滕飞　郑超美　李文

摘要：针对中文微博全局性情感倾向分类的准确性不高的问题，提出基于长短期记忆模型的多维主题模型（MT-LSTM）。该模型是一个多层多维序列计算模型，由多维长短期记忆（LSTM）细胞网络组成，适用于处理向量、数组以及更高维度的数据。该模型首先将微博语句分为多个层次进行分析，纵向以三维长短期记忆模型（3D-LSTM）处理词语及义群的情感倾向，横向以多维长短期记忆模型（MD-LSTM）多次处理整条微博的情感倾向；然后根据主题标签的高斯分布判断情感倾向；最后将几次判断结果进行加权得到最终的分类结果。实验结果表明，该算法平均查准率达91%，最高可达96.5%；中性微博查全率高达50%以上。与递归神经网络（RNN）模型相比，该算法F-测量值提升40%以上；与无主题划分的方法相比，细致的主题划分可将F-测量值提升11.9%。所提算法具有较好的综合性能，能够有效提升中文微博情感倾向分析的准确性，同时减少训练数据量，降低匹配计算的复杂度。

关键词：中文微博；情感倾向分析；长短期记忆；多层多维模型；主题标签

中图分类号：TP181

文献标志码：A

0引言

随着网络新媒体的飞速发展，大量用户已习惯于通过微博表达自己真实的想法和理念，从而产生了庞大的数据量和很多创造性的自由、随性的表达方式。这些新鲜的方式不仅表达了微博作者的态度和想法，还带有极高的商业、社会价值。为此，分析这些大量且复杂的微博信息中的情感已成为当下研究热点之一。……