于海濤 劉競(jìng)澤 劉樂

摘? 要：深度學(xué)習(xí)是一種使用非監(jiān)督式或半監(jiān)督式的特征學(xué)習(xí)和分層特征提取高效算法的技術(shù)。目前，深度學(xué)習(xí)在情感分析領(lǐng)域中的應(yīng)用存在研究領(lǐng)域?qū)Ρ热笔?、無(wú)系統(tǒng)性算法過(guò)程描述及無(wú)共用數(shù)據(jù)集等問(wèn)題。針對(duì)以上問(wèn)題，文章首先利用跨學(xué)科研究法等方法，歸納出情感分析不同研究領(lǐng)域的研究?jī)?nèi)容、方法及模型差異；其次，使用CiteSpace對(duì)近五年國(guó)內(nèi)外相關(guān)文獻(xiàn)進(jìn)行分析，并繪制出時(shí)間線圖譜，總結(jié)了近五年國(guó)內(nèi)外研究重點(diǎn)及趨勢(shì)；接下來(lái)，從數(shù)據(jù)進(jìn)行分析，對(duì)該研究關(guān)鍵技術(shù)所使用的數(shù)據(jù)集進(jìn)行總結(jié)；最后，從多模態(tài)融合、特征提取等方面對(duì)深度學(xué)習(xí)在情感分析領(lǐng)域的問(wèn)題進(jìn)行分析，并對(duì)其未來(lái)發(fā)展趨勢(shì)進(jìn)行展望。

關(guān)鍵詞：情感分析；深度學(xué)習(xí)；應(yīng)用領(lǐng)域；數(shù)據(jù)集；CiteSpace

中圖分類號(hào)：TP391；G353.11? ? 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2023）17-0050-06

A Review of the Application of Deep Learning in the Field of Emotional Analysis

YU Haitao， LIU Jingze， LIU Le

（Guilin University of Technology， Guilin? 541004， China）

Abstract： Deep Learning is a technique which uses unsupervised or semi-supervised feature learning and hierarchical feature extraction efficient algorithms. At present， the application of Deep Learning in the field of sentiment analysis has problems such as lack of comparison in research fields， no systematic algorithm process description and no shared data set. In view of the above problems， this paper firstly uses interdisciplinary research methods and other methods to summarize the research content， methods and model differences in different research fields of sentiment analysis. Secondly， CiteSpace is used to analyze the relevant literature at home and abroad in the past five years， and draw a timeline map， summarizing the research priorities and trends at home and abroad in the past five years. Next， the data is analyzed and the data set used in the key technologies of the research is summarized. Finally， the problems of Deep Learning in the field of sentiment analysis are analyzed from the aspects of multimodal fusion and feature extraction， and its future development trend is prospected.

Keywords： sentiment analysis; Deep Learning; application area; data set; CiteSpace

0? 引? 言

近年來(lái)，深度學(xué)習(xí)逐漸成為人工智能領(lǐng)域的研究熱點(diǎn)和主流發(fā)展方向。與傳統(tǒng)機(jī)器學(xué)習(xí)算法相比，深度學(xué)習(xí)利用大數(shù)據(jù)來(lái)學(xué)習(xí)特征，強(qiáng)調(diào)了模型結(jié)構(gòu)的深度和特征學(xué)習(xí)的重要性，更能夠刻畫數(shù)據(jù)的豐富內(nèi)在信息。因此，深度學(xué)習(xí)方法在圖像、語(yǔ)音等諸多領(lǐng)域取得了令人矚目的進(jìn)展，尤其在文本表示層面，其詞語(yǔ)向量表示方法可以獲取文本的語(yǔ)義、語(yǔ)法以及自身結(jié)構(gòu)信息，為情感分析研究提供堅(jiān)實(shí)基礎(chǔ)，并成為當(dāng)前該領(lǐng)域的研究熱點(diǎn)。

而情感分析是自然語(yǔ)言處理（NLP）方法的常用應(yīng)用。它是一種對(duì)帶有情緒色彩的主觀文本進(jìn)行分析、處理、總結(jié)和推理，并利用一些情緒得分指標(biāo)對(duì)定性數(shù)據(jù)進(jìn)行量化的方法。正是社交媒體平臺(tái)的出現(xiàn)和采用導(dǎo)致了“情感分析”研究領(lǐng)域的誕生，用來(lái)分析這種大規(guī)模的在線的非結(jié)構(gòu)化意見資源。

