李 芳, 曲豫宾, 陈 翔, 李 龙, 杨 帆

(1. 桂林电子科技大学 广西可信软件重点实验室, 广西 桂林 541004; 2. 江苏工程职业技术学院 建筑工程学院, 江苏 南通 226001； 3. 江苏工程职业技术学院 信息工程学院, 江苏 南通 226001； 4. 南通大学 信息科学技术学院, 江苏 南通 226019； 5. 江苏工程职业技术学院 图文信息中心, 江苏 南通 226001)

网络的快速发展产生了海量的文本数据, 大量的文本数据来源于用户参与论坛等活动, 这种UGC(user generated contents)数据变得越来越重要[1]. UGC数据主要包括电商商品评论及电影评论等, 其可提供一些有价值的信息, 为用户的日常决策提供了重要参考[2]. 网络评论的极性分类是文本处理任务中的一项基本任务[3]. 网络评论中的情感分析(sentiment analysis)是指根据文本内容, 使用多种方式判断该段文本的极性, 文本的极性类型包括褒义(positive)和贬义(negative)两种. 常见的分析方法主要有基于词典的情感分析方法、 基于机器学习的情感分析技术以及基于深度神经网络的情感分析技术[4]等. 朱嫣岚等[5]借助于HowNet提供的语义相似度计算目标词与基准词之间的相关性, 对文本的极性进行了分类； 李明等[4]通过研究朴素Bayes、 决策树、 支持向量机等算法, 发现支持向量机在商品评论情况倾向性分析中具有较高的召回率和精确率; 高云龙等[6]采用改进的卷积神经网络, 利用不同编码方式将短文本映射到不同空间下的分布式表示中, 实现了对短文本进行分类； 高巍等[7]采用基于序列卷积网络对Twitter数据进行情感分类, 证明序列卷……