蘇靈松 應(yīng)捷 楊海馬 肖昊琪

摘 要：近年來(lái)，電子商務(wù)發(fā)展迅速，對(duì)電商商品評(píng)論進(jìn)行情感分析可為消費(fèi)者購(gòu)物、商家調(diào)整銷售策略與電商平臺(tái)個(gè)性化推薦提供重要參考意見，因此提出雙通道卷積記憶神經(jīng)網(wǎng)絡(luò)文本情感分析模型。首先，通過(guò)詞向量與由特征詞典構(gòu)造的擴(kuò)展特征矩陣兩個(gè)不同的通道進(jìn)行卷積運(yùn)算，再利用卷積神經(jīng)網(wǎng)絡(luò)提取文本局部最優(yōu)信息，最后利用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)長(zhǎng)距離的上下文情感，完成文本情感分析任務(wù)。實(shí)驗(yàn)結(jié)果表明，與多種文本情感分析方法相比，雙通道卷積記憶神經(jīng)網(wǎng)絡(luò)文本分析算法具有較高的精度，達(dá)到95%，且考慮了文本語(yǔ)義信息與文本情感信息，可獲得更好的文本表示，同時(shí)兼顧文本局部特征與上下文信息的學(xué)習(xí)，可有效提高文本情感分析準(zhǔn)確率。

關(guān)鍵詞：電子商務(wù);商品評(píng)論;文本情感分析;卷積記憶神經(jīng)網(wǎng)絡(luò)

DOI：10. 11907/rjdk. 182697 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

中圖分類號(hào)：TP3-0文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2019）007-0032-05

Text Sentiment Analysis of Dual-Channel Convolutional Memory Neural Network

SU Ling-song，YING Jie，YANG Hai-ma，XIAO Hao-qi

（School of Optical-Electrical and Computer Engineering，University of Shanghai for Science and Technology，Shanghai 200093，China）

Abstract：In recent years， e-commerce has developed rapidly. The purpose of sentiment analysis of e-commerce reviews is to provide an important reference for consumers to buy， merchants to adjust sales strategy and personalized recommendation of e-commerce platform. A text sentiment analysis algorithm based on the double channel convolution memory neural network is presented. Firstly， the convolution operation was carried out by using two different channels， namely， the word vector and the extended feature matrix constructed by feature dictionaries. Secondly， convolution neural network was used to extract the local optimal information of the text. Finally， long-term and short-term memory neural network was used to learn long distance context sentiment so as to complete text sentiment analysis task. Experimental results show that the proposed algorithm has higher accuracy compared with many text sentiment analysis methods. Dual-channel convolutional memory neural network text analysis algorithm considers the semantic information and emotional information of text to get better text representation. It also takes into account the local features of the text and the learning of context information， which can effectively improve the accuracy of text emotional analysis.

Key Words：e-commerce; product review; text sentiment; convolution memory neural network

作者簡(jiǎn)介：蘇靈松（1993-），男，上海理工大學(xué)光電信息與計(jì)算機(jī)工程學(xué)院碩士研究生，研究方向?yàn)橹悄軝z測(cè)與分析;應(yīng)捷（1973-），女，博士，上海理工大學(xué)光電信息與計(jì)算機(jī)工程學(xué)院副教授、碩士生導(dǎo)師，研究方向?yàn)橹悄軝z測(cè)與分析、機(jī)器視覺(jué)檢測(cè)技術(shù);楊海馬（1979-），男，博士，上海理工大學(xué)光電信息與計(jì)算機(jī)工程學(xué)院副教授、碩士生導(dǎo)師，研究方向?yàn)橹悄軝z測(cè)與量子通信技術(shù);肖昊琪（1996-），女，上海理工大學(xué)光電信息與計(jì)算機(jī)工程學(xué)院學(xué)生，研究方向?yàn)樾盘?hào)與信息處理。

0 引言

近年來(lái)，電商平臺(tái)發(fā)展迅速，網(wǎng)絡(luò)購(gòu)物成為大眾日常行為，消費(fèi)者網(wǎng)購(gòu)后通常會(huì)對(duì)商品進(jìn)行售后評(píng)價(jià)，表達(dá)其對(duì)商品及服務(wù)的看法。針對(duì)商品評(píng)論文本進(jìn)行情感分析，可同時(shí)為消費(fèi)者購(gòu)物、商家制定銷售策略和電商平臺(tái)進(jìn)行個(gè)性化商品推薦提供重要參考。

