30、基于Bi - LSTM - GRU的YouTube视频情感分析

基于Bi - LSTM - GRU的YouTube视频情感分析

1. 相关前期工作

在情感分析领域，众多研究者开展了一系列相关工作，以下是一些具有代表性的研究：
- Park等人的研究 ：对部分YouTube影片进行研究，发现观看时长与评论中的负面情绪比例呈正相关。该研究借助开源在线平台收集随机选取影片的观看时间数据，使用基于规则的情感分析程序VADER对所选影片的所有评论进行情感分析。通过对用户观看时长与包括评论情感等多种自变量的回归研究，揭示了观看时长与负面评论情感之间的正向联系。
- Rong Yang等人的研究 ：研究用户评论行为与视频观看习惯（如观看时间）之间的关系。与先前研究结果不同，他们发现YouTube视频观看时间与评论中表达的积极情感存在关联。具体而言，平均获得更多积极评论的视频更有可能拥有较长的观看时间，而平均获得更多负面评论的视频更有可能获得较短的观看时间，这表明观众倾向于选择让他们感觉良好的视频。
- Preedawon和Sumitra的研究 ：旨在为泰国消费者提供一种情感分析技术，将关于产品消费的各种想法分类为积极或消极两种观点。该研究以社交媒体上泰国语音音频材料（特别是美容产品的视频评论）衍生的文本作为观点代表，采用朴素贝叶斯文本分类方法实现模型，结果表明该方法能提供更有效的自动情感分析，且具有可接受的准确性。
- 关于政策意见分类分析的研究 ：政府在YouTube上宣布内阁改组后，YouTube社交媒体增加了评论栏功能，供观众对视频内容发表评论或意见。作者使用一维卷积神经网络进行情感分析，将这些评论转