基于感情計算的電影用戶偏好分析

[16]。表2-1模型常見指標實際分類PositiveNegative預(yù)測結(jié)果PositiveTPFPNegativeFNTN（1）查準率(Precision)，指預(yù)測結(jié)果中的真正例占所有預(yù)測結(jié)果中的正例的比例，較高的正確率表明，表明該模型具有較好的樣本鑒別能力。（2）召回率（Recall），指預(yù)測結(jié)果中真正例占真正正例的的比例。召回率較高，表明該模型對整個樣品的預(yù)測比率較高，對模型的辨識能力也較強。（3）F1，即正確率與召回率的和諧平均值，用來對模型進行綜合評價。F1值愈高，則表示模式之準確度及可信度愈高。PRF4.3構(gòu)建AttentionLSTM模型文章將注意力機制融入LSTM算法中。首先構(gòu)建LSTM特征模型，實現(xiàn)詞的語義提取，并在此基礎(chǔ)上引入注意機制，注意力機制方法的加權(quán)，然后使用Softmax函數(shù)，如下圖4-2所示的特定架構(gòu)，實現(xiàn)最大限度地對所選屬性進行分類。圖4-2Softmax函數(shù)架構(gòu)建構(gòu)模型過程如下：輸入：輸入的數(shù)據(jù)首先通過嵌入層轉(zhuǎn)換為詞向量x0,x1,x2,…,輸出：句子X的情感分類。在語句鍵中輸入詞矢量x0,x1,x2,…,xi。詞向量進入到LSTM模型中得到隱藏層?j={?0αscore(score在每一時刻，其目的是為輸入的數(shù)據(jù)的特征矢量v進行運算：v最終通過以下公式計算出最終的預(yù)測值：y4.4不同模型的對比試驗為了證明AttentionLSTM模型在影評數(shù)據(jù)中的應(yīng)用效果，使用了SVM、LSTM、Attention?LSTM等模型進行了比較實驗，取得Recall、F1值，作為模型的評價指標。其中，預(yù)處理后的數(shù)據(jù)3.1.4作為實驗的數(shù)據(jù)使用。通過對多個超參試驗中常用的控制變量方法進行對比，選擇了試驗中的試驗超參數(shù)，如下表所示:表4-1實驗超參數(shù)參數(shù)參數(shù)值參數(shù)參數(shù)值epchs100Self.in_channels50n_layers2Self.out_chanels128hidden_dim128drop_prob0.5embedding_dim3004.4.1SVM模型的實驗結(jié)果在表4-1的超參量下，通過SVM模型實驗得出的混淆矩陣如下圖4-3所示。圖4-3SVM模型的混淆矩陣由圖可知SVM模型實驗的TP為2789、FN為531、FP為676、TN為689，由此可得SVM模型實驗的Accuracy為0.74236，Precision為0.80490，Recall為0.84006，F(xiàn)1為0.82210。4.3.2LSTM模型的實驗結(jié)果在表4-1的超參量下的LSTM模型實驗得出的混淆矩陣如下圖4-4：圖4-4LSTM模型的混淆矩陣由圖可知AttentionLSTM模型實驗的TP為2213、FN為396、FP為457、TN為682，由此可得AttentionLSTM模型實驗的Accuracy0.77241，Precision為0.82883，Recall為0.84821，F(xiàn)1為0.83840。4.3.3AttentionLSTM模型的實驗結(jié)果在表4-1的超參量下的AttentionLSTM模型實驗得出的混淆矩陣如下圖4-5所示圖4-5AttentionLSTM模型的混淆矩陣由圖可知LSTM模型實驗的TP為2286、FN為323、FP為509、TN為630，由此可得LSTM模型實驗的Accuracy為0.77801，Precision為0.81788，Recall0.87619，F(xiàn)1為0.84603。4.5實驗結(jié)果分析從上文的實驗結(jié)果整理如下表所示：表4-2實驗超參數(shù)ModelAccurayPrecisnRecallF1SVM0.742360.80400．840060.82210LSM0.773410.82830.848210.83840Attlstm0.778010.81780.876190.84603根據(jù)前面實驗結(jié)果，得出以下結(jié)論：通過比較試驗得出的F1值，可以看出，與傳統(tǒng)的支持向量機相比，在更大規(guī)模的樣本上，深度學(xué)習(xí)模型能夠更好地訓(xùn)練出結(jié)果。從表中得結(jié)果來看，AttentionLSTM模型的F1值為0.84603，比LSTM模型的F1值0.83840高0.763%，也是實驗中F1值最高得模型，證明了本文提出得一種將注意力機制融進模型中的AttentionLSTM模型在處理海量數(shù)據(jù)有著較相較于傳統(tǒng)的機器學(xué)習(xí)有著較好的效果。