文獻(xiàn)標(biāo)識(shí)碼： A
DOI：10.16157/j.issn.0258-7998.182177
中文引用格式： 王潔，喬藝璇,，彭巖,，等. 基于深度學(xué)習(xí)的美國(guó)媒體“一帶一路”輿情的情感分析[J].電子技術(shù)應(yīng)用，2018,，44(11)：102-106,，110.
英文引用格式： Wang Jie，Qiao Yixuan,，Peng Yan,，et al. Sentiment analysis about “One Belt, One Road” public opinion of American media based on deep learning[J]. Application of Electronic Technique，2018,，44(11)：102-106,，110.
0 引言
“一帶一路”倡議自2013年提出以來(lái),，受到國(guó)內(nèi)外媒體的廣泛關(guān)注。隨著相關(guān)建設(shè)的逐步推進(jìn),，世界各國(guó)媒體對(duì)“一帶一路”的相關(guān)報(bào)道呈快速增長(zhǎng)趨勢(shì),，新聞報(bào)道中蘊(yùn)含該國(guó)對(duì)“一帶一路”倡議的關(guān)注熱點(diǎn)與情感傾向，是衡量該國(guó)對(duì)中國(guó)快速發(fā)展所持態(tài)度的重要素材?，F(xiàn)有“一帶一路”國(guó)際輿情相關(guān)研究中普遍存在使用的樣本量偏少,、分析方法較單一等問(wèn)題。利用網(wǎng)絡(luò)大數(shù)據(jù),，結(jié)合文獻(xiàn)計(jì)量方法和深度學(xué)習(xí)技術(shù),，從客觀角度分析海外輿情情感是本文的研究重點(diǎn)。
傳統(tǒng)的基于詞典和機(jī)器學(xué)習(xí)的情感分析存在分類(lèi)時(shí)靈活度不高和需要大量標(biāo)注的訓(xùn)練數(shù)據(jù)等問(wèn)題,，本文基于深度學(xué)習(xí)技術(shù),，構(gòu)建了基于自動(dòng)摘要-CNN的集成式文檔級(jí)情感分析模型。具體方法為：首先提取新聞?wù)?，去除原始文檔中非重要數(shù)據(jù)的干擾,；再利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行句子級(jí)情感分析，通過(guò)基于語(yǔ)義指向的方法獲得文檔級(jí)的情感分?jǐn)?shù),，利用Gensim等工具庫(kù)計(jì)算媒體關(guān)注重點(diǎn),，并對(duì)情感波動(dòng)異常文章給予二次研究。本文提出的基于自動(dòng)摘要-CNN與未摘要新聞的單一CNN進(jìn)行了對(duì)比實(shí)驗(yàn),，實(shí)驗(yàn)結(jié)果驗(yàn)證了集成模型的有效性,。本文的研究有助于了解美國(guó)新聞媒體關(guān)于“一帶一路”倡議的輿情熱點(diǎn)和情感態(tài)度，分析和總結(jié)我國(guó)在“一帶一路”傳播過(guò)程中的經(jīng)驗(yàn)及問(wèn)題,，增強(qiáng)未來(lái)我國(guó)“一帶一路”對(duì)外傳播的針對(duì)性,、有效性和感召力。
1 相關(guān)工作
1.1 “一帶一路”國(guó)際輿情研究現(xiàn)狀
“一帶一路”倡議是我國(guó)加強(qiáng)與亞歐非及世界各國(guó)互聯(lián)互通,，推動(dòng)沿線各國(guó)貿(mào)易往來(lái)的重大舉措，隨著相關(guān)項(xiàng)目的簽約與實(shí)施,，國(guó)內(nèi)外新聞媒體的報(bào)道量快速上升,。根據(jù)《“一帶一路”大數(shù)據(jù)報(bào)告（2017）》[1]分析結(jié)果,，美國(guó)對(duì)“一帶一路”倡議的關(guān)注度超過(guò)亞洲各國(guó)。本文選取的美國(guó)主流新聞媒體網(wǎng)站在報(bào)道的寬度,、深度,、時(shí)效性等方面發(fā)展迅速，報(bào)道內(nèi)容覆蓋政界,、學(xué)界,、商界及普通民眾的觀點(diǎn)與深層分析的結(jié)論。
