1、 基于共詞分析的國內文本情感分析研究 陳紅琳 魏瑞斌 張瑋摘 要：目的/意義對國內文本情感分析的研究成果進行梳理與計量分析，有助于從不同角度了解主題研究狀況、發文情況，對后續的研究具有一定的參考價值。方法/過程本文對發文期刊、作者團隊進行統計分析，并利用共詞分析法，研究Key之間的聯系，探討近十年來在文本情感分析的研究熱點及現狀。結果/結論結果表明，我國近兩年對文本情感分析的研究主要有基于情感詞典的機器學習和神經網絡的深度學習兩種方法，文章最后指出了兩種方法的研究現狀及未來研究方向。Key：文本情感分析;共詞分析;情感詞典;深度學習;神經網絡DOI：10.3969/j.issn.1008-08

2、21.2019.06.010TP391.1 A 1008-0821（2019）06-0091-11Abstract：Purpose/ImportanceThe research results of text sentient analysis were sorted out and quantitatively analyzed，which was helpful to understand the status of subject research and publishing，and it had certain reference value for subsequent resea

3、rch.methods/ProceduresThis paper made a statistical analysis of the published journals and author teams，and uses co-word method to study the relationship between keywords，and discussed the research hot spots and current situation of text sentient analysis in the past decade.Results/ConclusionThe res

4、ults showed that the research on text sentiment analysis in China in the past two years mainly included two methods：machine learning based on emotion dictionary and deep learning based on neural network.At last，the paper pointed out the future research direction of the two methods.Key words：text sen

5、timent analysis;co-word analysis;emotional dictionary;deep learning;neural network目前，互聯網的應用無論是廣度還是深度，都呈井噴式飛速發展，伴隨而來的是，網絡中的數據以每天數億計的速度快速增長。通過挖掘這些海量數據，我們能從中得到很多有價值的信息。近年來，越來越多的學者開始關注網絡文本挖掘，其中文本情感分析成為最熱門的研究問題之一，涉及政治、軍事、經濟、娛樂、生產生活等各個領域，通過分析其中蘊含的用戶情感，了解用戶喜好，將其作為決策依據。為了系統全面地了解評論內容、跟蹤輿情，越來越多的組織及個人利用計算機技術，對

6、網絡中的用戶文本信息進行分析，文本情感分析由此產生。文本情感傾向分析又稱意見挖掘，是針對觀點持有人對某產品、事件或人物等的評論，進行傾向性的研究。馬曉玲等1提出了文本情感分析的研究框架，并從基礎理論研究和應用研究兩個角度對代表性成果進行了分析。擁措等2分析國內外短文本情感分析的研究方法、研究熱點和研究趨勢。1 數據來源與研究方法1.1 數據來源本文以CNKI（知網）為數據來源，于2018年8月5日，以“文本情感分析”為主題詞，對CNKI全文數據庫進行搜索，共得到1 038篇文獻，排除學位論文，并對所有文獻進一步處理，刪除無作者、無單位、無年代、無關鍵字、無學科主題、重復的文獻，最終得到334篇

7、文獻。1.2 研究方法提取適當詞頻的Key能準確描述文獻的研究內容，能代表該領域的研究主題3，將文獻的主題詞兩兩統計出它們在同一篇文獻中出現的次數，對這些詞進行聚類分析，統計研究相關主題，從而找出領域研究熱點，并分析未來研究趨勢。本文采用Excel、Python、SPSS作為研究工具，通過Excel對數據進行基礎分析，統計文獻分布情況;利用Python進行詞頻統計，并構造共詞矩陣;SPSS對共詞矩陣進行聚類分析，統計當今研究熱點。2 研究基本情況2.1 時間分布按發表時間對文獻數量進行統計，結果如圖1所示，從圖1可以看出，國內在文本情感分析的研究開始于2006年，最早的一篇文獻是葉強等4在信息

