基于感情计算的电影用户偏好分析

[16]。表2-1模型常见指标实际分类PositiveNegative预测结果PositiveTPFPNegativeFNTN（1）查准率(Precision)，指预测结果中的真正例占所有预测结果中的正例的比例，较高的正确率表明，表明该模型具有较好的样本鉴别能力。（2）召回率（Recall），指预测结果中真正例占真正正例的的比例。召回率较高，表明该模型对整个样品的预测比率较高，对模型的辨识能力也较强。（3）F1，即正确率与召回率的和谐平均值，用来对模型进行综合评价。F1值愈高，则表示模式之准确度及可信度愈高。PRF4.3构建AttentionLSTM模型文章将注意力机制融入LSTM算法中。首先构建LSTM特征模型，实现词的语义提取，并在此基础上引入注意机制，注意力机制方法的加权，然后使用Softmax函数，如下图4-2所示的特定架构，实现最大限度地对所选属性进行分类。图4-2Softmax函数架构建构模型过程如下：输入：输入的数据首先通过嵌入层转换为词向量x0,x1,x2,…,输出：句子X的情感分类。在语句键中输入词矢量x0,x1,x2,…,xi。词向量进入到LSTM模型中得到隐藏层ℎj={ℎ0αscore(score在每一时刻，其目的是为输入的数据的特征矢量v进行运算：v最终通过以下公式计算出最终的预测值：y4.4不同模型的对比试验为了证明AttentionLSTM模型在影评数据中的应用效果，使用了SVM、LSTM、Attention LSTM等模型进行了比较实验，取得Recall、F1值，作为模型的评价指标。其中，预处理后的数据3.1.4作为实验的数据使用。通过对多个超参试验中常用的控制变量方法进行对比，选择了试验中的试验超参数，如下表所示:表4-1实验超参数参数参数值参数参数值epchs100Self.in_channels50n_layers2Self.out_chanels128hidden_dim128drop_prob0.5embedding_dim3004.4.1SVM模型的实验结果在表4-1的超参量下，通过SVM模型实验得出的混淆矩阵如下图4-3所示。图4-3SVM模型的混淆矩阵由图可知SVM模型实验的TP为2789、FN为531、FP为676、TN为689，由此可得SVM模型实验的Accuracy为0.74236，Precision为0.80490，Recall为0.84006，F1为0.82210。4.3.2LSTM模型的实验结果在表4-1的超参量下的LSTM模型实验得出的混淆矩阵如下图4-4：图4-4LSTM模型的混淆矩阵由图可知AttentionLSTM模型实验的TP为2213、FN为396、FP为457、TN为682，由此可得AttentionLSTM模型实验的Accuracy0.77241，Precision为0.82883，Recall为0.84821，F1为0.83840。4.3.3AttentionLSTM模型的实验结果在表4-1的超参量下的AttentionLSTM模型实验得出的混淆矩阵如下图4-5所示图4-5AttentionLSTM模型的混淆矩阵由图可知LSTM模型实验的TP为2286、FN为323、FP为509、TN为630，由此可得LSTM模型实验的Accuracy为0.77801，Precision为0.81788，Recall0.87619，F1为0.84603。4.5实验结果分析从上文的实验结果整理如下表所示：表4-2实验超参数ModelAccurayPrecisnRecallF1SVM0.742360.80400．840060.82210LSM0.773410.82830.848210.83840Attlstm0.778010.81780.876190.84603根据前面实验结果，得出以下结论：通过比较试验得出的F1值，可以看出，与传统的支持向量机相比，在更大规模的样本上，深度学习模型能够更好地训练出结果。从表中得结果来看，AttentionLSTM模型的F1值为0.84603，比LSTM模型的F1值0.83840高0.763%，也是实验中F1值最高得模型，证明了本文提出得一种将注意力机制融进模型中的AttentionLSTM模型在处理海量数据有着较相较于传统的机器学习有着较好的效果。5总结与展望5.1总结近些年来，随着经济的高速发展，影视行业也得到了快速发展。吃饱穿暖后的人们开始重视起精神层面的需求，对影片的质量要求更高。因此中国的电影行业面临着新挑战。随着新冠疫情的结束，我国电影行业得到复苏，影片的种类及数量都在增长，而影评网站的评论也变得越来越多，影片制作方要如何从这些海量的评论得出有价值的信息，判断观众的喜好，从而制作出符合电影市场需求的影片。本文以《深海》这部电影为例对此部电影评论进行情感分析。抓取bilibili平台的评论并对其文本数据进行标签处理、去除停用词等预处理操作，本文建构了Attention-LSTM模型，并分别与LSTM和SVM模型进行实验对比，以F1值作为对比实验的评价标准，实验结果表明本文的模型有着较优的情感分类性能。5.2展望随着自然然语言处理技术的不断进步，情感分析模型将会越来越精确，能够更好地理解和处理自然语言的细微差别。未来的研究可以集中在以下几个方向：模型融合：结合不同模型的优势，例如将SVM用于特征选择和初步分类，然后利用LSTM或AttentionLSTM处理更复杂的序列信息，可能会得到更好的性能。上下文增强：进一步研究如何更有效地整合上下文信息，特别是跨句子或段落的情感关联，可能会提升模型在理解整体情感上的准确度。跨领域适应性：电影评论情感分析模型可能在特定类型的评价中表现良好，但对于不同领域或语境下的评论可能需要进一步调整。研究如何让模型拥有更好的适应性和泛化能力是未来发展的一个重要方向。解释性和可视化：随着模型变得越来越复杂，如何提升它们的解释性和让模型的决策过程更加透明，将对于获得用户信任和进一步改进模型至关重要。实时分析：在实现实时或近实时情感分析方面，模型的计算效率和资源消耗也是未来研究的一个重要方面，这对于商业和实际应用尤为重要。这些展望，未来的研究和应用将不仅仅关注模型的性能，也会重视模型的可解释性、适应性以及实时处理能力，以满足不断发展变化的实际需求。参考文献张延宇.共享经济背景下在线民宿预订评价影响因素分析[D].哈尔滨工业大学,2017.崔连超.互联网评论文本情感分析研究[D].山东大学,2016.孟梅.基于BERT-TextCNN-B的电影评论情感分析[D].上海师范大学,2021.李果.基于深度学习的国产电影评论情感分析[D].广西师范大学,2021.张苗.基于深度学习的中文评论文本情感分析研究[D].华中科技大学,2020.梁兴建,牟定雕.城市摊位可视化管理系统的设计与实现[J].四川轻化工大学学报(自然科学版),2021,34(04):48-58.丁定生.基于Attention-TreeLSTM的电影评论情感分析研究[D].华中农业大学,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进的SVM股票趋势预测研究[D].郑州大学,2022.张成博.基于FV-SA-SVM的电影评论情感分析[D].上海师范大学,2020.DOI:10.27312/ki.gshsu.2020.000714.热克甫·艾则子.基于深度学习的文本情感分析关键技术研究[D].华中科技大学,2023.杨泰然.基于LSTM及新闻情感分析的汇率数据预测研究[D].北京交通大学,2023.DOI:10.26944/ki.gbfju.2022.002368.叶生柱.面向数据降维和数据不平衡的网络入侵检测方法研究[D].辽宁大学,2023.DOI:10.2