近年國(guó)內(nèi)外學(xué)者,、智庫(kù),、研究機(jī)構(gòu)等從不同角度對(duì)“一帶一路”倡議的國(guó)際輿情展開(kāi)了大量研究。張巖[2]基于支持與肯定,、理性評(píng)價(jià)與分析,、觀望與保留態(tài)度、質(zhì)疑與否定4個(gè)視角,，對(duì)比分析3家主流阿拉伯網(wǎng)站的情感傾向與報(bào)道主題,。趙雅瑩[3]定量分析英國(guó)3家主流媒體關(guān)于“一帶一路”的報(bào)道中所使用的情感、判定和鑒別三類(lèi)態(tài)度詞,。清華大學(xué)愛(ài)潑斯坦對(duì)外傳播研究中心[4]通過(guò)對(duì)報(bào)紙,、電視新聞網(wǎng)、雜志等國(guó)外部分主流媒體涉及“一帶一路”倡議的報(bào)道進(jìn)行分析,，研究國(guó)際新聞媒體報(bào)道的輿情演變,。米拉[5]分析中印尼“一帶一路”合作的機(jī)遇與挑戰(zhàn)。薛慶國(guó)[6]研究 “一帶一路”倡議在阿拉伯世界的傳播,。ERGENC C[7]提出“一帶一路”倡議標(biāo)志著中國(guó)對(duì)中亞和西亞地區(qū)政策的積極轉(zhuǎn)變,。
1.2 情感分析研究現(xiàn)狀
目前，情感分析主要利用兩種方法：基于詞典的情感分析與基于機(jī)器學(xué)習(xí)的情感分析,。根據(jù)文本粒度可以分為：短語(yǔ)級(jí),、句子級(jí)與文檔級(jí)[8]?；谠~典的方法依賴于詞典與規(guī)則的構(gòu)建,，由于詞典的容量和詞典適用程度的問(wèn)題，以及規(guī)則構(gòu)建需要大量人力勞動(dòng),，基于詞典的方法逐漸機(jī)器學(xué)習(xí)所取代[9],。
2002年P(guān)ANG B等人首次利用機(jī)器學(xué)習(xí)解決二元情感分類(lèi)問(wèn)題[10]。從此相關(guān)研究工作分為兩個(gè)主要方向,，即設(shè)計(jì)更多有效的分類(lèi)特征和采用更多高效的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),。KIM Y[11]針對(duì)句子級(jí)別的分類(lèi)任務(wù)，利用卷積神經(jīng)網(wǎng)絡(luò)做了一系列的實(shí)驗(yàn)，闡述了不同的架構(gòu)的神經(jīng)網(wǎng)絡(luò)對(duì)實(shí)驗(yàn)結(jié)果的影響,，展示了卷積神經(jīng)網(wǎng)絡(luò)在情感分析領(lǐng)域的重要作用,。JOHNSON R等[12]通過(guò)分析卷積神經(jīng)網(wǎng)絡(luò)在圖像處理上的處理方式，將句子,、單詞與圖像,、像素對(duì)應(yīng)，使得卷積神經(jīng)網(wǎng)絡(luò)在情感分類(lèi)問(wèn)題上展現(xiàn)出較好的效果,。近幾年,，國(guó)內(nèi)關(guān)于卷積情感分析的研究多基于微博、評(píng)論等短文本[13-14],。
2 情感分析
本文研究主要分為4個(gè)步驟：(1)網(wǎng)絡(luò)爬蟲(chóng)抓取新聞,；(2)利用基于自動(dòng)摘要-CNN的集成式文檔級(jí)情感分析模型進(jìn)行情感分析，并對(duì)比單一CNN模型分析結(jié)果,；(3)利用Gensim等工具庫(kù)統(tǒng)計(jì)新聞高頻詞,，了解媒體關(guān)注熱點(diǎn)；(4)對(duì)情感波動(dòng)異常文章給予二次研究,。整體技術(shù)思路如圖1所示,。
2.1 提取新聞?wù)?/strong>
由于研究對(duì)象為多源的美國(guó)主流新聞媒體，且不同媒體數(shù)據(jù)的長(zhǎng)度與格式均不相同,。因此本文在進(jìn)行信息抽取時(shí),，采用自動(dòng)化文本摘要的方法以保留新聞關(guān)鍵內(nèi)容及總體含義。
以摘要的準(zhǔn)確性和可讀性為標(biāo)準(zhǔn),，選擇基于Gensim主題建模程序的方法,。利用構(gòu)建無(wú)向加權(quán)圖的方法，以文章中的語(yǔ)句為節(jié)點(diǎn),，規(guī)格化后的句子相似度為節(jié)點(diǎn)的鏈接,，避免句子長(zhǎng)度對(duì)摘要結(jié)果的影響。摘要過(guò)程中,，關(guān)鍵詞不局限于單個(gè)詞,，達(dá)到提升摘要可讀性的目的。