目前，深度學(xué)習(xí)在情感分析領(lǐng)域的綜述研究主要集中于文本粗粒度與細(xì)粒度的對(duì)比研究、深度學(xué)習(xí)的技術(shù)方法對(duì)比分析以及深度學(xué)習(xí)模型的結(jié)構(gòu)分析等方面，例如，譚熒等[1]針對(duì)社交媒體情境下的情感分析研究方向、技術(shù)和應(yīng)用進(jìn)行內(nèi)容分析，總結(jié)了適用于社交媒體平臺(tái)的情感分析改進(jìn)方法；董克等[2]歸納了引文情感分析的主要流程，揭示了引文情感分析方法的發(fā)展進(jìn)程與特點(diǎn)；Zhang等[3]對(duì)深度學(xué)習(xí)進(jìn)行了概述并介紹了各種深度學(xué)習(xí)架構(gòu)及其在情感分析中的應(yīng)用；Do等[4]研究并總結(jié)了細(xì)粒度情感分析和深度學(xué)習(xí)方法的現(xiàn)狀等。由此可見，該研究方向的文獻(xiàn)綜述存在應(yīng)用領(lǐng)域橫向?qū)Ρ热笔?、無(wú)系統(tǒng)性算法優(yōu)化研究思路、缺乏相關(guān)數(shù)據(jù)集作為實(shí)驗(yàn)支撐等問(wèn)題。

因此，本文從情感分析在不同應(yīng)用領(lǐng)域方面的研究、基于深度學(xué)習(xí)的情感分析研究現(xiàn)狀及相關(guān)數(shù)據(jù)集的研究方向和應(yīng)用情況進(jìn)行了研究。同時(shí)，本文具有三重貢獻(xiàn)：

1）分析對(duì)比不同應(yīng)用領(lǐng)域所使用的方法或模型，列舉出其研究熱點(diǎn)及貢獻(xiàn)，進(jìn)而總結(jié)出不同領(lǐng)域的未來(lái)研究方向。

2）以國(guó)內(nèi)外近五年文獻(xiàn)為基礎(chǔ)，使用CiteSpace繪制時(shí)間線圖譜，總結(jié)國(guó)內(nèi)外研究趨勢(shì)并匯總研究熱詞，為整體研究指明方向。

3）為算法研究提供有效數(shù)據(jù)來(lái)源，為相關(guān)實(shí)驗(yàn)提供了有效依托。綜上，本文彌補(bǔ)了之前研究的不足，具有較強(qiáng)的可行性與研究?jī)r(jià)值。

1? 情感分析在應(yīng)用領(lǐng)域方面的研究

近年來(lái)，情感分析的研究?jī)?nèi)容和應(yīng)用場(chǎng)景幾乎出現(xiàn)在各個(gè)領(lǐng)域。從金融到教育，再到旅游，甚至政治選舉，我們都可以看到情感分析相關(guān)產(chǎn)品的實(shí)際應(yīng)用。由此可見，情感分析的發(fā)展不僅是近年來(lái)的研究熱點(diǎn)，也是企業(yè)在不同領(lǐng)域發(fā)展的利器，本文針對(duì)近五年各個(gè)研究領(lǐng)域的研究情況進(jìn)行了如下匯總，如表1所示。

由表分析可知，在各個(gè)應(yīng)用領(lǐng)域情感分析的三個(gè)主要任務(wù)是主客觀判別、情感極性分析及主題識(shí)別（抽取）。近年來(lái)，情感分析的研究領(lǐng)域逐漸延伸涉及多個(gè)任務(wù)的綜合完成，未來(lái)在各個(gè)應(yīng)用領(lǐng)域的算法代入和模型構(gòu)建方面將會(huì)實(shí)現(xiàn)新的突破。

2? 基于深度學(xué)習(xí)的情感分析研究現(xiàn)狀

2.1? 國(guó)內(nèi)相關(guān)研究分析

本文以中國(guó)廣泛使用、信息豐富的中文數(shù)據(jù)庫(kù)CNKI為數(shù)據(jù)平臺(tái)，利用高級(jí)檢索功能，選取主題詞為“深度學(xué)習(xí)”和“情感分析”，檢索核心期刊69篇文獻(xiàn)，2018年1月至2022年3月，深度學(xué)習(xí)和情感分析領(lǐng)域的核心期刊、EI及CSSCI共69篇文獻(xiàn)，使用CiteSpace進(jìn)行數(shù)據(jù)分析，總結(jié)出該研究領(lǐng)域研究?jī)?nèi)容與時(shí)間的關(guān)系，如圖1所示。

