王素格，杨文琦，张文跃

（山西大学 计算机与信息技术学院，山西 太原 030006）

0 引言

随着互联网的快速发展，人们在网络上发表各种观点和言论，这些观点和言论大部分带有发帖者的主观感情色彩和发帖时间，若获取这些富含时间和情感的信息，将有助于对包含时间信息的主观时序文本的情感倾向性判断。时序情感分类任务与传统的情感分类任务的不同之处是人们的情感可能会随时间的变化而变化，导致情感分布具有不稳定性。例如，2019新型冠状病毒（COVID-19）感染的肺炎疫情的话题，众多网民参与疫情相关话题的讨论。表1为新浪微博中关于疫情的几条真实数据，它反映了人们情感的变化。疫情初期，由于不明原因的肺炎患者在武汉出现，舆论以负面情绪居多。随着中央全力部署、政府防控措施出台（实时数据的公布、武汉实行封城管控）、专家学者释疑解惑（钟南山院士、张文宏医生等对疫情的判断），舆论的走向开始出现变化，人们对战胜疫情充满希望，舆论中的负面情绪开始消退。

表1 情感变化示例Table 1 Cases of sentiment changes

为了有效处理情感分布不断变化的舆情时序文本数据，本文借鉴He等人［1］的方法，并将其与一个领域自适应方法［2］相结合，提出了一个基于特征融合的舆情时序文本情感分类模型TTSCM（Temporal Text Sentiment Classification Model based on Feature Fusion）。该模型利用半监督学习方法［3］得到当前时刻的特征，并与历史特征相融合，丰富了文本的特征表示。在真实的数据集上的实验结果表明，本文的方法与传统的文本情感分类方法相比，在舆情时序文本情感分类任务上取得了较好的效果。……