2.2 句子級(jí)情感分析
卷積神經(jīng)網(wǎng)絡(luò)主要由輸入層,、卷積層,、池化層、全連接層,、輸出層組成,。如圖2所示，模型為采用一種卷積窗口,，一種池化窗口,，且輸入僅為一個(gè)特征面的卷積神經(jīng)網(wǎng)絡(luò),。其特殊的網(wǎng)絡(luò)結(jié)構(gòu)，使其可以捕捉細(xì)小的特征信息,，最初在圖像識(shí)別領(lǐng)域應(yīng)用廣泛,。近幾年隨著機(jī)器學(xué)習(xí)領(lǐng)域的不斷發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)逐漸被應(yīng)用到語(yǔ)音識(shí)別,、文本分類(lèi)、語(yǔ)義分析等方面,。
本文參照KIM Y[11]的建議設(shè)置模型參數(shù),，對(duì)圖2的模型改進(jìn)，進(jìn)行句子級(jí)的情感分析,，具體實(shí)現(xiàn)方法如下,。
輸入層(embedding)：embedding層將文本轉(zhuǎn)換為向量并擴(kuò)充維度，以滿足卷積神經(jīng)網(wǎng)絡(luò)對(duì)參數(shù)的要求,。
卷積層與池化層（conv-maxpool）：用于獲取局部特征與得到最重要特征,。卷積層通過(guò)局部連接的方式與上層特征面相連，利用權(quán)值共享的特性,，減小模型的復(fù)雜度,。訓(xùn)練過(guò)程中采用3種大小的窗口篩選不同的特征，完善對(duì)詞向量的特征提取,。池化層采用最大池化的方式提取最重要的特征,。訓(xùn)練過(guò)程中，使用修正線性單元（Rectified Liner Unit,，ReLU）作為激活函數(shù),，使線性的神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)變?yōu)榉蔷€性的神經(jīng)網(wǎng)絡(luò)，即使輸出結(jié)果由式(1)中的f(x)轉(zhuǎn)變?yōu)槭剑?）中的gj(x),，同時(shí)加快收斂速度,。
其中，Isize表示每一個(gè)輸入特征面的大??；K′∈[3，4,，5] 為卷積核即窗口的大?。籹tep表示卷積核在其上一層的滑動(dòng)步長(zhǎng),，Wsize為池化窗口的大小,。模型通過(guò)調(diào)整卷積層訓(xùn)練的參數(shù)數(shù)目使Oi（輸出特征面大小）為整數(shù),。
全連接層：由卷積層和池化層訓(xùn)練的特征作為全連接層的輸入,、輸出分類(lèi)結(jié)果,，即依據(jù)句子在不同類(lèi)別上的概率分布，為每句話輸出情感等級(jí)標(biāo)簽,。p(yk)為文本在第k種情感傾向上的輸出,，代表了文本歸為第k種情感傾向的概率，p(yk)通過(guò)softmax歸一化后表示為：
2.3 文檔級(jí)情感分析
本文采用基于語(yǔ)義指向的方法分析文章情感,。即在句子級(jí)情感分析的結(jié)果基礎(chǔ)上,，依據(jù)各子句的情感極性與該句在文檔中的權(quán)重，計(jì)算文檔的情感等級(jí)[13],。第j篇文章(j=1,，2，3,，…,，400)的情感分?jǐn)?shù)為：
其中，scorej為文檔j的情感分?jǐn)?shù),；Pi代表第i個(gè)句子的極性,，即句子級(jí)情感分析的結(jié)果；Weights代表句子在文中的權(quán)重,，即占文章篇幅的比例,。
3 實(shí)驗(yàn)與分析
3.1 實(shí)驗(yàn)數(shù)據(jù)
3.1.1 新聞篩選
新聞媒體選取標(biāo)準(zhǔn)主要有兩條，首先為Alexa網(wǎng)站對(duì)美國(guó)新聞?lì)惥W(wǎng)站排名的綜合結(jié)果,，其次為搜索結(jié)果與“一帶一路”倡議的相關(guān)程度,。通過(guò)Python語(yǔ)言編寫(xiě)爬蟲(chóng)自動(dòng)采集相關(guān)新聞，因?yàn)椤耙粠б宦贰背h多與經(jīng)濟(jì)建設(shè)有關(guān),，因此數(shù)據(jù)采集中對(duì)財(cái)經(jīng)類(lèi)報(bào)紙略有側(cè)重,。