由圖1我們可以看出2018年以前已出現(xiàn)情感分析在網(wǎng)絡(luò)輿論、微博短文本、產(chǎn)品選擇等方面的應(yīng)用，且Word2Vec、多分類標(biāo)注、LSTM等技術(shù)已經(jīng)逐步應(yīng)用到情感分析和深度學(xué)習(xí)的研究中；2018年詞向量、卷積神經(jīng)網(wǎng)絡(luò)、注意力機(jī)制、自然語(yǔ)言處理、多通道及在線評(píng)論的研究達(dá)到高潮，并對(duì)后續(xù)四年研究領(lǐng)域的應(yīng)用產(chǎn)生了重要影響；在2019年人工智能領(lǐng)域機(jī)器學(xué)習(xí)的研究出現(xiàn)在情感分析領(lǐng)域，且長(zhǎng)短期記憶網(wǎng)絡(luò)為熱點(diǎn)研究?jī)?nèi)容。

2020年LSTM得到新的發(fā)展，延伸而出BiLSTM。BiLSTM可以看作是一個(gè)兩層的神經(jīng)網(wǎng)絡(luò)，第一層從左邊作為序列的起始輸入，在文本處理中可以理解為從句子開始的輸入，第二層從右邊作為序列的起始輸入，在文本處理中可以理解為從句子的最后一個(gè)單詞作為輸入，反向處理與第一層相同，最后同時(shí)處理得到的兩個(gè)結(jié)果，使模型處理的速度和計(jì)算精度都有了新的突破。

2021年起時(shí)間序列模型、多領(lǐng)域、自注意力機(jī)制等的出現(xiàn)都不同程度地促進(jìn)了情感分析和深度學(xué)習(xí)的發(fā)展；2022年多粒度卷積神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建對(duì)情感分析和深度學(xué)習(xí)研究的意義重大。

綜上，近五年來(lái)深度學(xué)習(xí)與情感分析研究領(lǐng)域所使用的方法不斷創(chuàng)新，涉及范圍不斷擴(kuò)大，尤其自2019年起開始展現(xiàn)出蓬勃發(fā)展的趨勢(shì)。但現(xiàn)實(shí)中，往往會(huì)存在目標(biāo)領(lǐng)域缺乏高質(zhì)量訓(xùn)練數(shù)據(jù)的情況，如何從已有的訓(xùn)練數(shù)據(jù)集出發(fā)，進(jìn)一步提高模型精度及準(zhǔn)確度，提高深度學(xué)習(xí)模型解決跨領(lǐng)域問(wèn)題的能力值得進(jìn)一步的研究。

2.2? 國(guó)外相關(guān)研究分析

本文選擇Web of Science核心合集為數(shù)據(jù)庫(kù)，利用高級(jí)檢索功能，選取主題詞為TS=（Deep learning）AND TS=（Sentiment Analysis），日期為最近五年進(jìn)行文獻(xiàn)檢索，文獻(xiàn)類型精煉為“論文”和“在線發(fā)表”后選擇排序方式為“被引頻次：最高優(yōu)先”，選擇排名前50的文獻(xiàn)使用CiteSpace進(jìn)行數(shù)據(jù)分析，總結(jié)出該研究領(lǐng)域研究?jī)?nèi)容與時(shí)間的關(guān)系，如圖2所示。

由圖2可知，在2018年以前“卷積神經(jīng)網(wǎng)絡(luò)”“注意力機(jī)制模型”“GRU”等方向的研究已經(jīng)出現(xiàn)，隨著“社交媒體”“深層神經(jīng)網(wǎng)絡(luò)”的出現(xiàn)“方面詞提取”和“特征提取”的相關(guān)研究步入正軌；2019年“模糊邏輯”“LSTM”“大數(shù)據(jù)”和“BERT”等關(guān)鍵詞出現(xiàn)，模糊邏輯是以多值邏輯為基礎(chǔ)，利用模糊集合的方法來(lái)研究模糊思維、語(yǔ)言形式及其規(guī)律，集神經(jīng)網(wǎng)絡(luò)與模糊理論的優(yōu)點(diǎn)，即學(xué)習(xí)、聯(lián)想、識(shí)別、信息處理于一體；2020—2021年隨著新冠病毒的出現(xiàn)，國(guó)外研究熱點(diǎn)也隨之發(fā)生了改變，出現(xiàn)“長(zhǎng)短期記憶”“情感詞典”“航空情報(bào)”“流行病學(xué)”和“公眾健康”等關(guān)鍵詞，可見情感分析的研究與實(shí)時(shí)息息相關(guān)，研究者希望通過(guò)深度學(xué)習(xí)在情感分析領(lǐng)域的應(yīng)用來(lái)解決現(xiàn)實(shí)存在的熱點(diǎn)問(wèn)題。

