张戎秋，肖 强

（1.淮南师范学院 计算机学院，安徽 淮南232038；2.淮南师范学院 信息化建设与管理处，安徽 淮南232038）

网络舆情由网络言论发展而来，可以由任何事件刺激所产生的、能迅速通过互联网传播的、人们对于该事件的所有认知、态度、情感和行为倾向的集合［1］，它很大程度依赖于网络言论主题是否具有很强的敏感性和活跃性［2］。高校师生对社会热点现象较为敏感，思维活跃，更容易爆发网络舆情。如何及时有效地发现高校师生新热度话题中的情感语义倾向，是网络舆情预警的关键问题［3］。为了有效地预判舆情发展趋势，做好高校网络舆情热度话题中的情感倾向性监测分析，文章通过采用softsign激活函数代替LSTM模型中的tanh激活函数；将L1范数和L2范数线性组合来正则化LSTM模型中的输入权重，两方面对传统的LSTM模型进行改进，然后结合改进的LSTM模型和CNN模型的各自优点，组合成改进的LSTM-CNN模型对高校网络舆情进行文本情感倾向分类，以获取网络言论主题中潜在的热度话题，以达到预警的目的。

一、长短时记忆网络（LSTM）

图1 LSTM模型内部结构

传统的LSTM是一种顺序结构的有监督的神经网络，具有学习长距离依赖关系的能力，所以称为长短时记忆网络(Long Short-Term Memory Network,LSTM)［4-6］。它用存储单元和门控电路机制来控制丢弃或增加信息，解决时间序列问题，能很好地保留历史信息，由于特征丢失较少,进而获得更持久的记忆功能。把LSTM应用在文本处理中，对上下文的语义进行提取具有较好的效果。

二、卷积神经网络（CNN）

卷积神经网络(CNN)核心架构是一种前馈式多层监督学习的神经网络［7］,其中每一种特征通过一个卷积核来表示，原始数据同每一种卷积核卷积的结果（特征图）就是在其特征下的表现情况。……