文本情感分析又稱為意見挖掘、傾向性分析，實(shí)質(zhì)是對(duì)帶有情感色彩的文本立場(chǎng)、觀點(diǎn)、情感傾向等信息進(jìn)行挖掘[1]。目前文本情感分析的主要研究方法是基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法[2]，常用模型有樸素貝葉斯模型（Naive Bayes）、支持向量機(jī)模型（Support Vector Machine）、邏輯回歸模型（Logistic Regression）和K近鄰模型（K Nearest Neighbors）等。曾宇、劉培玉[2]提出特征加權(quán)融合的樸素貝葉斯情感分類算法，將相同極性情感詞作為特征整體，通過(guò)調(diào)整整體特征對(duì)文本情感貢獻(xiàn)度的權(quán)值，提高模型分類準(zhǔn)確率;邢玉娟[3]提出基于混合特征云向量模型與SVM的文本情感分類算法，結(jié)合文本的TF-IDF權(quán)重特征及詞性特征生成云向量模型作為支持向量機(jī)的輸入，再進(jìn)行文本情感分類，取得了良好的分類準(zhǔn)確率與訓(xùn)練速度;李平、戴月明等[4]提出基于混合卡方統(tǒng)計(jì)量與邏輯回歸的文本情感分析算法，通過(guò)混合特征頻率系數(shù)、逆文檔頻率系數(shù)及負(fù)相關(guān)性系數(shù)的卡方統(tǒng)計(jì)量提取特征，然后采用模擬退火原理自適應(yīng)選擇步長(zhǎng)的邏輯回歸方法進(jìn)行文本情感分析，具有較好的文本情感分類質(zhì)量。

近年來(lái)，隨著互聯(lián)網(wǎng)的急速發(fā)展，累積了海量的文本數(shù)據(jù)待處理，深度學(xué)習(xí)在大數(shù)據(jù)時(shí)代應(yīng)運(yùn)而生，在進(jìn)行大規(guī)模數(shù)據(jù)處理時(shí)，深度學(xué)習(xí)相較于傳統(tǒng)機(jī)器學(xué)習(xí)有顯著優(yōu)勢(shì)。在文本情感分析領(lǐng)域，眾多深度學(xué)習(xí)模型分類性能表現(xiàn)優(yōu)異，如卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）、長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)（Long Short-term Memory Neural Network，LSTM）[5-7]。陸正球等[8]提出基于卷積神經(jīng)網(wǎng)絡(luò)的社交媒體文本情感分析算法，先對(duì)語(yǔ)料進(jìn)行詞向量初始化，輸入卷積網(wǎng)絡(luò)層、隱含層、嵌入層、分類層完成評(píng)論數(shù)據(jù)情感分類，得到較高的分類準(zhǔn)確率;劉建興等[9]提出一個(gè)基于深度雙向長(zhǎng)短時(shí)記憶循環(huán)神經(jīng)網(wǎng)絡(luò)（DB-LSTM-RNN）的情感分析預(yù)測(cè)模型，用詞嵌入的方法學(xué)習(xí)文本分布式表示，并將其作為預(yù)訓(xùn)練向量，用深度雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型進(jìn)行序列學(xué)習(xí)，將該結(jié)構(gòu)學(xué)習(xí)到的深層表示輸入到機(jī)器學(xué)習(xí)分類器中進(jìn)行情感分類，取得了較好的準(zhǔn)確率;李平、戴月明、吳定會(huì)[10]提出雙通道卷積神經(jīng)網(wǎng)絡(luò)文本情感分析算法，采用字向量與詞向量作為卷積神經(jīng)網(wǎng)絡(luò)兩個(gè)輸入通道，字作為句子最小單位，可輔助詞向量獲取更深層次的語(yǔ)義特征，取得良好的分類效果。單獨(dú)的CNN可獲取時(shí)間或空間局部最優(yōu)特征，雖避免了人工提取特征引起的弊端，卻缺乏獲取序列相關(guān)性的能力;單獨(dú)的LSTM雖然能獲取句子上下文信息，卻無(wú)法獲取平行的局部特征，而且僅使用深度學(xué)習(xí)的方法進(jìn)行文本情感分析無(wú)法有效利用前人研究積累的情感詞典、語(yǔ)言學(xué)結(jié)構(gòu)知識(shí)等[11]。如何基于深度神經(jīng)網(wǎng)絡(luò)使用已有情感資源取得更好的情感分類效果，是亟待解決的問(wèn)題。