8、系統學報上發表的“面向互聯網評論情感分析的中文主觀性自動判別方法”，他們在論文中提出了一種中文主觀性自動判別方法。圖1顯示“文本情感分析領域”每年的發文量基本呈現為一個線性增長。2014年之后，每年的發文量基本保持在50篇左右。從論文累積發表的數量看，該領域的論文數量呈現為指數函數，其增長的速度較快。這反映出該領域的研究得到了越來越多研究者的關注。2.2 期刊分布從統計結果來看，334篇論文分布于173種期刊。根據布拉德福定律，按照發文數遞減的順序對期刊進行排序，把該領域的載文期刊分為3個區域（核心區、相關區和離散區），每個分區的論文數量大體相當（107篇、105篇和122篇）。其中，核心區每

9、本期刊為發文6篇以上，相關區每本期刊發文為2篇到5篇，離散區域每本期刊發文數為1篇。3個區域的期刊數量比為1437122，大致滿足1nn2的關系。根據比利時情報學家埃格郝的布拉德福核心區數量計算法，將核心區期刊數量用下列公式來計算5：2.3 作者發文從統計結果看，334篇論文共涉及作者814人，人均發表論文2.43篇。發文2篇以上的有27人。大多數作者（不限第一作者）發文數為1篇（共726人），72人發文數為2篇，發文數為3篇和4篇的均為8人。作者發文數量的這種分布反映出該領域的研究隊伍較大，但是其中持續產出數量較多的研究者較少。結合圖2看，目前該領域的研究人員還較為分散，基本是“單兵作戰”，

10、周詠梅、李勇敢、樊娜、鄭嘯等合作規模較大。對文章按照作者分類匯總，發現各個研究團隊研究的側重點略有不同。周詠梅、陽愛民團隊主要研究基于語料庫的文本情感分析，包括情感詞典的構建方法27-28、語料情感類別自動標注方法25-26;李勇敢等研究了一個用于中文文本情感分類的評測系統29-31：包括構建多級詞庫、制定成詞規則、開展串頻統計等的新詞識別方法、基于依存模式的觀點句識別算法等，并將其應用于微博情感分類，實驗證明該方法的識別效率較高。樊娜團隊主要采用機器學習的方法進行文本情感分析，包含兩種研究方法：第一種是按照文本結構的特點，依據語句相近的原則，將文本分隔成若干語義段，再采用條件隨機場模型進行主

11、觀內容提取和觀點識別，從而確定文本傾向32;第二種采用K-鄰近算法將整個文本的情感分成局部情感和全局情感，建立條件隨機場模型，確定文本中的局部情感，再采用K-鄰近算法計算文本的全局情感19。鄭嘯團隊對情感分析的機器學習方法作了深入地研究，有傳統的機器學習方法20和基于神經網絡的深度學習算法21-22，神經網絡學習算法是近兩年來流行的一種文本情感分析方法，在復雜模型的海量數據訓練方面有極大的優勢。2.4 高頻Key分布Key作為期刊論文的一部分，通常反映論文的研究主題或研究方法等內容。通過研究某一領域的Key，可以把握該領域的研究方向和研究熱點33。從334篇論文中共提取674個Key。本文對部

12、分Key進行了合并等處理，如“微博”和“中文微博”、“支持向量機”和“SVM”等，由于本文檢索主題詞為“文本情感分析”，故從Key中剔除“情感分析”和“文本情感分析”，得到詞頻不低于4的Key，詞頻分布具體情況如表3所示。從表3可以看出，“情感詞典”詞頻居首，達50次，詞頻為1的Key530個，占比約79%。通過對文獻Key詞頻進行分析，發現諸如“情感分類”、“支持向量機”、“機器學習”、“卷積神經網絡”等表示情感分析研究方法的Key出現次數較多，這在一定程度上反映出該領域對文本情感分析的實現方法和技術關注較多。2.5 Key共詞矩陣分析對Key按詞頻進行降序排序，能從一定程度上反映學科主題的