根據(jù)國(guó)內(nèi)外研究對(duì)比，可以發(fā)現(xiàn)國(guó)外相關(guān)研究關(guān)鍵詞連線更為緊密，可見國(guó)外相關(guān)研究的跨領(lǐng)域性、跨學(xué)科性更強(qiáng)，其研究?jī)?nèi)容更加多元化，未來(lái)國(guó)內(nèi)相關(guān)研究應(yīng)結(jié)合多個(gè)學(xué)科、多個(gè)應(yīng)用領(lǐng)域、多種技術(shù)進(jìn)行創(chuàng)新性研究。

3? 深度學(xué)習(xí)在情感分析領(lǐng)域的數(shù)據(jù)集研究

深度學(xué)習(xí)算法的興起，不僅得益于高性能計(jì)算讓龐大的模型能夠被很好地?cái)M合，更依賴于大規(guī)模數(shù)據(jù)的出現(xiàn)。本文根據(jù)近五年來(lái)深度學(xué)習(xí)在情感分析領(lǐng)域的核心期刊等相關(guān)文獻(xiàn)，對(duì)研究人員所使用的實(shí)驗(yàn)數(shù)據(jù)集進(jìn)行了分析和歸納，并匯總出表格為下一步研究提供數(shù)據(jù)支持，如表2所示。

對(duì)于一個(gè)深度學(xué)習(xí)模型而言，在很大程度上其輸出的質(zhì)量取決于輸入的質(zhì)量。數(shù)據(jù)只有經(jīng)過(guò)清洗、貼標(biāo)簽、注釋和準(zhǔn)備后，才能成為模型的輸入數(shù)據(jù)。數(shù)據(jù)準(zhǔn)備是數(shù)據(jù)分析項(xiàng)目的第一步，選擇合適的數(shù)據(jù)集對(duì)實(shí)驗(yàn)結(jié)果的準(zhǔn)確性和精確度至關(guān)重要。

4? 結(jié)? 論

本文使用CiteSpace對(duì)近五年國(guó)內(nèi)外深度學(xué)習(xí)與情感分析的相關(guān)文獻(xiàn)進(jìn)行了分析，并根據(jù)時(shí)間線圖譜匯總出各個(gè)不同時(shí)間點(diǎn)的主要技術(shù)及研究熱點(diǎn)。另外，本文指出了應(yīng)用廣泛的相關(guān)數(shù)據(jù)集適合研究的主要內(nèi)容及方向，為下一步研究提供了數(shù)據(jù)支持，使未來(lái)研究相關(guān)實(shí)驗(yàn)的對(duì)比結(jié)果更加有說(shuō)服力。

根據(jù)本文研究?jī)?nèi)容及以上分析可知，在深度學(xué)習(xí)日益發(fā)展并逐漸成為研究熱點(diǎn)的背景下，其相關(guān)技術(shù)方法的推廣和在情感分析研究中的應(yīng)用場(chǎng)景拓展都面臨著新的挑戰(zhàn)和機(jī)遇：

1）擴(kuò)充現(xiàn)有詞典、準(zhǔn)確判斷不同語(yǔ)境下相關(guān)詞語(yǔ)的極性、優(yōu)化分析模型等問(wèn)題在情感分析的研究中亟待解決。未來(lái)，如何解決鄰近關(guān)系權(quán)重問(wèn)題、如何處理隱形情感識(shí)別障礙問(wèn)題等將成為研究的主要方向。

2）跨語(yǔ)言情感分析作為情感分析領(lǐng)域的特殊研究任務(wù)之一，研究效果仍未達(dá)到人們的預(yù)期。未來(lái)，跨語(yǔ)言情感知識(shí)的特征不足問(wèn)題、有效共享、構(gòu)建跨語(yǔ)言間情感表達(dá)關(guān)聯(lián)等問(wèn)題將成為研究的核心問(wèn)題。

