深度學(xué)習(xí)的半監(jiān)督RAE方法 (semi-supervised recursive auto encoder)。

【文章頁數(shù)】：9 頁

【部分圖文】：

圖1 財經(jīng)微博情感分類處理流程

(1）輸入層：給定一個待分類的財經(jīng)微博文本，基于OCC模型，生成訓(xùn)練好的詞向量集合，查找出各個詞對應(yīng)的詞向量，生成輸入矩陣。(2)LSTM層：輸入層生成的詞向量矩陣經(jīng)過LSTM網(wǎng)絡(luò)，根據(jù)毎個詞對應(yīng)的詞向量時序性構(gòu)建句向量，同時根據(jù)輸入層生成的特征值序列獲取輸入文本中的詞序信息，對....

圖2 基于OCC理論的網(wǎng)絡(luò)輿情情感規(guī)則

本文從事件結(jié)果和對象行為兩個角度出發(fā)，根據(jù)事件演變的結(jié)果是否符合期望網(wǎng)民的期望目標(biāo)，和事件中對象的行為是否符合網(wǎng)民的行為準(zhǔn)則來判斷財經(jīng)微博文本的情感極性，模型如圖2所示，情感識別函數(shù)定義如表1所示。上述情感識別函數(shù)可以用于識別OCC模型的邏輯規(guī)則框架，通過組合不同的情感識別函數(shù)，....

圖3 實驗流程設(shè)計

在上述模型構(gòu)建的基礎(chǔ)上，本文設(shè)計實驗流程如圖3所示，使用TensorFlow平臺Keras模塊完成實驗研究內(nèi)容，使用Nvidia公司的GPU來輔助運(yùn)算。4.2數(shù)據(jù)處理

圖4 算法流程圖

根據(jù)圖1構(gòu)建的LSTM模型，使用深度學(xué)習(xí)中的TensorFlow框架和Keras模塊建立相應(yīng)的實驗?zāi)Ｐ�，建立Keras的序列化模型，設(shè)定LSTM模型各項參數(shù)，包括訓(xùn)練輪數(shù)epoch取值實驗、Dropout取值實驗，對上述處理好的微博數(shù)據(jù)進(jìn)行分析。實驗流程如圖4所示，經(jīng)過訓(xùn)練后得到....

本文編號：4045335