13、研究方向，但是單純的詞頻排序不能反映高頻詞之間的內在聯系，不能全面地揭示學科的結構、研究熱點及研究動態。表4為40個高頻Key（部分）共現矩陣，反映Key共同出現在一篇文獻中的次數。在共詞矩陣中，兩個Key共同出現的次數越多，說明Key聯系越緊密，越能體現主題的研究內容。因此，有必要根據高頻Key構建共現矩陣。如表所示，矩陣的對角線為Key的詞頻，上三角或下三角表示兩個Key共同出現的次數。在圖3樹狀圖中閾值約為21的位置劃分類團，可以得到4個熱點的研究領域，從上往下看，第一個類團包括“卷積神經網絡”、“深度學習”、“詞向量”和“自然語言處理”等Key，主要是關于文本情感分析深度學習方法;第二

14、個類團包括“情感信息抽取”、“語料庫”、“情感極性”和“情感強度”等Key，主要基于情感詞典的情感分析;第三個類團包括“主題模型”、“文本挖掘”、“LDA”和“神經網絡”等Key，圍繞文本情感分析的相關模型和算法研究。第四個類團包括“網絡輿情”、“數據挖掘”和“短文本”、“機器學習”、“語義規則”和“情感計算”等Key，該類團主要是基于傳統機器學習的文本情感分析方法。具體分類如表7所示。2.6 多維尺度分析多維尺度分析是把樣本數據反映在二維空間距離，聯系緊密的兩點會靠得很近34。在SPSS中導入相異矩陣進行多維刻度分析，得到圖4所示的多維尺度分析圖。從圖4可以看出，二維坐標圖中整體布局呈邊緣分

15、布，大致可以分成4簇。第一象限包含“情感詞典”、“情感詞”和“機器學習”等Key，對應聚類分析中的第四類，主要涉及情感詞典的構建及應用傳統機器學習算法進行情感分類;第二簇集中在第二象限處，對應聚類分析第一類，體現深度學習算法在情感分類領域的應用;第三象限對應聚類分析的第三類，構建神經網絡分析模型進行情感分析;第四象限Key對應聚類分析的第二類，依據語料庫確定感情詞的情感極性和情感強度，以此來確定文本情感。3 結果分析文本情感分析技術有兩類：基于外部知識庫（情感詞典）的技術和基于機器學習的技術。本文通過對文獻Key進行高頻詞分析和聚類分析，對“文本情感分析”領域的研究內容有了整體的認識，將該領域

16、的研究分為4類，其中第一類、第三類基于深度學習的機器學習方法，第二類是基于詞典的情感分析，第四類為傳統機器學習的情感分析。通過對文獻進行分析發現，2016年前文本分析方法主要采用情感詞典和傳統機器學習的方法，2016年后深度學習技術的相關文獻呈逐年遞增的趨勢。3.1 基于情感詞典的情感分析技術情感詞典是文本情感分析的基礎，構造文本情感詞典，標注詞的極性與強度，從而判斷文本情感。詞典構建是文本情感分析的關鍵，研究人員在詞典構建與改進方面作了大量的工作，在現有詞典基礎上不斷改進，充分考慮文本特性和用戶表達習慣。文本情感詞典有人工構建和自動構建兩種方式，比較典型的英文人工構建詞典有WordNet、S

17、entiWordNet、General Inquirer、Option Lexicon;中文人工構建的開放性的詞典庫有知網（HowNet）提供的情感分析詞語集、大連理工的情感詞匯本體庫、臺灣大學構建的情感詞典NTUSD31。人工構建的方式由于效率低，且不適合跨領域研究，因而目前多采用自動構建的方式，在一定程度上增強了領域的適用性。基于情感詞典的文本情感分析的研究成果較多，在短文本情感分析方面效率較高。周詠梅等18在HowNet和SentiWordNet的基礎上，將詞語分解成多個義元后計算其情感傾向強度，并使用詞典校正方法對詞語的情感傾向值進行修正，并應用到微博文本情感分析。對于特定領域的情感分

