【關(guān)鍵詞】深度學(xué)習(xí)；電子創(chuàng)新產(chǎn)品；情感分析

引言

近年來，電子創(chuàng)新產(chǎn)品市場呈現(xiàn)出快速增長的態(tài)勢，消費者對產(chǎn)品的評價和反饋也愈發(fā)重要。在線評論作為消費者表達意見和感受的重要渠道，蘊含著豐富的情感信息[1]。對這些評論進行情感分析，有助于企業(yè)及時了解用戶對產(chǎn)品的滿意度、發(fā)現(xiàn)潛在問題，并據(jù)此調(diào)整產(chǎn)品設(shè)計和市場策略。傳統(tǒng)方法主要依賴人工構(gòu)建的詞典和規(guī)則進行情感分類，但這種方法難以適應(yīng)大規(guī)模、多樣化的評論數(shù)據(jù)[2]。近年來，隨著深度學(xué)習(xí)技術(shù)的興起，基于神經(jīng)網(wǎng)絡(luò)的情感分析方法逐漸嶄露頭角，深度學(xué)習(xí)模型能夠自動學(xué)習(xí)文本特征，實現(xiàn)更準確的情感分類。然而，針對電子創(chuàng)新產(chǎn)品評論的情感分析仍面臨諸多挑戰(zhàn)。本研究的意義在于，通過提出新的深度學(xué)習(xí)模型SCB，并對其進行實驗驗證和性能評估，為情感分析任務(wù)提供新的思路和方法。同時，通過對比實驗和參數(shù)優(yōu)化，本研究深入探討了影響深度學(xué)習(xí)模型性能的關(guān)鍵因素，為深度學(xué)習(xí)技術(shù)在自然語言處理領(lǐng)域的應(yīng)用提供了有力支持。

一、深度學(xué)習(xí)與情感分析方法概述

深度學(xué)習(xí)作為機器學(xué)習(xí)領(lǐng)域的一個重要分支，致力于構(gòu)建高度復(fù)雜且具有深層次結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型。這一范式通過無監(jiān)督學(xué)習(xí)的方式，自動且高效地從原始數(shù)據(jù)中提取并學(xué)習(xí)其內(nèi)在的高級特征表示，從而實現(xiàn)對數(shù)據(jù)深層次模式的理解與挖掘。深度學(xué)習(xí)的核心優(yōu)勢在于其依托一系列先進且強大的算法，這些算法構(gòu)成了其理論與方法論的基石，其中卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network， RNN）以及長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory， LSTM）等模型尤為關(guān)鍵[3]。

CNN憑借卷積和池化機制在圖像處理中表現(xiàn)出色，能捕捉圖像空間特征；RNN專于處理序列數(shù)據(jù)，動態(tài)建模時間序列；LSTM作為RNN的改進，通過記憶單元增強長序列處理能力，在語言模型和機器翻譯中成效顯著。這些核心算法推動了深度學(xué)習(xí)的廣泛應(yīng)用，深刻影響了人工智能的發(fā)展。

情感分析作為一種關(guān)鍵性的自然語言處理技術(shù)，也被稱作意見挖掘或情感傾向識別。其核心在于通過細致的分析、處理、總結(jié)及邏輯推理，針對蘊含情感色彩的主觀性文本內(nèi)容，自動識別出文本作者對于特定話題所持有的態(tài)度傾向或情緒表達[4]。情感分析的策略主要可劃分為三大類別：一是依賴情感詞典的傳統(tǒng)方法，深度學(xué)習(xí)技術(shù)的深入發(fā)展，極大地推動著情感分析領(lǐng)域向更高效、更精準的方向邁進。深度學(xué)習(xí)模型，如CNN、RNN、LSTM等，能夠自動學(xué)習(xí)文本特征，充分利用文本的上下文關(guān)聯(lián)信息，實現(xiàn)對文本情感的精準分析[5]。此外，注意力機制和預(yù)訓(xùn)練模型（如BERT、XLNET等）的引入進一步提升了情感分析的性能，使得該方法在處理復(fù)雜情感任務(wù)時更加高效和準確。當前，情感分析在輿情分析、內(nèi)容推薦、商品評價等多個領(lǐng)域具有廣泛應(yīng)用。

