SVM和RNN在网络评论情感分析中的比较研究

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

SVM和RNN在网络评论情感分析中的比较研究

吴国栋, 刘国良, 张凯, 涂立静

文章导航 > 上海工程技术大学学报 > 2019 > 33(4): 378-383

吴国栋, 刘国良, 张凯, 涂立静. SVM和RNN在网络评论情感分析中的比较研究[J]. 上海工程技术大学学报, 2019, 33(4): 378-383. doi: 10.3969/j.issn.1009-444X.2019.04.015

引用本文:

吴国栋, 刘国良, 张凯, 涂立静. SVM和RNN在网络评论情感分析中的比较研究[J]. 上海工程技术大学学报, 2019, 33(4): 378-383. doi: 10.3969/j.issn.1009-444X.2019.04.015

WU Guodong, LIU Guoliang, ZHANG Kai, TU Lijing. Comparative Study of SVM and RNN in Emotional Analysis of Online Comments[J]. Journal of Shanghai University of Engineering Science, 2019, 33(4): 378-383. doi: 10.3969/j.issn.1009-444X.2019.04.015

Citation:

WU Guodong, LIU Guoliang, ZHANG Kai, TU Lijing. Comparative Study of SVM and RNN in Emotional Analysis of Online Comments[J]. Journal of Shanghai University of Engineering Science, 2019, 33(4): 378-383. doi: 10.3969/j.issn.1009-444X.2019.04.015

吴国栋, 刘国良, 张凯, 涂立静. SVM和RNN在网络评论情感分析中的比较研究[J]. 上海工程技术大学学报, 2019, 33(4): 378-383. doi: 10.3969/j.issn.1009-444X.2019.04.015

引用本文:

吴国栋, 刘国良, 张凯, 涂立静. SVM和RNN在网络评论情感分析中的比较研究[J]. 上海工程技术大学学报, 2019, 33(4): 378-383. doi: 10.3969/j.issn.1009-444X.2019.04.015

WU Guodong, LIU Guoliang, ZHANG Kai, TU Lijing. Comparative Study of SVM and RNN in Emotional Analysis of Online Comments[J]. Journal of Shanghai University of Engineering Science, 2019, 33(4): 378-383. doi: 10.3969/j.issn.1009-444X.2019.04.015

Citation:

WU Guodong, LIU Guoliang, ZHANG Kai, TU Lijing. Comparative Study of SVM and RNN in Emotional Analysis of Online Comments[J]. Journal of Shanghai University of Engineering Science, 2019, 33(4): 378-383. doi: 10.3969/j.issn.1009-444X.2019.04.015

SVM和RNN在网络评论情感分析中的比较研究

doi: 10.3969/j.issn.1009-444X.2019.04.015

安徽农业大学信息与计算机学院,合肥,230036

中图分类号: TP181
计量
- 文章访问数: 128
- HTML全文浏览量: 52
- PDF下载量: 69
- 被引次数: 0
出版历程
- 刊出日期: 2019-12-30

Comparative Study of SVM and RNN in Emotional Analysis of Online Comments

摘要: 随着电子商务的迅猛发展,网络评论情感分析研究日益受到重视.分别从传统的机器学习模型和深度学习模型视角,运用支持向量机(Support Vector Machine,SVM)和循环神经网络(Recurrent Neural Network,RNN)方法对向量化表示后的网络评论文本进行情感倾向的学习分析.研究表明,在精确率、召回率及F1等评价指标方面,基于RNN模型的评论情感分析效果明显优于SVM模型.该结果可以帮助消费者更好进行网络消费决策.
- 支持向量机 /
- 循环神经网络 /
- 评论文本 /
- 情感分析 /
- 词向量

参考文献(0)

资源附件(0)

WeChat

点击查看大图

计量

文章访问数: 128
HTML全文浏览量: 52
PDF下载量: 69
被引次数: 0

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

版权所有 © 上海工程技术大学沪ICP备05052046号

电话：86-21-67791000Email：xuebao@sues.edu.cn

地址：中国上海市龙腾路333号邮政编码：201620

本系统由北京仁和汇智信息技术有限公司开发