基于深度学习的弹幕评论情感分析研究

摘要

“弹幕”评论是一种近年来较为流行的视频评论方式，能更准确、具体地反映出用户在观看视频时的即时情感和褒贬评价，因此本文提出一种基于深度学习的弹幕视频片段情感分析模型，为视频高光片段检测提供依据。本文首先对弹幕评论的相关研究进行了分析，其次分析了LSTM网络模型以及基于注意了机制的AT-LSTM模型，进而提出一种结合视频重要性评分与LSTM网络模型的SIS-LSTM情感分析模型，最终实验结果表明，本文提出的模型能有效的检测视频中包含的高光片段。本文研究内容有以下三个部分： （1）针对文本预处理问题，基于word-embedding方法，并构建弹幕评论情感词典 由于传统深度学习方法在处理弹幕评论情感分析问题时，存在高维度、梯度消失等问题，本文使用word-embedding方法，构建弹幕评论情感词典，弹幕评论情感词典有助于神经网络模型更好地理解弹幕评论语意。 （2）基于LSTM模型提取弹幕评论的深层特征，突出关键情感词的情感权重 由于弹幕评论包含时间序列信息，本文基于 LSTM 模型来提取弹幕评论的深层特征。利用LSTM神经网络处理弹幕评论，能有效的利用弹幕评论文本中远距离依赖关系，突出关键情感词的情感权重。 （3）提出了基于主题集中度和情感强度的SIS-LSTM模型 视频高光片段提取一直是视频分析领域的一个难题，本文提出了一种视频高光片段检测方法，利用弹幕评论的主题集中度和情感强度来计算视频片段的重要性评分（Shot Importance Score，SIS），提取出视频的高光片段。在此基础上，结合弹幕评论的特点，本文提出一种SIS-LSTM模型，采用LSTM模型作为编码模型，同时加入视频片段的重要性评分，计算出视频片段是否是高光视频概率。 在实验结果中，本文采用了四组对比实验模型对弹幕评论数据进行情感分析。相比其他模型，本文提出的SIS-LSTM模型的实验结果更加优越，验证了同时结合弹幕评论主题集中度和情感强度用于检测高光片段的有效性。

目录

第一个书签之前