二、模型構(gòu)建與分析

（一）構(gòu)建模型

本研究創(chuàng)新性地提出了SCB模型，該模型結(jié)合了CNN和基于注意力機制的雙向門控遞歸單元（Bidirectional Gated Recurrent Unit，BiGRU），旨在開發(fā)一種高效針對序列數(shù)據(jù)的分類與預(yù)測模型。在SCB模型中，CNN層被用于捕捉序列數(shù)據(jù)中的局部特征，并執(zhí)行最大池化以提取關(guān)鍵信息；隨后，BiGRU層通過對特征雙向處理，全面把握序列數(shù)據(jù)的內(nèi)在信息。最終，輸出層通過全局最大池化進一步精選關(guān)鍵特征，并對序列進行壓縮。模型的訓(xùn)練過程采用了反向傳播算法與Adam優(yōu)化器來優(yōu)化模型參數(shù)，并引入Dropout機制以增強模型的魯棒性。這些設(shè)計確保了SCB模型在處理序列數(shù)據(jù)時能夠表現(xiàn)出色，兼具高穩(wěn)定性和準確性，具體如圖1所示。

（二）數(shù)據(jù)采集與預(yù)處理

本研究采用的數(shù)據(jù)集是通過網(wǎng)絡(luò)爬蟲技術(shù)從中關(guān)村在線收集的產(chǎn)品評論數(shù)據(jù)。在原始數(shù)據(jù)集中，用戶對電子創(chuàng)新產(chǎn)品的評價被細分為五個等級（1-5星）。然而，研究并未直接依賴這種簡單的星級劃分來評價情感傾向，而是采用了更為先進的深度學(xué)習(xí)方法，構(gòu)建復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型，旨在自動學(xué)習(xí)評價中的情感傾向。數(shù)據(jù)集經(jīng)過預(yù)處理后，最終包含100，000條評論，其中正面評價和負面評價各占50，000條，以此作為深度學(xué)習(xí)模型的訓(xùn)練與測試數(shù)據(jù)。數(shù)據(jù)預(yù)處理階段應(yīng)用了先進的自然語言處理技術(shù)，利用PyTorch分詞工具實現(xiàn)文本的高效分詞與預(yù)處理。為確保數(shù)據(jù)的純凈性和一致性，刪除了停用詞、標點符號及非中文字符。為了構(gòu)建符合深度學(xué)習(xí)模型輸入要求的特征表示，研究根據(jù)模型的最大輸入長度（max_length）對評論進行了截斷或填充操作，使得所有評論數(shù)據(jù)具有相同的輸入長度。值得注意的是，整個預(yù)處理過程都未將平均評論長度作為固定長度，而是將其作為設(shè)置max_length參數(shù)的重要參考因素，以高效處理變長輸入序列，為后續(xù)的模型訓(xùn)練與評估奠定了堅實的基礎(chǔ)。

三、實驗分析

（一）評價指標

對深度學(xué)習(xí)方法的評估主要關(guān)注準確性（α）、精確度（p）、召回率（r）和F1分數(shù)這四個性能指標。真正例（TP）指代成功識別的有害樣本，假正例（FP）表示被錯誤地判定為有害的良性樣本，真負例（TN）準確描述了被正確歸類為正常的樣本；假負例（FN）則反映了被誤標記為正常的異常樣本。p是一個關(guān)鍵指標，它聚焦于模型預(yù)測為正面評論中實際為正面的比例，從而有效評估模型對正面評論的預(yù)測準確度。另一方面，r則體現(xiàn)了模型正確識別出所有實際正面評論的能力，即正確預(yù)測的正面評論在實際所有正面評論中的占比，這對于全面捕捉實際正面評論至關(guān)重要。最后，F(xiàn)1分數(shù)作為精確度和召回率的調(diào)和平均值，綜合評估了模型的性能，特別是在數(shù)據(jù)不平衡的情況下，F(xiàn)1分數(shù)尤為重要，因為它能夠平衡精確度和召回率，進行更為全面的性能評估。具體如式（1）所示：

（二）實驗結(jié)果分析

為了全面且精確地評估本文提出的深度學(xué)習(xí)模型性能，研究采用了10折交叉驗證與5×2交叉驗證兩種策略。在10折交叉驗證中，數(shù)據(jù)集被隨機且均衡地劃分為10個部分，每次使用其中的9個部分進行模型訓(xùn)練，剩余的1個部分用于驗證，最終的性能評估是基于這10次驗證結(jié)果的平均值。而在5×2交叉驗證中，數(shù)據(jù)集被隨機分為兩個子集，這兩個子集交替用于訓(xùn)練和測試，重復(fù)5次后取平均值作為最終的評價。此外，考慮到文本序列長度的多樣性，研究設(shè)定了統(tǒng)一的長度閾值，并試驗以最大句子長度和平均句子長度作為模型的固定輸入長度。由于在選擇平均句子長度作為輸入長度時，超長的句子會被截斷，從而可能導(dǎo)致上下文信息的丟失，影響模型的性能；因此，選擇合適的輸入長度是優(yōu)化模型性能的關(guān)鍵考量之一，具體如表1所示。