18、析，為提高分析精度，需要構建特定領域的情感詞典。王勇等23圍繞中文微博中的情感分類，構建了四個情感詞典：基礎情感詞典、表情符號詞典、否定詞詞典和雙重否定詞詞典，在此基礎上，融合漢語言特征及微博情感表達特征，提出了一種基于極性詞典的分類方法，該方法準確率達82.2%。王文遠等24提出一種構建表情符號情感詞典的方法，通過對大量微博中與表情共現的文本的情感分析，從而來確定表情的情感傾向，以此構建的面向情感分析的表情情感詞典，該方法對分析文本情感的準確性方面有所提高。以上的研究主要是從不同維度來改進情感詞典，同時定義詞的情感極性，這種方法最大的問題是情感區分度不夠，對不同數據集適應性欠佳。陽林36針對

19、情感詞的情感確定性，提出了一種新的權值計算方法，即情感確定性越大，其權值也越大，詞的情感傾向更明確，從而字典內的情感區分度明顯，這種方法在情感判斷中的準確性上有很大提高。陽愛民等37介紹了一種情感詞典的構建方法，選用若干情感種子詞，利用搜索引擎返回的詞的共現數，通過改進的PMI（Pointwise Mutual Information）算法計算情感詞的情感權值，該方法應用于不同的語料環境下，構建的情感詞典，可有效用于情感特征選擇和直接情感分類。3.2 基于機器學習的文本情感分析從上面的聚類結果分析可以看出，機器學習的情感分析方法分為兩大類，一類是傳統的機器學習方法，該方法以情感詞典為依托，采用

20、機器學習的算法進行情感分類，從而確定文本情感極性，該方法研究成果眾多。另外一類是基于神經網絡的機器學習方法，相關的研究成果也呈逐年遞增的趨勢。3.2.1 傳統的機器學習方法傳統的機器學習方法分為無監督的機器學習方法和有監督的機器學習方法。無監督機器學習最常見的方法是計算整篇文檔的正向關聯度和負向關聯度，用兩者的差值判斷整篇文檔的情感極性。這種方法過分依賴于情感詞的選擇及語料測評的領域范圍，正確率較低。李勇敢等21在2013年采用中文依存句法分析的方法，并對依存分析的結果進行剪枝和歸并，再利用一些規則進行情感詞的抽取和極性判斷，在一定程度上克服了分詞系統簡單的分詞而造成情感極性判斷差錯。隨后在依

21、存句法分析的基礎上，提出了一種基于規則和統計的新詞識別方法22，在情感詞和評價對象的依存模式的基礎上給出基于詞語特征的觀點句識別算法，實現中文微博情感傾向性自動分類，并給出觀點句識別的算法。有監督的機器學習方法首先根據情感詞典進行文本特征標注，然后采用機器學習方法對已標注的訓練數據訓練出一個較好的模型，再利用模型預測文本的情感極性。所采用的機器學習算法主要有樸素貝葉斯（Naive Bayes，NB）方法、基于最大熵（Maximum Entropy，ME）方法、基于支持向量機（SVM）方法等。從Key詞頻可以看出，支持向量機詞頻為27，樸素貝葉斯為6，可見，SVM方法是學者們首選的機器學習算法，

22、相關的研究成果較多36-38。由于文本包含詞、詞性、情感詞、否定詞和程度副詞等特征，通過詞的不同特征組合來進行情感分析效果更好，將SVM和CRF多特征組合用于微博情感分析，正確率較高39-41。3.2.2 基于深度學習的情感分類技術深度學習通過對數據進行多層級的建模來獲得關于數據特征的層次結構以及數據的分布式表示。隨著深度學習技術在計算機視覺和語音識別領域的成功應用，越來越多的深度學習技術被應用于自然語言的處理，循環神經網絡和卷積神經網絡是深度學習中影響力較大的神經網絡算法。研究人員模擬人類的神經元對文本進行情感理解，從而得出文本情感極性及情感強度等特征。在循環神經網絡方面，Mikolov T

