杨书新，张 楠

（江西理工大学信息工程学院，江西赣州 341000）

0 引言

近年来，随着网络的高速发展，人们对社交媒体的使用程度逐渐提高，越来越多的人愿意在微博、Twitter、Facebook 等社交网络平台上表达自己对某件事或某样东西的态度或看法，这就产生了大量带有情感倾向的文本数据。通过对这些文本数据进行情感分析，可以更好地理解用户对产品的情感倾向或者对某热点事件的关注程度，由此情感分析技术应运而生。情感分析技术就是处理文本中带有情感极性的短语或句子的技术［1］。

利用机器识别句子情感极性并不容易，目前主要的做法有根据情感词典的规则判断方法和基于传统机器学习统计方法。基于词典的方法［2］主要是利用人工标注的词典对句子中的单词进行极性筛选，然后将这些情感分数累加求均值进行极性判断；但该方法只考虑单个词的语义信息，没有考虑上下文的语义信息。传统的基于机器学习的方法采用统计学方法，从大量的标注数据中选取特征，然后利用朴素贝叶斯、支持向量机（Support Vector Machine，SVM）、决策树等机器学习算法对文本进行情感分类［3-4］。该方法虽然在一定程度上提高了分类的准确率，分类速度也有提升，但是在面向大样本时表现不佳，在多分类任务中效果变差，并且对人工标注的需求极大。随着大数据时代的到来，深度学习方法在自然语言处理情感分析方面有了很多的应用。Wang 等［5］提出利用长短时记忆（Long Short-Term Memory，LSTM）递归网络对Twitter数据进行情绪预测，在否定测试集上的优异表现表明LSTM 模型具有非常好的捕获长序列信息特征的能力。……