Please wait a minute...
Advanced Search
数据分析与知识发现
  本期目录 | 过刊浏览 | 高级检索 |
基于深度学习方法的对特定群体推特的动态政治情感极性分析研究
常城扬,王晓东,张胜磊
(中国人民解放军国防科技大学计算机学院,湖南 长沙)
(战略支援部队航天系统部参谋部,北京)
Research on Dynamic Political Emotional Polarity Analysis of Specific Group Twitter Based on Deep Learning Method
Chang Chengyang,Wang Xiaodong,Zhang Shenglei
(College of Computer Science, National University of Defence Technology, Changsha)
(Staff of the Space Systems Department of the Strategic Support Force, Beijing)
全文: PDF (706 KB)  
输出: BibTeX | EndNote (RIS)      
摘要 

[目的]对美国政客在固定时间段内的推文数据分析其动态的政治情感极性变化,辅助情析人员判断美国政治走向和中美关系未来走势。

[应用背景]本研究应用于智库或情报分析领域,服务对象为情析人员,数据为特定群体在固定时间段内所发推特文本数据。

[方法]提出一种架构,结合多种深度学习模型,使用构建特定群体的专属推文数据集,得到情感极性多分类器,然后引入推文的时间特征,最终得到政客动态政治情感极性。

[结果]本文所提出的美国政客推文数据集验证了所提出的综合架构在此任务中的有效性,分类器验证集准确率达到80.66%,准确率相比传统人工神经网络方法提高了8.07%。针对20名美国州长、参议员的情感极性判断,成功率在75%。针对个体的动态政治情感极性分析,可以为分析人员提供有效帮助和情报支撑。

[结论]本文方法有效的利用多种深度学习技术辅助情析人员从海量推特文本数据中获取人员较为准确的动态政治情感极性。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
关键词 推特动态政治情感极性分析特定群体深度学习BERT     
Abstract

[Objective] Analyze the dynamic political sentiment polarity of American politicians’ tweets within a fixed period of time, and assist analysts in judging the direction of American politics and the future trend of China-US relations.

[Context] This research is applied in the field of think tanks or intelligence analysis. The service targets are intelligent analysts, and the data is the tweet text data sent by a specific group in a fixed time period.

[Methods]  Propose an architecture that combines multiple deep learning models and uses a dedicated tweet data set to construct a specific group to obtain an emotional polarity multi-classifier, and then introduce the time characteristics of tweets, and finally obtain the dynamic political emotional polarity of politicians .

[Result] The proposed data set of American politicians' tweets in this paper verifies the effectiveness of the proposed comprehensive architecture in this task. The accuracy of the classifier verification set reaches 80.66%, which is 8.07% higher than that of the traditional artificial neural network method. According to the emotional polarity judgments of 20 US governors and senators, the success rate is 75%.The analysis of individual dynamic political sentiment polarity can provide effective help and intelligence support for analysts.

[Conclusion] The method in this paper effectively uses a variety of deep learning techniques to assist analysts to obtain more accurate dynamic political sentiment polarity from massive Twitter text data.

Key words Twitter    Dynamic political sentiment analysis    Specific Group    Deep learning    BERT
     出版日期: 2020-11-24
ZTFLH:  TP391  
引用本文:   
常城扬, 王晓东, 张胜磊. 基于深度学习方法的对特定群体推特的动态政治情感极性分析研究 [J]. 数据分析与知识发现, 10.11925/infotech.2096-3467.2020.0743.
Chang Chengyang, Wang Xiaodong, Zhang Shenglei. Research on Dynamic Political Emotional Polarity Analysis of Specific Group Twitter Based on Deep Learning Method . Data Analysis and Knowledge Discovery, 0, (): 1-.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2020.0743      或      http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y0/V/I/1
[1] 黄露,周恩国,李岱峰. 融合特定任务信息注意力机制的文本表示学习模型*[J]. 数据分析与知识发现, 2020, 4(9): 111-122.
[2] 余传明, 王曼怡, 林虹君, 朱星宇, 黄婷婷, 安璐. 基于深度学习的词汇表示模型对比研究*[J]. 数据分析与知识发现, 2020, 4(8): 28-40.
[3] 赵旸, 张智雄, 刘欢, 丁良萍. 基于BERT模型的中文医学文献分类研究*[J]. 数据分析与知识发现, 2020, 4(8): 41-49.
[4] 徐晨飞, 叶海影, 包平. 基于深度学习的方志物产资料实体自动识别模型构建研究*[J]. 数据分析与知识发现, 2020, 4(8): 86-97.
[5] 王鑫芸,王昊,邓三鸿,张宝隆. 面向期刊选择的学术论文内容分类研究 *[J]. 数据分析与知识发现, 2020, 4(7): 96-109.
[6] 焦启航,乐小虬. 对比关系句子生成方法研究[J]. 数据分析与知识发现, 2020, 4(6): 43-50.
[7] 王末,崔运鹏,陈丽,李欢. 基于深度学习的学术论文语步结构分类方法研究*[J]. 数据分析与知识发现, 2020, 4(6): 60-68.
[8] 赵平,孙连英,涂帅,卞建玲,万莹. 改进的知识迁移景点实体识别算法研究及应用*[J]. 数据分析与知识发现, 2020, 4(5): 118-126.
[9] 邓思艺,乐小虬. 基于动态语义注意力的指代消解方法[J]. 数据分析与知识发现, 2020, 4(5): 46-53.
[10] 余传明,原赛,朱星宇,林虹君,张普亮,安璐. 基于深度学习的热点事件主题表示研究*[J]. 数据分析与知识发现, 2020, 4(4): 1-14.
[11] 张冬瑜,崔紫娟,李映夏,张伟,林鸿飞. 基于Transformer和BERT的名词隐喻识别*[J]. 数据分析与知识发现, 2020, 4(4): 100-108.
[12] 苏传东,黄孝喜,王荣波,谌志群,毛君钰,朱嘉莹,潘宇豪. 基于词嵌入融合和循环神经网络的中英文隐喻识别*[J]. 数据分析与知识发现, 2020, 4(4): 91-99.
[13] 刘彤,倪维健,孙宇健,曾庆田. 基于深度迁移学习的业务流程实例剩余执行时间预测方法*[J]. 数据分析与知识发现, 2020, 4(2/3): 134-142.
[14] 达婧玮,颜嘉麒,邓三鸿,王忠民. 基于深度学习的重复住院预测模型研究——以心脏病为例*[J]. 数据分析与知识发现, 2020, 4(11): 63-73.
[15] 蔡婧璇,吴江,王诚坤. 基于深度学习的众测报告有用性预测研究*[J]. 数据分析与知识发现, 2020, 4(11): 102-111.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn