基于LSTM深度学习模型的中国电信官方微博用户情绪分析

蔡鑫; 娄京生

doi:10.11959/j.issn.1000-0801.2017340

您当前的位置：

首页 >

文章列表页 >

基于LSTM深度学习模型的中国电信官方微博用户情绪分析

专栏：大数据技术与应用 | 更新时间：2024-06-05

- 基于LSTM深度学习模型的中国电信官方微博用户情绪分析
- Sentiment analysis of telecom official micro-blog users based on LSTM deep learning model
- 电信科学 2017年33卷第12期页码：136-141
- 作者机构：
- 作者简介：
  
  [ "蔡鑫（1975-），男，中国电信股份有限公司上海研究院高级工程师，主要研究方向为数据分析挖掘、人工智能、数据规划和信息管理。" ]
  [ "娄京生（1975-），男，中国电信股份有限公司上海研究院助理工程师，主要研究方向为数据分析挖掘、人工智能。" ]
- 基金信息：
- DOI：10.11959/j.issn.1000-0801.2017340
  中图分类号： TP391
- 网络出版日期：2017-12，
  
  纸质出版日期：2017-12-20
- 稿件说明：
移动端阅览
蔡鑫, 娄京生. 基于LSTM深度学习模型的中国电信官方微博用户情绪分析[J]. 电信科学, 2017,33(12):136-141.

Xin CAI, Jingsheng LOU. Sentiment analysis of telecom official micro-blog users based on LSTM deep learning model[J]. Telecommunications science, 2017, 33(12): 136-141.
蔡鑫, 娄京生. 基于LSTM深度学习模型的中国电信官方微博用户情绪分析[J]. 电信科学, 2017,33(12):136-141. DOI： 10.11959/j.issn.1000-0801.2017340.

Xin CAI, Jingsheng LOU. Sentiment analysis of telecom official micro-blog users based on LSTM deep learning model[J]. Telecommunications science, 2017, 33(12): 136-141. DOI： 10.11959/j.issn.1000-0801.2017340.

摘要

中国电信官方微博（简称电信官微）作为一种互联网媒体，是中国电信对外发布信息并获取用户反馈的重要渠道。用户对电信官微消息内容的评论，反映了用户对中国电信品牌、产品和服务的不同态度。爬取了电信官微的消息内容和评论数据，对经过清洗的数据采用Word2vec进行文本信息表示，并使用深度学习平台基于LSTM深度神经网络模型进行用户交互文本的正负面情感分类，实现电信官微访问用户情绪分析。

Abstract

As an internet media

China Telecom official micro-blog is an important channel for the company to publish information and get feedback from users.Users’ comments on telecom official micro-blog messages reflect different attitudes towards telecom brand

products and services.The message content and comment data of the micro-blog was crawled

and the Word2vec was used to express the text information after data cleaning

and the deep learning platform was chosen to carry out the positive and negative emotional classification of the user interaction text based on the LSTM deep neural network model

and sentiment analysis of telecom official micro-blog users was realized.

关键词

Keywords

references

BIRD S , KLEIN E , LOPER E . Python自然语言处理 [M ] . 陈涛,张旭,崔杨,等译.北京 : 人民邮电出版社 , 2014 .

BIRD S , KLEIN E , LOPER E . Natural language processing with Python [M ] . Translated by CHEN T,ZHANG X,CUI Y,et al . Beijing : Posts ＆ Telecom Press , 2014 .

MIKOLOV T , CHEN K , CORRADO G , et al . Efficient estimation of word representations in vector space [C ] // 1st International Conference on Learning Representations(ICLR 2013),Sep 3,2013 , Scottsdale,Arizona,USA [S.l.:s.n. ] , 2013 .

LECUN Y , BENGIO Y,HINTONG , HINTONG . Deep learning [J ] . Nature , 2015 , 521 ( 5 ): 436 - 444 .

李航 . 统计学习方法 [M ] . 北京 : 清华大学出版社 , 2012 .

LI H . Statistical learning method [M ] . Beijing : Tsinghua University Press , 2012 .

LE Q , MIKOLOV T . Distributed representations of sentences and documents [C ] // The 31st International Conference on International Conference on Machine Learning,June 21-26,2014,Beijing,China . New York:ACM Press , 2014 .

浏览量

2462

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

GMTBLC：基于深度学习的双模态网络流量分类

中压电力载波通信影响量分析与研究

基于改进YOLOv5的天线下倾角识别方法研究

基于时序深度残差收缩网络的混叠信号调制识别方法

日志信息驱动的计算机网络节点故障预测研究