基于OCC模型和LSTM模型的财经微博文本情感分类研究

发布时间：2025-05-12 22:41

　　 为了解决财经微博文本中网民情感状态转移的时序数据分析问题,本文提出一个基于认知情感评价模型(Ortony,Clore&Collins,OCC)和长短期记忆模型(long short term memory,LSTM)的财经微博文本情感分类模型(OCC-LSTM)。基于OCC模型从网民认知角度建立情感规则,对财经微博文本进行情感标注,并作为LSTM模型进行深度学习的训练集;基于LSTM模型,使用深度学习中的TensorFlow框架和Keras模块建立相应的实验模型,进行海量微博数据情感分类,并结合13家上市公司3年的微博文本数据进行实证研究和模型验证对比。实证研究结果发现本文提出的模型取得了89.45%的准确率,高于采用传统的机器学习方式的支持向量机方法 (support vector machine,SVM)和基于深度学习的半监督RAE方法 (semi-supervised recursive auto encoder)。

【文章页数】：9 页

【部分图文】：

图1 财经微博情感分类处理流程

(1）输入层：给定一个待分类的财经微博文本，基于OCC模型，生成训练好的词向量集合，查找出各个词对应的词向量，生成输入矩阵。(2)LSTM层：输入层生成的词向量矩阵经过LSTM网络，根据毎个词对应的词向量时序性构建句向量，同时根据输入层生成的特征值序列获取输入文本中的词序信息，对....

图2 基于OCC理论的网络舆情情感规则

本文从事件结果和对象行为两个角度出发，根据事件演变的结果是否符合期望网民的期望目标，和事件中对象的行为是否符合网民的行为准则来判断财经微博文本的情感极性，模型如图2所示，情感识别函数定义如表1所示。上述情感识别函数可以用于识别OCC模型的逻辑规则框架，通过组合不同的情感识别函数，....

图3 实验流程设计

在上述模型构建的基础上，本文设计实验流程如图3所示，使用TensorFlow平台Keras模块完成实验研究内容，使用Nvidia公司的GPU来辅助运算。4.2数据处理

图4 算法流程图

根据图1构建的LSTM模型，使用深度学习中的TensorFlow框架和Keras模块建立相应的实验模型，建立Keras的序列化模型，设定LSTM模型各项参数，包括训练轮数epoch取值实验、Dropout取值实验，对上述处理好的微博数据进行分析。实验流程如图4所示，经过训练后得到....

本文编号：4045335