23、等42在2010年使用循環神經網絡處理上下文語言信息。F Morin等43提出了LSTM（Long Short-Term Memory長短時記憶）型循環神經網絡，很好地解決了梯度膨脹和遺失問題。Socher R等44采用構建在句法分析樹上的循環神經網絡對電影評論文本進行情感極性判別。梁軍等45將LSTM型神經網絡從鏈式結構擴展到基于樹形結構的遞歸神經網絡（Recursive Neural Network，RNN）上，用于捕獲文本更深層次的語義語法信息，并根據前后語句的關聯性引入情感極性轉移模型，實踐證明，該模型性能較好。李天辰等46針對網絡文本主題分散的特點，先對文本主題進行聚類，然后在每個子

24、類上應用循環神經網絡，對正負情感樣本分別建立主題模型，最后基于所屬主題和所屬情感的概率極性聯合判斷，這種先通過主題聚類再進行分析的方法使得文本情感分類的準確性得到顯著提高。郝志峰等47利用雙向RNN構建基于序列標注的細粒度意見分析模型，通過融合文本的詞向量、詞性和依存關系等語言學特征，學習文本的修飾和語義信息，并設計一個時間序列標注模型，同時抽取屬性并判斷文本的情感極性。胡榮磊等48將LSTM和前饋注意力模型相結合，并在Tensorflow深度學習框架下實現了方案，根據準確率、召回率和F1測度等指標與現有方案的對比，該方案有明顯的優勢。Kim Y49在2014年將卷積神經網絡從圖像領域引入到自

25、然語言處理領域，通過文本向量化處理文本情感分析，取得了較好的效果，國內不少學者在神經網絡分析方面也取得了一定進展。陳釗等50提出了一種結合卷積神經網絡和情感計算資源的中文文本情感分析方法，先根據詞典資源的抽象表達式來分析詞語的屬性特征，并將詞語的情感極性和詞性特征應用到文本特征表示，再利用卷積神經網絡提取與文本表達式相關的序列特征作為文本特征向量進行情感分析，該方法比主流卷積神經網絡有更好的性能。杜昌順等51針對傳統的卷積神經模型沒有考慮句子的結構信息，采用分段池化策略將句子結構考慮進來，分段提取句子不同結構的主要特征，并且引入Dropout算法以避免模型的過擬合和提升泛化能力。還有不少學者將

26、注意力機制應用到卷積神經網絡52-54，實踐證明，兩者的結合在文本情感分析上效果顯著。針對單通道卷積神經網絡視覺單一、不能充分學習到文本特征信息的問題，李平等55提出雙通道卷積神經網絡算法，一個通道為字向量，另一個為詞向量，利用細粒度的字向量輔助詞向量捕捉深層次的語義信息;陳珂等56提出一種基于多通道卷積神經網絡的中文微博情感分析模型，該模型通過將不同特征信息結合形成不同的網絡輸入通道，從而可以從多方面的特征表示來學習輸入句子的情感信息。以上研究主要是對文本的情感分析，有時圖片與文字融合能更充分地揭示用戶情感，同時不同背景的用戶均能容易地理解圖文的內容和情感。蔡國永等57提出了一種基于卷積神經

27、網絡的圖文融合媒體的情感分析方法，融合圖像特征與3個不同級別（詞語、短語、句子級）的文本特征構建卷積網絡神經模型，以分析比較不同層次的語義特征對情感預測的影響。鄧佩等58提出了一種基于轉移變量的圖文融合微博情感分析方法，該方法能更準確地預測微博情感傾向。可見，深度學習分析文本情感中神經網絡模型占據重要地位，在模型的構造和應用的研究中已初見成效，未來還需要在情感分析的準確性方面對算法進行改進與優化。4 結束語伴隨著互聯網中數據量的劇增，文本情感分析對于客戶體驗、市場研究、數字分析和媒體測評等變得越來越重要。本文采用共詞分析方法，對文獻高頻Key進行統計分析，從不同層面分析“文本情感分析”，得出結