5總結(jié)與展望5.1總結(jié)近些年來，隨著經(jīng)濟的高速發(fā)展，影視行業(yè)也得到了快速發(fā)展。吃飽穿暖后的人們開始重視起精神層面的需求，對影片的質(zhì)量要求更高。因此中國的電影行業(yè)面臨著新挑戰(zhàn)。隨著新冠疫情的結(jié)束，我國電影行業(yè)得到復(fù)蘇，影片的種類及數(shù)量都在增長，而影評網(wǎng)站的評論也變得越來越多，影片制作方要如何從這些海量的評論得出有價值的信息，判斷觀眾的喜好，從而制作出符合電影市場需求的影片。本文以《深海》這部電影為例對此部電影評論進行情感分析。抓取bilibili平臺的評論并對其文本數(shù)據(jù)進行標簽處理、去除停用詞等預(yù)處理操作，本文建構(gòu)了Attention-LSTM模型，并分別與LSTM和SVM模型進行實驗對比，以F1值作為對比實驗的評價標準，實驗結(jié)果表明本文的模型有著較優(yōu)的情感分類性能。5.2展望隨著自然然語言處理技術(shù)的不斷進步，情感分析模型將會越來越精確，能夠更好地理解和處理自然語言的細微差別。未來的研究可以集中在以下幾個方向：模型融合：結(jié)合不同模型的優(yōu)勢，例如將SVM用于特征選擇和初步分類，然后利用LSTM或AttentionLSTM處理更復(fù)雜的序列信息，可能會得到更好的性能。上下文增強：進一步研究如何更有效地整合上下文信息，特別是跨句子或段落的情感關(guān)聯(lián)，可能會提升模型在理解整體情感上的準確度?？珙I(lǐng)域適應(yīng)性：電影評論情感分析模型可能在特定類型的評價中表現(xiàn)良好，但對于不同領(lǐng)域或語境下的評論可能需要進一步調(diào)整。研究如何讓模型擁有更好的適應(yīng)性和泛化能力是未來發(fā)展的一個重要方向。解釋性和可視化：隨著模型變得越來越復(fù)雜，如何提升它們的解釋性和讓模型的決策過程更加透明，將對于獲得用戶信任和進一步改進模型至關(guān)重要。實時分析：在實現(xiàn)實時或近實時情感分析方面，模型的計算效率和資源消耗也是未來研究的一個重要方面，這對于商業(yè)和實際應(yīng)用尤為重要。這些展望，未來的研究和應(yīng)用將不僅僅關(guān)注模型的性能，也會重視模型的可解釋性、適應(yīng)性以及實時處理能力，以滿足不斷發(fā)展變化的實際需求。參考文獻張延宇.共享經(jīng)濟背景下在線民宿預(yù)訂評價影響因素分析[D].哈爾濱工業(yè)大學(xué),2017.崔連超.互聯(lián)網(wǎng)評論文本情感分析研究[D].山東大學(xué),2016.孟梅.基于BERT-TextCNN-B的電影評論情感分析[D].上海師范大學(xué),2021.李果.基于深度學(xué)習(xí)的國產(chǎn)電影評論情感分析[D].廣西師范大學(xué),2021.張苗.基于深度學(xué)習(xí)的中文評論文本情感分析研究[D].華中科技大學(xué),2020.梁興建,牟定雕.城市攤位可視化管理系統(tǒng)的設(shè)計與實現(xiàn)[J].四川輕化工大學(xué)學(xué)報(自然科學(xué)版),2021,34(04):48-58.丁定生.基于Attention-TreeLSTM的電影評論情感分析研究[D].華中農(nóng)業(yè)大學(xué),2022.DengSY,SinhaAP,ZhaoHM.AdaptingSentimentLexiconstoDomain-SpecificSocialMediaTexts.DecisionSupportSystems,2017,94(2):65-76.PANGB,LEEL,VAITHYANATHANS.Thumbsup?:sentimentclassificationusingmachinelearningtechniques[C]//Proceedingsofthe2002EmpiricalMethodsinNaturalLanguageProcessing.Cambridge,MA:MITPress,2002:79-86程敏.基于文本情感分析和改進的SVM股票趨勢預(yù)測研究[D].鄭州大學(xué),2022.張成博.基于FV-SA-SVM的電影評論情感分析[D].上海師范大學(xué),2020.DOI:10.27312/ki.gshsu.2020.000714.熱克甫·艾則子.基于深度學(xué)習(xí)的文本情感分析關(guān)鍵技術(shù)研究[D].華中科技大學(xué),2023.楊泰然.基于LSTM及新聞情感分析的匯率數(shù)據(jù)預(yù)測研究[D].北京交通大學(xué),2023.DOI:10.26944/ki.gbfju.2022.002368.葉生柱.面向數(shù)據(jù)降維和數(shù)據(jù)不平衡的網(wǎng)絡(luò)入侵檢測方法研究[D].遼寧大學(xué),2023.DOI:10.2