揭示公众舆论：基于LSTM与传统模型的情感分析研究

arXiv:2607.07772v1 公告类型：新 摘要：在这个社交媒体时代，像Twitter这样的网站已成为人们实时分享对各种问题和当前事件看法与感受的聚集地。情感分析作为自然语言处理的关键应用，由于用户生成内容的大量涌入而变得不可或缺，它能够从文本数据中表达的观点和情感中提取有意义的洞察。Twitter上的情感分析运用复杂的计算技术将推文分类为正面、负面或中性情感。该方法不仅分析个人表达，还分析与特定主题或事件相关的大量数据库。通过识别这些情感，机器学习模型有助于改进公众舆论解读和趋势预测。本文考察了各种机器学习和深度学习方法的效果。针对此用途设计的系统评估了逻辑回归、随机森林、朴素贝叶斯、梯度提升和LSTM网络等算法在情感分类中的应用。本研究使用经过分词、词形还原和停用词消除预处理的Kaggle Twitter数据集，确定了最优情感分析模型。强调LSTM方法的优越性能，该模型达到了90.98%的训练准确率、80.00%的测试准确率以及0.92的微平均ROC-AUC得分。这些结果表明，该模型在捕捉上下文和序列文本特征方面优于传统机器学习技术。

# 揭示公众舆论：基于LSTM与传统模型的情感分析研究
来源：https://arxiv.org/abs/2607.07772
文献工具

## 文献与引用工具

文献浏览切换

代码、数据、媒体

## 本文相关的代码、数据与媒体

演示

## 演示

相关论文

## 推荐与搜索工具

关于arXivLabs

## arXivLabs：与社区合作者的实验项目

arXivLabs是一个框架，允许合作者直接在我们的网站上开发和分享arXiv的新功能。

所有与arXivLabs合作的个人和组织都认同并接受我们关于开放性、社区、卓越和用户数据隐私的价值观。arXiv致力于这些价值观，并且只与遵守这些价值观的合作伙伴合作。

有一个能为arXiv社区增加价值的项目想法？**了解更多关于arXivLabs的信息**（https://info.arxiv.org/labs/index.html）。