因此，本文提出雙通道卷積記憶神經(jīng)網(wǎng)絡(luò)的文本情感分析方法，將詞向量與擴(kuò)展特征向量作為模型的兩個(gè)輸入通道，模型融合CNN、LSTM，通過(guò)CNN提取出商品評(píng)論文本局部特征，作為下一層LSTM網(wǎng)絡(luò)輸入，LSTM獲取句子上下文情感傾向信息，最后通過(guò)Softmax分類器完成文本情感分析任務(wù)。通過(guò)詞向量可獲取文本語(yǔ)義信息，由情感詞、詞性、程度副詞、否定詞、標(biāo)點(diǎn)符號(hào)5種詞語(yǔ)特征[12]構(gòu)成擴(kuò)展特征向量可充分利用已有的情感資源，學(xué)習(xí)文本中每個(gè)詞的情感信息，既考慮了文本語(yǔ)義信息，又考慮了文本情感信息，從而得到了更好的文本表示，有利于后續(xù)模型的訓(xùn)練。模型融合了CNN與LSTM的優(yōu)點(diǎn)[13-14]，在學(xué)習(xí)局部平行特征的同時(shí)還可學(xué)習(xí)上下文信息，提高文本情感分析效果。

1 雙通道卷積記憶神經(jīng)網(wǎng)絡(luò)模型

雙通道卷積記憶神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，包含4級(jí)結(jié)構(gòu)：在輸入層中，利用Google研發(fā)的Word2vec工具訓(xùn)練商品評(píng)論文本，獲取詞向量，選取文本情感傾向影響較大的5種詞語(yǔ)特征（情感詞、詞性、程度副詞、否定詞、標(biāo)點(diǎn)符號(hào)）作為擴(kuò)展特征;在卷積層中，使用兩個(gè)輸入通道傳遞的擴(kuò)展特征向量與詞向量，通過(guò)不同的卷積核，提取多種平行的局部特征;在時(shí)序?qū)又?，利用從卷積層得到的局部特征進(jìn)行學(xué)習(xí)，獲取其上下文歷史信息特征，得到兼具局部特征與上下文信息特征的特征向量;最終在輸出層中，利用Softmax分類器得到情感分析結(jié)果。

圖1 雙通道卷積記憶神經(jīng)網(wǎng)絡(luò)模型

1.1 輸入層

1.1.1 詞向量

Word2vec是很好的開源詞向量訓(xùn)練工具，通過(guò)對(duì)輸入文本進(jìn)行訓(xùn)練，可將文本中每個(gè)詞都轉(zhuǎn)化為一個(gè)維度大小固定的低維稠密向量，從而將對(duì)文本的處理簡(jiǎn)化為向量運(yùn)算，向量之間的相似度或距離可代表詞之間語(yǔ)義相似度或距離。本文運(yùn)用Word2vec工具，選擇Skip-gram語(yǔ)言模型訓(xùn)練得到詞向量[15]。

1.1.2 擴(kuò)展特征

為利用現(xiàn)有情感資源與語(yǔ)言學(xué)結(jié)構(gòu)知識(shí)，增強(qiáng)文本情感信息表示，將其納入擴(kuò)展特征向量作為神經(jīng)網(wǎng)絡(luò)模型輸入。首先挑選可顯著影響文本情感傾向的5種詞語(yǔ)特征作為擴(kuò)展特征，包括情感詞、詞性（如副詞、形容詞、動(dòng)詞）、程度副詞、否定詞、標(biāo)點(diǎn)符號(hào)（如感嘆號(hào)、問(wèn)號(hào)）;然后根據(jù)每個(gè)擴(kuò)展特征對(duì)情感分類的貢獻(xiàn)強(qiáng)度分別賦予強(qiáng)度值，如表1所示，最后利用以上特征將文本映射為擴(kuò)展向量，將文本的每個(gè)詞分別與上述特征進(jìn)行匹配，匹配成功時(shí)將強(qiáng)度值賦值給對(duì)應(yīng)特征，否則賦值為0。