28、論如下：1）系統聚類分析和多維尺度分析顯示，文本情感分析過程中形成了情感詞典、機器學習、深度學習三大類群體，且無論是傳統的機器學習方法還是深度學習方法都與情感詞典情感分析方法存在一定的聯系，說明無論采用什么情感分析技術，都離不開現有的語料庫，都以情感詞典為依托采用機器學習的方法進行情感分析。所以未來情感詞典的完善、特別是領域詞典，依然是一個需要不斷深入與細化的研究課題。2）由于機器學習方法效率很大程度上依賴于所提取的文本特征，比如詞袋模型特征、n-gram模型特征都面臨數據稀疏及維數災難等問題，因而近兩年在“文本情感分析”機器學習方法呈現向深度學習方法轉移的趨勢。其中神經網絡是最常用的深度學習

29、方法。神經網絡模型可以對純文本、圖文融合文本進行情感分析，分類準確率較高。下一步的研究重點應放在增強模型的魯棒性方面，以適應不同長度和語言的文本。Reference1馬曉玲，金碧漪，范并思.中文文本情感傾向分析研究J.情報資料工作，2013，（1）：52-56.2擁措，史曉東，尼瑪扎西.短文本情感分析的研究現狀從社交媒體到資源稀缺語言J.計算機科學，2018，45（S1）：46-49，68.3劉巖.基于共詞分析的國內智慧圖書館研究探析J.圖書館學研究，2018，（18）：9-14.4葉強，張紫瓊，羅振雄.面向互聯網評論情感分析的中文主觀性自動判別方法研究J.信息系統學報，2007，（1）：79

30、-91.5夏德元，寧傳林.“一帶一路”新聞傳播問題研究現狀及熱點分析J.新聞與傳播研究，2018，（1）：32-36.6杜嘉忠，徐健，劉穎.網絡商品評論的特征-情感詞本體構建與情感分析方法研究J.現代圖書情報技術，2014，（5）：74-82.7徐勇，張慧，陳亮.一種基于情感分析的UGC模糊綜合評價方法以淘寶商品文本評論UGC為例J.情報理論與實踐，2016，39（6）：64-69.8王仁武，宋家怡，陳川寶.基于Word2vec的情感分析在品牌認知中的應用研究J.圖書情報工作，2017，61（22）：6-12.9陳國蘭.基于情感詞典與語義規則的微博情感分析J.情報探索，2016，（2）：1-6

31、.10周瑛，劉越，蔡俊.基于注意力機制的微博情感分析J.情報理論與實踐，2018，41（3）：89-94.11劉雯，高峰，洪凌子.基于情感分析的災害網絡輿情研究以雅安地震為例J.圖書情報工作，2013，57（20）：104-110.12王波.基于跨領域知識的基金評論情感分析J.情報雜志，2011，30（2）：44-47.13王波，郭曉軍.基于情感分析的網絡財經媒體通貨膨脹預期研究J.圖書情報工作，2011，55（16）：140-143，90.14王洪偉，張對，鄭麗娟，等.網絡股評對股市走勢的影響：基于文本情感分析的方法J.情報學報，2015，34（11）：1190-1202.15李旭，于衛紅.