檢索結(jié)果經(jīng)過(guò)兩步篩選：限制時(shí)間范圍為2015年1月～2018年7月；辨別文章標(biāo)題相關(guān)度,，刪除不相關(guān)的文章,。篩選后的數(shù)據(jù)描述如表1所示。
3.1.2 模型數(shù)據(jù)
訓(xùn)練集數(shù)據(jù)由810篇隨機(jī)抽取的“一帶一路”倡議相關(guān)新聞與190篇以“China”作為關(guān)鍵字檢索所得新聞的自動(dòng)摘要構(gòu)成,。其中,，“一帶一路”倡議相關(guān)新聞按照篩選結(jié)果中的時(shí)間及篇數(shù)比例隨機(jī)抽取。190篇與中國(guó)相關(guān)的新聞均來(lái)自表1所示的10家媒體,，并按照相同比例隨機(jī)抽取2015年1月～2018年7月的新聞,，以確保媒體報(bào)道的行文風(fēng)格不對(duì)訓(xùn)練結(jié)果產(chǎn)生影響。人工對(duì)每句話進(jìn)行標(biāo)注,，共標(biāo)注12 307句,。測(cè)試集由202篇文章構(gòu)成，由所收集到的1 012篇新聞中排除被選擇作為訓(xùn)練集的810篇新聞構(gòu)成,，采取與訓(xùn)練集相同的標(biāo)注方法,。
3.2 評(píng)價(jià)方法
本文情感分析結(jié)果評(píng)價(jià)標(biāo)準(zhǔn)采用精確率(Precision),、召回率(Recall)以及F1值(F1-Score)。
3.3 實(shí)驗(yàn)結(jié)果分析
3.3.1 模型訓(xùn)練
本文設(shè)計(jì)了4組實(shí)驗(yàn)來(lái)訓(xùn)練模型,，以確定卷積神經(jīng)網(wǎng)絡(luò)卷積層窗口的尺寸,。如圖3所示，train表示訓(xùn)練集的結(jié)果,，test表示測(cè)試集的結(jié)果,。圖3(a)表示卷積層窗口尺寸為2、3,、4時(shí),，預(yù)測(cè)最終準(zhǔn)確率為89.1%；圖3(b)表示卷積層窗口尺寸為3,、4、5時(shí),，最終準(zhǔn)確率為92.6%,；圖3(c)表示卷積層窗口尺寸為4、5,、6時(shí),，最終準(zhǔn)確率為91.2%；圖3(d)表示卷積層窗口尺寸為5,、6,、7時(shí)，最終準(zhǔn)確率為87.3%,。因此,，本文卷積神經(jīng)網(wǎng)絡(luò)采用窗口尺寸為3、4,、5的卷積層,。
3.3.2 模型訓(xùn)練
本文對(duì)基于自動(dòng)摘要-CNN的集成式文檔級(jí)情感分析模型和單一CNN模型進(jìn)行了對(duì)比實(shí)驗(yàn)，測(cè)試結(jié)果如表2所示,。自動(dòng)摘要-CNN模型相較于CNN模型在Precision,、Recall、F1-Score上分別有了5.69%,、4.29%,、4.97%的提升。
3.3.3 情感分析結(jié)果展示
基于卷積神經(jīng)網(wǎng)絡(luò)的分析結(jié)果如圖4所示,。從圖中可以看出,，87.25%的新聞情感為中性及中性以上。最高值為3.1分,，最低值為1.45分,，極值分?jǐn)?shù)的文章僅有6篇,，說(shuō)明美國(guó)新聞媒體對(duì)“一帶一路”倡議的相關(guān)報(bào)道較為客觀，不會(huì)對(duì)美國(guó)民眾產(chǎn)生極強(qiáng)的情緒影響,。
利用Gensim工具庫(kù),，本文對(duì)1 012篇新聞的高頻詞進(jìn)行了分析，經(jīng)去停用詞處理后,，出現(xiàn)次數(shù)排序?yàn)榍?6名的詞語(yǔ)如表3所示,。
由表3可知，高頻詞集中在“一帶一路”倡議的對(duì)象,、相關(guān)內(nèi)容及相關(guān)言論的來(lái)源,。
3.3.4 負(fù)向情感文章分析
文檔級(jí)情感分?jǐn)?shù)低于2分的文章歸為負(fù)向情感，1 012篇相關(guān)新聞中有64篇負(fù)向情感文章,。時(shí)間分布為2015年2篇,、2016年4篇、2017年28篇,、2018年30篇,。情感評(píng)分較低的原因可以主要?dú)w納為5個(gè)方面：
