情感倾向性分析训练—在舆情系统中的应用

晴空猎鹰舆情监测系统利用基于自研优化后的bert预训练模型，在新闻及社会舆论评价情感分析任务上取得出彩的结果，情感识别指标达到f1>0.85，相对于传统bert，情感识别提升5个点以上。这里以8月11日社会舆论类新闻的网友评论做为示例，具体流程如下。

1. 情感分析-词库搭建
通过对大量中文文本及人物会话分析，发现文本情感的判定基本上通过对通篇的情感词、程度副词及否定词的统计分布来判别，因此，我们搭建了基于情感分析的情感词库以及其它辅助词表。如下图所示。

图1 词典集结构关系图

其中，正/负面情感词通过预先标注的新闻数据中通过统计获得，再人工过滤；程度副词权重(0.5_{2)则通过多人打分，取平均的方式来预定义(0.5}2), 否定词权重统一定为-1.0；

2. 文本情感分析实现
情感倾向性将文本分为正面、负面、中性三种情感属性，通常由正、负面，以及强弱程度来衡量。本文通过中文分词处理，基于情感词典构建情感表，为每一个分词打分，从而判断判别情感倾向，文本情感分析的流程如下图所示。

图2 文本情感分析的流程图

3. 建立情感倾向性分析模型
通过建立以上基础情感词库作为分析基础，我们对8月11日社会舆论类新闻的网友评论做情感倾向分析，我们将用户评论简单的分为三类，正面情绪，负面情绪，以及中性；针对不同的新闻内容，由于新闻本身有也有积极/消极的区别，因此我们分别取500条，将其评论作为我们的数据。
具体评论情感统计结果如下表所示：

图3情感统计环形图

图4 积极情绪分布环形图

图五 消极情绪分布玫瑰图