基于LSTM深度学习模型的中国电信官方微博用户情绪分析

doi:10.11959/j.issn.1000-0801.2017340

电信科学 ›› 2017, Vol. 33 ›› Issue (12): 136-141.doi: 10.11959/j.issn.1000-0801.2017340

• 专栏：大数据技术与应用 • 上一篇下一篇

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

中国电信股份有限公司上海研究院，上海 200122

修回日期:2017-11-29 出版日期:2017-12-01 发布日期:2018-01-12
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。

Sentiment analysis of telecom official micro-blog users based on LSTM deep learning model

Xin CAI,Jingsheng LOU

Shanghai Research Institute of China Telecom Co.,Ltd.,Shanghai 200122,China

Revised:2017-11-29 Online:2017-12-01 Published:2018-01-12

摘要/Abstract

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。

关键词: 深度学习, LSTM, 情绪分析, 微博

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.

Key words: deep learning, LSTM, sentiment analysis, micro-blog

中图分类号:

TP391

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.

图/表 3

参考文献 5

[1]	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.
[2]	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.
[3]	LECUN Y , BENGIO Y,HINTONG , HINTONG . Deep learning[J]. Nature, 2015,521(5): 436-444.
[4]	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.
[5]	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.

[1]	卢敏, 胡娟, 张先超, 丁伟健, 乐光学. 基于用户多特征融合的个性化推荐模型[J]. 电信科学, 2023, 39(5): 101-115.
[2]	王建斌, 王淑春, 廖尚金, 施淑媛. 基于DCNN-LSTM负荷预测算法的5G基站节能系统研究[J]. 电信科学, 2023, 39(4): 133-141.
[3]	诸葛斌, 尹正虎, 斯文学, 颜蕾, 董黎刚, 蒋献. 基于学生知识追踪的多指标习题推荐算法[J]. 电信科学, 2022, 38(9): 129-143.
[4]	诸葛斌, 王林超, 宋杨, 邵瑜, 董黎刚, 蒋献. 基于LSTM流量预测的路由规划和切换[J]. 电信科学, 2022, 38(8): 86-100.
[5]	冯楠, 刘贺林, 周泉, 杨海俊, 付蜜能, 钟大平. 5G核心网业务模型的智能化预测研究[J]. 电信科学, 2022, 38(8): 111-119.
[6]	周杰, Esono Mikue Bernardo Esono, 王学英, 周惠婷, 罗宏. 基于SLM-PTS算法融合的NC-OFDM峰均比优化[J]. 电信科学, 2022, 38(7): 63-74.
[7]	李攀攀, 谢正霞, 乐光学, 刘鑫. 基于深度学习的无线通信接收方法研究进展与趋势[J]. 电信科学, 2022, 38(2): 1-17.
[8]	申情, 郭文宾, 楼俊钢, 余强国. 考虑多层次潜在特征的个性化推荐模型[J]. 电信科学, 2022, 38(2): 71-83.
[9]	陈志宏, 王明晓. 计算机视觉在智慧安防中的应用[J]. 电信科学, 2021, 37(8): 142-147.
[10]	唐博恒, 柴鑫刚. 基于云边协同的计算机视觉推理机制[J]. 电信科学, 2021, 37(5): 72-81.
[11]	孙姝君, 彭盛亮, 姚育东, 杨喜. 基于深度学习的调制识别综述[J]. 电信科学, 2021, 37(5): 82-90.
[12]	彭双, 王晓东, 彭宗举, 陈芬. 基于深度学习的快速QTMT划分[J]. 电信科学, 2021, 37(4): 73-81.
[13]	胡道允, 齐进, 陆钱春, 李锋, 房红强. 基于深度学习的流量工程算法研究与应用[J]. 电信科学, 2021, 37(2): 107-114.
[14]	张捷, 杨丽花, 王增浩, 呼博, 聂倩. 一种新型的基于深度学习的时变信道预测方法[J]. 电信科学, 2021, 37(1): 39-47.
[15]	李远宁,宁柏锋,董召杰. 电网机巡图像分析框架与深度学习方法[J]. 电信科学, 2020, 36(8): 167-174.

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

在线阅读

PDF下载

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 3

参考文献 5

相关文章 15

Metrics

推荐阅读 0