基于LSTM-BLS的突发气象灾害事件中公众情感倾向分析

近年来长短期记忆网络(LSTM)在文本情感倾向分析方面显示出一定优势,但LSTM提取特征时存在语义不完整、精度不高等问题.研究者往往通过引入卷积神经网络(CNN)来弥补这一缺陷,但仍然未考虑到单词之间的句法依存问题.本文将以增量学习算法为核心的宽度学习(BLS)与LSTM相融合,提出了LSTM-BLS文本情感分析模型,并以2020断崖式降温事件为例,对突发气象灾害发生时公众情感倾向进行分析.结果表明:与基线模型K?means和支持向量机(SVM)相比,LSTM?BLS模型精度分别提高17.23和13.46个百分点;与已有深度模型LSTM、CNN?LSTM相比,本文模型精度分别提高7.13和4.17个百分点.