32、基于情感分析和關系網絡的影視產品評論數據文本挖掘研究J.情報探索，2018，（4）：1-5.16鄭飏飏，徐健，肖卓.情感分析及可視化方法在網絡視頻彈幕數據分析中的應用J.現代圖書情報技術，2015，（11）：82-90.17陽愛民，周詠梅，周劍峰.中文微博語料情感類別自動標注方法J.計算機應用，2014，34（8）：2188-2191.18周詠梅，王偉，陽愛民，等.一種基于特征簇的微博短文本情感分類方法J.小型微型計算機系統，2016，37（12）：2713-2716.19樊娜，安毅生，李慧賢.基于K-近鄰算法的文本情感分析方法研究J.計算機工程與設計，2012，33（3）：1160-1164

33、.20秦鋒，王恒，鄭嘯，等.基于上下文語境的微博情感分析J.計算機工程，2017，43（3）：241-246，252.21鄭嘯，王義真，袁志祥，等.基于卷積記憶神經網絡的微博短文本情感分析J.電子測量與儀器學報，2018，32（3）：195-200.22謝鐵，鄭嘯，張雷，等.基于并行化遞歸神經網絡的中文短文本情感分類J.計算機應用與軟件，2017，34（3）：205-211，232.23王勇，呂學強，姬連春，等.基于極性詞典的中文微博客情感分類J.計算機應用與軟件，2014，31（1）：34-37，126.24王文遠，王大玲，馮時，等.一種面向情感分析的微博表情情感詞典構建及應用J.計算機與數

34、字工程，2012，40（11）：6-9.25高琰，陳白帆，晁旭耀，等.基于對比散度-受限玻爾茲曼機深度學習的產品評論情感分析J.計算機應用，2016，36（4）：1045-1049.26劉續樂，何炎祥.基于多特征的微博情感分析研究J.計算機工程，2017，43（12）：160-164，172.27周詠梅，陽愛民，林江豪.中文微博情感詞典構建方法J.山東大學學報：工學版，2014，44（3）：36-40.28周詠梅，楊佳能，陽愛民.面向文本情感分析的中文情感詞典構建方法J.山東大學學報：工學版，2013，43（6）：27-33.29李勇敢，周學廣，孫艷，等.結合依存關聯分析和規則統計分析的情感詞

35、庫構建方法J.武漢大學學報：理學版，2013，59（5）：491-498.30李勇敢，周學廣，孫艷，等.基于依存分析和無監督主題情感模型的中文微博情感分析研究與實現J.軟件學報，2017，28（7）：1-19.31李勇敢，周學廣，孫艷，等.中文微博情感分析研究與實現J.軟件學報，2017，28（12）：3183-3205.32樊娜，安毅生.基于語義分割的文本觀點傾向分析方法研究J.計算機工程與應用，2012，48（5）：12-14，18.33汪曼.國內社會網絡分析應用現狀研究J.情報工程，2016，（5）：75-85.34陸慧雯.基于共詞分析的我國近十年行業與戰略情報研究J.情報科學，2016

36、，（5）：169-173.35王科.情感詞典自動構建方法綜述J.自動化學報，2016，46（4）：495-510.36陽林.情感詞權值研究及在情感極性分析中的應用J.計算機應用，2015，35（S2）：125-127.37陽愛民，林江豪，周詠梅.中文文本情感詞典構建方法J.計算機科學與探索，2013，7（11）：1033-1039.38楊經，林世平.基于SVM的文本詞句情感分析J.計算機應用與軟件，2011，28（9）：225-228.39唐曉波，嚴承希.基于旋進原則和支持向量機的文本情感分析研究J.情報理論與實踐，2013，36（1）：98-103，93.40李婷婷，姬東鴻.基于SVM和CR

37、F多特征組合的微博情感分析J.計算機應用研究，2015，32（4）：978-981.41黃發良，馮時，王大玲，等.基于多特征融合的微博主題情感挖掘J.計算機學報，2017，40（4）：872-888.42Mikolov T，Karafit M，Burget L.Recurrent Neural Network Based Language ModelC/Proceedings of the 11th Annual Conference of the International Speech Comunication Association，2010：1045-1048.43F Morin，Y Bengio.Hierarchical Probabilistic Neural Network Language ModelC/The 8st Int