(1)美國(guó)擔(dān)心中國(guó)會(huì)影響其在亞非歐各國(guó)的利益。分析結(jié)果中顯示的4個(gè)異常低分的偏離值,，大肆宣揚(yáng)“中國(guó)威脅論”,，認(rèn)為中國(guó)試圖通過(guò)經(jīng)濟(jì)、軍事力量主導(dǎo)世界政治發(fā)展,，對(duì)美國(guó)民眾的態(tài)度產(chǎn)生較大影響,。然而，我國(guó)從不做地緣博弈或拉幫結(jié)派,、恃強(qiáng)凌弱的事情,。因此，美國(guó)對(duì)此表示警惕,，也說(shuō)明了我國(guó)在各國(guó)實(shí)施建設(shè)“一帶一路”相關(guān)經(jīng)濟(jì)項(xiàng)目時(shí)做到了和平共處,，并在世界范圍內(nèi)產(chǎn)生了積極效果。
(2)美國(guó)懷疑中國(guó)沒(méi)有能力促使“一帶一路”倡議的順利實(shí)施,。截至2017年5月,，我國(guó)已與43個(gè)沿線國(guó)家發(fā)布聯(lián)合聲明/公報(bào)。簽署的多領(lǐng)域合作文件證明了我國(guó)的實(shí)力能夠推動(dòng)“一帶一路”倡議的順利實(shí)施,。
(3)資金融通問(wèn)題,。美國(guó)質(zhì)疑中國(guó)在經(jīng)濟(jì)貿(mào)易方面仍不愿意開(kāi)放，不愿意接受外國(guó)的投資,。然而,，中國(guó)的政策鼓勵(lì)外資銀行把握當(dāng)前各項(xiàng)政策紅利，對(duì)投資審查嚴(yán)格是對(duì)中外兩方資金的負(fù)責(zé),，資金融通將不再是問(wèn)題,。
(4)中國(guó)收緊對(duì)海外收購(gòu)的監(jiān)管,。相關(guān)新聞?wù)J為這些新的監(jiān)管措施大部分不適用于與“一帶一路”倡議有關(guān)的海外收購(gòu)。相關(guān)政策顯示,，雖然對(duì)海外收購(gòu)監(jiān)管更加嚴(yán)格,，但是戰(zhàn)略性的有益的活動(dòng)仍會(huì)被批準(zhǔn)。所以,，“一帶一路”倡議相關(guān)活動(dòng)的實(shí)施不會(huì)受到影響,。
(5)文章中對(duì)被投資國(guó)家的描述比例較大。多篇新聞存在大篇幅描述阿富汗等國(guó)混亂現(xiàn)狀的內(nèi)容,，使得文章摘要內(nèi)即便存在如“China has long been seen as one of the most promising prospects for such help.”的語(yǔ)句,，文章整體情感也被前文的描述語(yǔ)句拉低。
綜上所述,，美國(guó)對(duì)中國(guó)的日益強(qiáng)大存在一定的質(zhì)疑與抵觸心理,，但中國(guó)將會(huì)用客觀的數(shù)據(jù)向世界證明中國(guó)的實(shí)力。
4 結(jié)論
現(xiàn)階段,，互聯(lián)網(wǎng)“一帶一路”倡議搜索量和報(bào)道量仍呈上升趨勢(shì),。研究國(guó)外媒體對(duì)“一帶一路”倡議的報(bào)道，能夠知悉外國(guó)媒體的觀點(diǎn)與態(tài)度,，及時(shí)針對(duì)國(guó)外輿情做出適當(dāng)?shù)姆磻?yīng)，提升我國(guó)的形象,。本文構(gòu)建了基于自動(dòng)摘要-CNN的集成式文檔級(jí)情感分析模型,，對(duì)美國(guó)主流新聞媒體 “一帶一路”倡議相關(guān)新聞進(jìn)行情感分析。模型基于單一CNN模型,，增加自動(dòng)摘要過(guò)程進(jìn)行句子級(jí)情感分析,，并以此為基礎(chǔ)通過(guò)基于語(yǔ)義的方法，分析文檔級(jí)情感,。通過(guò)對(duì)比未摘要新聞與摘要新聞的情感分析結(jié)果,，發(fā)現(xiàn)經(jīng)過(guò)自動(dòng)摘要的文章避免了整文分析帶來(lái)的主題不清晰問(wèn)題，情感更加明確,，模型測(cè)試效果優(yōu)于單一的CNN模型,。
此外，根據(jù)《“一帶一路”大數(shù)據(jù)報(bào)告（2017）》[1]顯示,，除美國(guó)外,，印度、英國(guó),、俄羅斯,、澳大利亞等國(guó)對(duì)“一帶一路”倡議的關(guān)注度提升明顯。因此,，未來(lái)將完善對(duì)其他各國(guó)的研究,，對(duì)比分析各國(guó)輿論發(fā)展情況,，提出關(guān)于“一帶一路”倡議宣傳的針對(duì)性意見(jiàn)。在研究方法方面,，改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),，使文本特征的提取更有效，提高模型的準(zhǔn)確率,。