3）多模態(tài)融合語(yǔ)料庫(kù)的情感分類也逐漸成為情感分析研究的關(guān)鍵，其具體表現(xiàn)為通過(guò)語(yǔ)言、視覺、聲音、手勢(shì)等共同作用無(wú)縫銜接地表達(dá)我們的意圖和情感。未來(lái)，對(duì)于多模態(tài)情感分析的相關(guān)研究應(yīng)集中于長(zhǎng)期依賴、反諷識(shí)別、幽默檢測(cè)、抑郁檢測(cè)等任務(wù)。

參考文獻(xiàn)：

[1] 譚熒，張進(jìn)，夏立新.社交媒體情境下的情感分析研究綜述 [J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2020，4（1）：1-11.

[2] 董克，吳佳純.引文情感分析方法研究綜述 [J].圖書情報(bào)知識(shí)，2021，38（6）：60-72.

[3] ZHANG L，WANG S，LIU B. Deep Learning for Sentiment Analysis： A Survey [J].Wiley Interdisciplinary Reviews： Data Mining and Knowledge Discovery，2018，8（4）：e1253.

[4] DO H H，PRASAD P，MAAG A，et al. Deep Learning for Aspect-Based Sentiment Analysis： A Comparative Review [J].Expert Systems with Applications，2019，118：272-299.

[5] 胡家珩，岑詠華，吳承堯.基于深度學(xué)習(xí)的領(lǐng)域情感詞典自動(dòng)構(gòu)建——以金融領(lǐng)域?yàn)槔?[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2018，2（10）：95-102.

[6] 許雪晨，田侃.一種基于金融文本情感分析的股票指數(shù)預(yù)測(cè)新方法 [J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2021，38（12）：124-145.

[7] 朱鶴，陸小鋒，薛雷.基于BERT的金融文本情感分析模型 [J].上海大學(xué)學(xué)報(bào)：自然科學(xué)版，2023，29（1）：118-128.

[8] 翟劍鋒.基于多原型詞向量的情感分析在評(píng)教文本中的應(yīng)用 [J].電腦編程技巧與維護(hù)，2019（11）：125-127.

[9] 朱樂，李秋萍，朱燚丹.基于深度學(xué)習(xí)的“教育公平”網(wǎng)絡(luò)輿情分析 [J].情報(bào)探索，2020（6）：40-47.

[10] 歐陽(yáng)元新，王樂天，李想，等.教育領(lǐng)域反饋文本情感分析方法及應(yīng)用研究 [J].計(jì)算機(jī)教育，2020（6）：80-84.

[11] 夏震.基于Bi-LSTM的旅游評(píng)價(jià)情感分析模型 [J].自動(dòng)化應(yīng)用，2020（5）：129-131.

[12] CHANG Y-C，KU C-H，CHEN C-H. Using Deep Learning and Visual Analytics to Explore Hotel Reviews and Responses [J].Tourism Management，2020，80：104129.

[13] MART?N C A，TORRES J M，AGUILAR R M，et al. Using Deep Learning to Predict Sentiments： Case Study in Tourism [J].Complexity，2018，2018：7408431.

[14] 王云璇，董青嶺.大數(shù)據(jù)情感分析——數(shù)字時(shí)代理解國(guó)際關(guān)系的一種非理性范式 [J].國(guó)際論壇，2020，22（6）：64-85+157.

[15] 常城揚(yáng)，王曉東，張勝磊.基于深度學(xué)習(xí)方法對(duì)特定群體推特的動(dòng)態(tài)政治情感極性分析 [J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2021，5（3）：121-131.

[16] 張先鋒，郭偉，蔣慕超，等.東道國(guó)負(fù)面輿論偏向與企業(yè)OFDI——基于東道國(guó)主流新聞媒體的情感量化分析 [J].產(chǎn)業(yè)經(jīng)濟(jì)研究，2021（5）：69-82.

[17] 田恕存.基于注意力機(jī)制的跨領(lǐng)域情感分析的應(yīng)用研究 [D].哈爾濱：哈爾濱工業(yè)大學(xué)，2019.

[18] 孟佳娜，呂品，于玉海，等.基于CNN的方面級(jí)跨領(lǐng)域情感分析研究 [J].計(jì)算機(jī)工程與應(yīng)用，2022，58（16）：175-183.

