薛 涛

（运城师范高等专科学校 数计系，山西 运城 044000）

0 引 言

人们通过社交平台来表达感受、情绪和态度，社交平台的帖子中通常包含丰富的信息，因此社交媒体成为热门研究对象。其中，情感分析是最基本且关键的研究主题之一［1－3］。情感分析的目的是分析社交媒体的极性，以判断人们对某些事件所持有的正面、负面或中性态度［4－5］。有研究者提出将社交媒体中的表情符号应用于情感极性预测，目前大多数现有的方法不仅依赖于手工特征，还分别考虑了表情符号和纯文本的情感，但并没有充分探索表情符号对文本情感极性的影响。表情符号在纯文本的情感极性中起着重要作用，对于情感原本是中性的纯文本，在纯文本后添加开心或沮丧的表情会使帖子表达不同的情绪极性。

本研究提出了一种深度学习模型，结合表情符号对文本情感极性的影响以进行情感分析。该模型使用双向长短期记忆模型来构建社交平台帖子的表示，使用注意力模型计算每个单词的权重。研究的主要贡献有两点：首先建立了带有表情符号、包含超过1 万条帖子的语料库；其次，联合训练微博帖子中的表情符号和单词，获得包含其上下文信息的表情符号表示。

1 符号语料库

大多数现有的情感分析语料库仅包含一小部分带有表情符号的内容，这些语料库并不适用于基于表情符号的情感分析。因此，需要收集和注释带有表情符号的文本。

由新浪微博收集了250 000 条微博帖子，从中提取了85 000 条包含表情符号的帖子。……