表1 各擴(kuò)展特征及其強(qiáng)度值

各擴(kuò)展特征設(shè)計(jì)方法如下：

（1）情感詞特征。情感詞是進(jìn)行情感極性判定的重要參考依據(jù)。本文選取情感詞典SentiWordNet的正向與負(fù)向情感詞構(gòu)建情感詞典。將正、負(fù)向情感詞強(qiáng)度值分別設(shè)為1和-1。

（2）詞性特征。Kim 等[16]發(fā)現(xiàn)動(dòng)詞、形容詞、副詞等詞性是表達(dá)情感的主要標(biāo)志，故將其作為擴(kuò)展特征之一，首先使用自然語(yǔ)言處理工具包（Natural Language Toolkit，NLTK）對(duì)文本進(jìn)行詞性標(biāo)注，然后選取標(biāo)注結(jié)果中的動(dòng)詞、形容詞、副詞等作為詞性特征，各自強(qiáng)度值如表1所示。

對(duì)式（10）取對(duì)數(shù)為：

[logP（τ|x，θ）=sθ（x）τ-log（？i∈Tesθ（x）τ）]? ? ? （11）

采用隨機(jī)梯度下降（SGD）使負(fù)似然函數(shù)最小化為：

[θ→α（x，y）∈D-logP（y|x，θ）]? ? ? ? ? ? ? （12）

其中，x表示一個(gè)文本，y表示該文本情感標(biāo)簽。

1.5 模型評(píng)價(jià)指標(biāo)

準(zhǔn)確率（precision）是文本情感分析常用評(píng)價(jià)指標(biāo)，指分類器正確分類樣本數(shù)與總樣本數(shù)之比，在文本情感分類中，即正確情感分類文本數(shù)與總情感分類文本數(shù)之比[18]。

[Accuacy=正確分類的文本數(shù)總文本數(shù)]? ?（13）

2 實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備

為檢驗(yàn)?zāi)Ｐ陀行?，本文選用2012年亞馬遜美食評(píng)論數(shù)據(jù)集（Amazon Fine Food Reviews）共568 454個(gè)關(guān)于亞馬遜食品評(píng)論。本文選取其中20 000條數(shù)據(jù)，為平衡語(yǔ)料，取積極、消極評(píng)論各10 000條。

積極商品評(píng)論樣例為：Great taffy at a great price.? There was a wide assortment of yummy taffy.

I love thesevery tasty?。。。。。。。。?！? Infact， I think I am addicted to them.

消極商品評(píng)論樣例為：This contains sucralose which is basically splenda.

This is the worst tasting cola I've ever tried.

2.2 詞向量訓(xùn)練與模型超參數(shù)設(shè)置

本文利用Python語(yǔ)言NLTK自然語(yǔ)言處理庫(kù)提供的word_tokenize（）進(jìn)行句子分詞處理[19]。使用Google提供的開源詞向量訓(xùn)練工具Word2vec進(jìn)行詞向量訓(xùn)練，其訓(xùn)練參數(shù)如表3所示。

表3 Word2vec訓(xùn)練參數(shù)

雙通道卷積記憶神經(jīng)網(wǎng)絡(luò)模型超參數(shù)設(shè)置如表4所示。

表4 網(wǎng)絡(luò)模型參數(shù)

1.3 實(shí)驗(yàn)結(jié)果與分析

本文利用基于Python語(yǔ)言的Tensorflow框架完成實(shí)驗(yàn)。Tensorflow支持多種主流神經(jīng)網(wǎng)絡(luò)模型，包括CNN、LSTM等，本文具體實(shí)驗(yàn)環(huán)境如表5所示。