[19] 張舒萌，余增，李天瑞.跨領(lǐng)域文本的可遷移情緒分析方法 [J].計(jì)算機(jī)科學(xué)，2022，49（3）：218-224.

[20] 胡艷麗，童譚騫，張嘯宇，等.融入自注意力機(jī)制的深度學(xué)習(xí)情感分析方法 [J].計(jì)算機(jī)科學(xué)，2022，49（1）：252-258.

[21] 景麗，何婷婷.基于改進(jìn)TF-IDF和ABLCNN的中文文本分類模型 [J].計(jì)算機(jī)科學(xué)，2021，48（S2）：170-175+190.

[22] 張虎，柏萍.融入句子中遠(yuǎn)距離詞語(yǔ)依賴的圖卷積短文本分類方法 [J].計(jì)算機(jī)科學(xué)，2022，49（2）：279-284.

[23] LI J Y，SUN M S. Scalable Term Selection for Text Categorization [C]//Proceedings of the 2007 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning （EMNLP-CoNLL）.Prague：ACL，2007：774-782.

[24] LI J Y，SUN M S，ZHANG X. A Comparison and Semi-Quantitative Analysis of Words and Character-Bigrams as Features in Chinese Text Categorization [C]//Proceedings of the 21st International Conference on Computational Linguistics and the 44th annual meeting of the Association for Computational Linguistics.Sydney：ACL，2006：545-552.

[25] 湯凌燕，熊聰聰，王嫄，等.基于深度學(xué)習(xí)的短文本情感傾向分析綜述 [J].計(jì)算機(jī)科學(xué)與探索，2021，15（5）：794-811.

[26] 王曉莉，葉東毅.基于字詞特征自注意力學(xué)習(xí)的社交媒體文本分類方法 [J].模式識(shí)別與人工智能，2020，33（4）：287-294.

[27] 張昱，高凱龍，蘇仡琳，等.雙通道多核卷積神經(jīng)網(wǎng)絡(luò)中文文本情緒分類方法 [J].內(nèi)蒙古大學(xué)學(xué)報(bào)：自然科學(xué)版，2021，52（5）：508-513.

[28] 徐凱旋，李憲，潘亞磊.基于雙向編碼轉(zhuǎn)換器和文本卷積神經(jīng)網(wǎng)絡(luò)的微博評(píng)論情感分類 [J].復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)，2021，18（2）：89-94.

[29] 李鐵飛，生龍，吳迪.BERT-TECNN模型的文本分類方法研究 [J].計(jì)算機(jī)工程與應(yīng)用，2021，57（18）：186-193.

[30] 柴玉梅，員武蓮，王黎明，等.基于雙注意力機(jī)制和遷移學(xué)習(xí)的跨領(lǐng)域推薦模型 [J].計(jì)算機(jī)學(xué)報(bào)，2020，43（10）：1924-1942.

[31] 李書彬，周安民.一種基于多維度圖神經(jīng)網(wǎng)絡(luò)的短文本分類方法 [J].現(xiàn)代計(jì)算機(jī)，2022，28（1）：55-59.

[32] AKHTAR M S，GHOSAL D，EKBAL A，et al. All-in-One： Emotion，Sentiment and Intensity Prediction using a Multi-task Ensemble Framework [J].IEEE Transactions on Affective Computing，2019，13（1）：285-297.

[33] 沈卓，李艷.基于PreLM-FT細(xì)粒度情感分析的餐飲業(yè)用戶評(píng)論挖掘 [J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2020，4（4）：63-71.

[34] 李攀，吳亞?wèn)|，褚琦凱，等.基于BERT與記憶網(wǎng)絡(luò)的長(zhǎng)文本方面級(jí)情感分析 [J].傳感器與微系統(tǒng)，2022，41（2）：118-122.

[35] 袁勛，劉蓉，劉明.融合多層注意力的方面級(jí)情感分析模型 [J].計(jì)算機(jī)工程與應(yīng)用，2021，57（22）：147-152.

[36] 鄧珍榮，張永林，楊睿，等.結(jié)合全局和局部特征的BiGRU-RA圖像中文描述模型 [J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2021，33（1）：49-58.

作者簡(jiǎn)介：于海濤（1973.05—），男，漢族，吉林四平人，副教授，博士，研究方向：旅游大數(shù)據(jù)、智慧旅游、水下傳感器網(wǎng)絡(luò)。