25、含表情符号推文的情感分析

含表情符号推文的情感分析

1 研究背景与前期工作

在社交媒体数据的情感分析领域，众多学者开展了相关研究。G. Gautam 等人在 2014 年基于 Twitter 数据，提出结合语义分析与多种机器学习技术来识别句子和产品评论。他们利用标注的 Twitter 数据集评估大量评论，先对数据集进行预处理，提取有意义的形容词作为特征向量，再结合基于语义方向的 WordNet 以及朴素贝叶斯、最大熵和 SVM 等机器学习分类技术，发现基于一元模型的 SVM 表现优于单独的 SVM，朴素贝叶斯技术优于最大熵。

2020 年，Y. Chandra 等人收集推文数据，通过机器学习分类器处理，采用投票分类程序确定推文类别和置信度，用极性分类法计算正负推文比例，还提出用于推文分类的深度学习模型，如 RNN、LSTM 和 CNN RNN 等，结果显示深度学习模型优于机器学习方法。

2021 年，Naresh 等人提出基于优化的机器学习技术对 Twitter 数据进行分类，分为数据收集与预处理、特征优化、使用不同机器学习技术分类三个阶段，其中顺序最小优化结合决策树的方法准确率高达 89.47%。

2 研究方法概述

本研究旨在评估推文情感，判断其正负性，采用了 XGBoost、LinearSVC、Logistic Regression 和 BernoulliNB 等分类方法，以实现对单条推文情感的高精度分类。研究主要包括以下步骤：
1. 数据收集
2. 数据集预处理
3. 模型训练
4. 结果验证
5. 结果与推断

2.1 数据收集

使用的数据集是 sentiment