表5 實(shí)驗(yàn)環(huán)境配置

為進(jìn)行對(duì)比實(shí)驗(yàn)，利用樸素貝葉斯模型、邏輯回歸模型、支持向量機(jī)模型、K近鄰模型對(duì)相同的20 000條商品評(píng)論進(jìn)行文本情感分析[20]。NB使用多項(xiàng)式樸素貝葉斯，訓(xùn)練時(shí)參數(shù)設(shè)置為：添加Laplace平滑參數(shù)，平滑項(xiàng)參數(shù)alpha設(shè)為1.0;fit_prior設(shè)為True，表示學(xué)習(xí)先驗(yàn)概率;類別先驗(yàn)概率class_prior設(shè)為None;邏輯回歸模型參數(shù)設(shè)置為：正則化選擇參數(shù)penalty為l2，懲罰系數(shù)C為5，優(yōu)化算法solver參數(shù)為saga;支持向量機(jī)模型[21]參數(shù)設(shè)置為：懲罰系數(shù)C為160，高斯核函數(shù)參數(shù)g為1.2。kNN模型參數(shù)設(shè)置如下：鄰居數(shù)量n_neighbors為3。實(shí)驗(yàn)結(jié)果見圖3。

圖3 對(duì)比模型準(zhǔn)確率

雙通道卷積記憶神經(jīng)網(wǎng)絡(luò)模型對(duì)相同的20 000條商品評(píng)論進(jìn)行情感分析得到的準(zhǔn)確率曲線見圖4。當(dāng)?shù)螖?shù)達(dá)到1 000次后，模型準(zhǔn)確率穩(wěn)定在95%以上。

圖4 雙通道卷積記憶神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率

為方便對(duì)比，將模型實(shí)驗(yàn)結(jié)果匯總?cè)绫?所示。

表6 模型比較結(jié)果

通過(guò)對(duì)以上實(shí)驗(yàn)結(jié)果進(jìn)行分析，發(fā)現(xiàn)雙通道卷積記憶神經(jīng)網(wǎng)絡(luò)模型情感分類準(zhǔn)確率達(dá)到95%，優(yōu)于所有對(duì)比模型，原因在于本文模型融合了卷積神經(jīng)網(wǎng)絡(luò)與長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)，在考慮商品評(píng)論文本局部特征信息的同時(shí)，也考慮了文本上下文信息特征，同時(shí)增加了擴(kuò)展特征向量的雙通道輸入，更好地利用了已有情感資源與語(yǔ)言學(xué)結(jié)構(gòu)知識(shí)，增強(qiáng)了對(duì)文本情感特征的表示，使本文模型對(duì)商品評(píng)論情感分析性能明顯提升。

3 結(jié)語(yǔ)

本文提出了一種雙通道卷積記憶神經(jīng)網(wǎng)絡(luò)文本情感分析方法。該方法分別在詞向量與擴(kuò)展特征向量?jī)蓚€(gè)不同的通道上進(jìn)行卷積，利用詞向量捕捉文本語(yǔ)義特征，利用擴(kuò)展特征向量捕捉文本情感特征，以此得到更優(yōu)質(zhì)的特征;同時(shí)融合CNN和LSTM兩種神經(jīng)網(wǎng)絡(luò)，通過(guò)CNN捕捉文本局部特征，通過(guò)LSTM捕捉文本上下文情感，模型文本情感分類準(zhǔn)確率達(dá)到了95%。但是，模型在得到較高準(zhǔn)確率的同時(shí)，也存在不足之處：模型訓(xùn)練時(shí)間比較長(zhǎng)，因?yàn)槭芫矸e神經(jīng)網(wǎng)絡(luò)并行結(jié)構(gòu)限制，多提取一種窗口類型的局部語(yǔ)義特征，需要增加一種并行卷積層，模型在訓(xùn)練和預(yù)測(cè)過(guò)程中的計(jì)算量會(huì)大大增加。在下一步研究中，將針對(duì)模型訓(xùn)練與預(yù)測(cè)時(shí)間進(jìn)行更加深入的研究，在保證高準(zhǔn)確率的同時(shí)，用更短的時(shí)間完成文本情感分類。

參考文獻(xiàn)：

[1] 羅毅，李利，譚松波，等. 基于中文微博語(yǔ)料的情感傾向性分析[J]. 山東大學(xué)學(xué)報(bào)：理學(xué)版，2014，49（11）：1-7.