參考文獻(xiàn)
[1] 國(guó)家信息中心“一帶一路”大數(shù)據(jù)中心.“一帶一路”大數(shù)據(jù)報(bào)告（2017）[M]. 北京：商務(wù)印書(shū)館,，2017.
[2] 張巖.“一帶一路”峰會(huì)期間阿拉伯網(wǎng)站輿情調(diào)查分析——以三家主流阿拉伯網(wǎng)站為例[J].對(duì)外傳播，2017(7)：30-32.
[3] 趙雅瑩,，郭繼榮,，車(chē)向前.評(píng)價(jià)理論視角下英國(guó)對(duì)“一帶一路”態(tài)度研究[J].情報(bào)雜志，2016,，35(10)：37-41.
[4] 清華大學(xué)愛(ài)潑斯坦對(duì)外傳播研究中心.“一帶一路”議題的國(guó)際輿情分析[J]. 對(duì)外傳播,，2017(5)：24-26.
[5] 米拉，施雪琴.印尼對(duì)中國(guó)“一帶一路”倡議的認(rèn)知和反應(yīng)述評(píng)[J].南洋問(wèn)題研究,，2016(4)：79-91.
[6] 薛慶國(guó).“一帶一路”倡議在阿拉伯世界的傳播：輿情,、實(shí)踐與建議[J].西亞非洲，2015(6)：36-52.
[7] ERGENC C.Can two ends of asia meet?An overview of contemporary Turkey-China relations[J].East Asia,，2015,，32(3)：289-308.
[8] 姜杰.社交媒體文本情感分析[D].南京：南京理工大學(xué)，2017.
[9] 陳龍,，管子玉,，何金紅，等.情感分類(lèi)研究進(jìn)展[J].計(jì)算機(jī)研究與發(fā)展,，2017,，54(6)：1150-1170.
[10] PANG B，LEE L,，VAITHYANATHAN S.Thumbs up? Sen-timent classification using machine learning techniques[C].Proceedings of the Conference on Empirical Methods in Natural Language Processing,，Philadelphia，2002.
[11] KIM Y.Convolutional neural networks for sentence classification[C].Proceedings of the Conference on Empirical Methods in Natural Language Processing,，Doha,，2014.
[12] JOHNSON R，ZHANG T.Effective use of word order for text categorization with convolutional neural networks[C].Proceedings of the North American Chapter of the Association for Computational Linguistics：Human Language Technologies,，Denver,，2015.
[13] 何炎祥，孫松濤,，牛菲菲,，等.用于微博情感分析的一種情感語(yǔ)義增強(qiáng)的深度學(xué)習(xí)模型[J].計(jì)算機(jī)學(xué)報(bào)，2017，40(4)：773-790.
[14] 馮興杰,，張志偉,，史金釧.基于卷積神經(jīng)網(wǎng)絡(luò)和注意力模型的文本情感分析[J].計(jì)算機(jī)應(yīng)用研究，2018,，35(5)：1434-1436.
作者信息:
王 潔1,，2，喬藝璇1,，彭 巖1,，許嫻曉1
（1.首都師范大學(xué) 管理學(xué)院，北京100089,；2.中山大學(xué) 機(jī)器智能與先進(jìn)計(jì)算教育部重點(diǎn)實(shí)驗(yàn)室,，廣東 廣州510006）