本研究系統(tǒng)性地探究了詞匯表大小對深度學(xué)習(xí)模型性能的調(diào)節(jié)作用。實驗首先從包含50，000個單詞的廣泛詞匯表開始，依據(jù)單詞頻率逐步縮減，每次減少5，000個單詞進行迭代。分析結(jié)果顯示，當詞匯表規(guī)模調(diào)整至約30，000個單詞時，模型展現(xiàn)出最優(yōu)性能。這表明，選擇適當?shù)脑~匯表大小對于優(yōu)化深度學(xué)習(xí)模型性能至關(guān)重要。接著，實驗考察了不同訓(xùn)練迭代次數(shù)對模型性能的影響，發(fā)現(xiàn)隨著訓(xùn)練迭代的增加，模型性能先提升后降低，在迭代8次時達到最佳性能，之后模型開始出現(xiàn)過擬合現(xiàn)象。為了提升模型的能力，實驗引入dropout機制，并通過微調(diào)dropout值發(fā)現(xiàn)，設(shè)定為0.5時，模型性能達到最佳平衡，既保持了高訓(xùn)練精度，又有效避免了過擬合。此外，實驗還對比了加權(quán)詞與未加權(quán)詞向量在模型中的應(yīng)用效果，發(fā)現(xiàn)加權(quán)詞向量通過情感詞典的精細處理，能更顯著地突出情感特征，從而提升模型在情感分析任務(wù)中的性能。最后，實驗為了全面評估SCB模型的性能，在同一數(shù)據(jù)集上將其與支持向量機（Support Vector Machine，SVM）、CNN和BiGRU等情感分析模型進行對比，結(jié)果顯示深度學(xué)習(xí)模型，尤其是CNN和BiGRU，性能明顯優(yōu)于傳統(tǒng)機器學(xué)習(xí)模型SVM，其整合注意力機制能進一步提升模型的分類性能。最終，結(jié)合CNN、BiGRU和注意力機制的SCB模型，在性能上超越了其他幾種模型，充分證明了其優(yōu)越性和有效性。實驗結(jié)果如表2所示。

實驗數(shù)據(jù)揭示了深度學(xué)習(xí)模型，尤其是CNN和BiGRU，相較于傳統(tǒng)的機器學(xué)習(xí)模型SVM，展現(xiàn)出更為出色的性能。不僅如此，通過在深度學(xué)習(xí)模型中融入注意力機制，模型的分類性能得到了顯著提升。尤為值得注意的是，本研究提出的SCB模型，通過結(jié)合深度學(xué)習(xí)技術(shù)，包括CNN、BiGRU以及注意力機制，其整體性能超越了其他幾種在情感分析任務(wù)中廣泛應(yīng)用的深度學(xué)習(xí)模型，從而充分彰顯了SCB模型在情感分析領(lǐng)域的優(yōu)越性。

結(jié)語

隨著網(wǎng)絡(luò)的快速發(fā)展，大量蘊含價值信息的電子產(chǎn)品評論應(yīng)運而生。為更有效地挖掘和利用這些信息，本文專注于提取產(chǎn)品特征并進行深入的情感分析。為此，本文構(gòu)建了一個結(jié)合CNN和BiGRU的SCB模型，該模型實現(xiàn)了對文本情感的精準分析。實驗結(jié)果顯示，SCB模型在準確性、精確度、召回率和F1分數(shù)等多項性能指標上均表現(xiàn)出色，顯著超越了其他幾種主流的情感分析深度學(xué)習(xí)模型。為了進一步提升模型性能，研究深入探究了詞匯表大小、訓(xùn)練迭代次數(shù)以及dropout值等關(guān)鍵參數(shù)對模型性能的影響，并據(jù)此優(yōu)化了模型設(shè)置。此外，加權(quán)詞向量的使用也有效強化了句子中的情感特征表達，使SCB模型取得了更為優(yōu)異的性能。綜上所述，本研究提出的SCB模型在情感分析任務(wù)中展現(xiàn)出了顯著的有效性和優(yōu)越性，為相關(guān)領(lǐng)域的研究提供了新的思路和方法。