[2] 曾宇，劉培玉，劉文鋒，等. 特征加權(quán)融合的樸素貝葉斯情感分類算法[J]. 西北師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2017，53（4）：56-60.

[3] 邢玉娟. 基于混合特征云向量模型和SVM的文本情感分類[J]. 寧夏大學(xué)學(xué)報(bào)：自然版，2017，38（1）：69-73.

[4] 李平，戴月明，王艷. 基于混合卡方統(tǒng)計(jì)量與邏輯回歸的文本情感分析[J]. 計(jì)算機(jī)工程，2017，43（12）：192-196.

[5] ZHOU C，SUN C，LIU Z，et al. A C-LSTM neural network for text classification[J]. Computer Science，2015，1（4）：39-44.

[6] HUANG Q，CHEN R，ZHENG X，et al. Deep sentiment representation based on CNN and LSTM[J]. International Conference on Green Informatics，2017：30-33.

[7] SATO M，ORIHARA R，SEI Y，et al. Text classification and transfer learning based on character-level deep convolutional neural networks[C]. Proceeding of Agents and Artificial Intelligence -9th International Conference，2017：62-81.

[8] 陸正球，王麟閣，周春良. 基于卷積神經(jīng)網(wǎng)絡(luò)的社交媒體文本情感分析[J]. 現(xiàn)代信息科技，2018，2（2）：89-92.

[9] 劉建興，蔡國(guó)永，呂光瑞，等. 基于深度雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的文本情感分類[J]. 桂林電子科技大學(xué)學(xué)報(bào)，2018，38（2）：122-126.

[10] 李平，戴月明，吳定會(huì). 雙通道卷積神經(jīng)網(wǎng)絡(luò)在文本情感分析中的應(yīng)用[J]. 計(jì)算機(jī)應(yīng)用，2018，38（6）：1542-1546.

[11] 黃仁，張衛(wèi). 基于word2vec的互聯(lián)網(wǎng)商品評(píng)論情感傾向研究[J]. 計(jì)算機(jī)科學(xué)，2016，43（s1）：387-389.

[12] 杜永萍，陳守欽，趙曉錚. 基于特征擴(kuò)展與深度學(xué)習(xí)的短文本情感判定方法[J]. 計(jì)算機(jī)科學(xué)，2017，44（10）：283-288.

[13] LIAO S Y，WANG J B，YU RY，et al. CNN for situations understanding based on sentiment analysis of twitter data[C]. 8th International Conference on Advances in Information Technology，2017：376-381.

[14] ALEC Y，ABHISHEK V. Deep CNN-LSTM with combined kernels from multiple branches for IMDb review sentiment analysis[C].? IEEE 8th Annual Ubiquitous Computing Electronics and Mobile Communication Conference，2017：540-546.

[15] BIRD S，KLEIN E，LOPER E. Natural language processing with Python[M]. 陳濤，張旭，崔楊，劉海平，譯. 北京：人民郵電出版社，2014.

[16] KIM S M，HOVY E. Automatic detection of opinion bearing words and sentences[EB/OL]. https：//dblp.uni-trier.de/db/conf/ijcnlp/ijcnlp2005-2.html.

[17] 朱儉. 文本情感分析關(guān)鍵技術(shù)研究[M]. 北京：中國(guó)社會(huì)科學(xué)出版社，2015.

[18] 梁軍，柴玉梅，原慧斌，等. 基于深度學(xué)習(xí)的微博情感分析[J]. 中文信息學(xué)報(bào)，2014，28（5）：155-161.

[19] 秦鋒，王恒，鄭嘯，等. 基于上下文語(yǔ)境的微博情感分析[J]. 計(jì)算機(jī)工程，2017，43（3）：241-246，252.

[20] 陳龍，管子玉，何金紅，等. 情感分類研究進(jìn)展[J]. 計(jì)算機(jī)研究與發(fā)展，2017，54（6）：1150-1170.

[21] 李婷婷，姬東鴻. 基于SVM和CRF多特征組合的微博情感分析[J]. 計(jì)算機(jī)應(yīng)用研究，2015，32（4）：978-981.

（責(zé)任編輯：江 艷）