9、新冠推文情感分析与脑网络聚类检测技术探索

新冠推文情感分析与脑网络聚类检测技术探索

在当今科技发展的浪潮中，数据挖掘和分析技术在多个领域展现出了巨大的潜力。本文将聚焦于两个重要的研究方向：新冠推文的情感分析以及基于聚类的脑网络检测在心理意象识别中的应用。

新冠推文情感分析

在新冠疫情期间，社交媒体上的推文蕴含着大量的情感信息。通过对这些推文进行情感分析，我们可以了解公众对疫情的态度和情绪，为相关决策提供参考。

实验步骤

1. 特征提取 ：提取推文中最流行的词汇，并使用n - gram模型分析词汇组的流行度，将其作为数据集的两个主要特征。
2. 情感评级 ：开发一个模型，根据情感分析器计算的情感极性为推文分配情感评级，并将所有推文分为积极和消极两类。
3. 模型训练 ：使用包含清理和预处理后的推文及其情感评级（积极为1.0，消极为0.0）的分类数据集，训练基于深度学习的LSTM模型。将数据集按80:20的比例划分，80%用于训练，20%用于测试。
4. 实验结果 ：经过30个周期的训练，在约93,474个参数上运行后，验证准确率达到了84.46%。

未来展望

未来，我们计划基于本次实验提取的特征开发一个极性 - 流行度模型，以便根据最常出现的词汇的极性为推文分配更精确的情感评级。利用这些数据训练深度学习模型，以提高系统的验证准确率。

基于聚类的脑网络检测在心理意象识别中的应用

人类大脑通过