情感分析模型研究的國內(nèi)外文獻(xiàn)綜述人類因為每時每刻都處于不同的生活環(huán)境并且需要接觸很多不同的人所以也就擁有了不同的情感狀態(tài)（如高興、悲傷、失望、激動、恐慌等）。因為人類的情感往往不是單一的某種狀態(tài)，所以就很難以一種衡量標(biāo)準(zhǔn)來準(zhǔn)確的描述出一個人的情感。所以本篇針對網(wǎng)易云音樂歌曲下方的評論通過貝葉斯算法來統(tǒng)計并計算出不同用戶對歌曲的情感值，分析歌曲的情感傾向。對事件的情感分析其實早在上世紀(jì)初就開始了，在過去的很長一段時間內(nèi)人們使用的是人工收集數(shù)據(jù)來統(tǒng)計廣大群眾的情感意愿或者通過調(diào)查問卷的形式來獲取民眾對某一事物的好感程度，這種情感分析的手段是古老而又真實存在的，比如：歷屆美國總統(tǒng)大選都是通過統(tǒng)計各民主黨派手中的選票來推舉新一任總統(tǒng)。其實這種統(tǒng)計方法就屬于貝葉斯算法的一種，國外的文本情感分析起步較早目前對情感分析的研究已經(jīng)進(jìn)入了新的時代并且與人工智能結(jié)合到了一起。2016年，ChoiSeonHwa發(fā)表了基于社會媒體分析的災(zāi)害與安全情感模型研究。他對國外的Twitter等社會媒體平臺作為研究對象，他將以建立情感類型建模的方法來分析用戶所表達(dá)出的情感，在情感類型建模中他將情緒分為肯定、否定和觀望，以這三種模型對用戶評論進(jìn)行分析，比如他將否定情緒分為焦慮、嚴(yán)肅、悲傷、抱怨等。通過這些手段來統(tǒng)計民眾對某一時間的反應(yīng)，從而可以達(dá)到災(zāi)難的預(yù)測和提供給政府應(yīng)對策略的目的[1]。2017年，LeeYewon;WooSungju以韓劇《Goblin》為研究對象做了關(guān)于韓國、日本和美國這三個國家的民眾對韓劇的消費傾向。在他的研究中，使用的是Russell羅素（1980年）提出的情感原型模型用來提取和區(qū)分情感詞，以闡明三國民眾對韓劇的不同認(rèn)知[2]。2018年，情報與信息系統(tǒng)雜志上發(fā)表了一篇《基于顧客情感分析的音樂推薦系統(tǒng)的開發(fā)》的文章。在作者的系統(tǒng)中，主要實現(xiàn)了用戶情感分析功能和針對用戶情感的歌曲推薦。在研究過程中作者收集了134個單獨的形容詞通過對形容詞情感的定義最終選出60個形容詞作為歌曲情感值分析的權(quán)重詞匯。音樂調(diào)查以詞尾形容詞為基礎(chǔ)，以每一項作為評價歌曲情感的指標(biāo)這樣就科技計算出每一首歌曲的情感值從而可以合理的推薦給用戶[3]。2020年，ElfaikHanane和NfaouiElHabib為了解決阿拉伯語的復(fù)雜性、歧義性和地方語言的多樣性資源的稀缺性、語言形態(tài)的豐富性、語境信息的缺乏以及隱含文本中沒有明確的情感詞做了阿拉伯語文本情感分析。在多個基準(zhǔn)情緒分析數(shù)據(jù)集上的實驗結(jié)果表明，該模型比現(xiàn)有的情感分析方法有了飛躍性的進(jìn)步[4]。2021年，專家系統(tǒng)及其應(yīng)用期刊上發(fā)表了關(guān)于《一種融合深度學(xué)習(xí)和投資者情緒分析的股價預(yù)測混合模型》。該研究做了關(guān)于股民情緒對股票價格的影響，是情感分析的研究與深度學(xué)習(xí)緊密結(jié)合的典型例子[5]。以上研究顯示表明情感分析距離生活越來越近，從早期政府部門對廣大網(wǎng)民的情感預(yù)測到如今情感分析的智能化以及對經(jīng)濟(jì)的影響可以看出情感分析成為了現(xiàn)代社會不可缺少的一種技術(shù)手段，在國內(nèi)對情感分析的研究主要集中在了對微博等社交媒體和商品評論等方面。莊婷婷在基于機(jī)器學(xué)習(xí)的微博情感分析中，實驗結(jié)果表明該模型對自殺群體的預(yù)測準(zhǔn)確率達(dá)到0.848，可有效地對高自殺風(fēng)險群體進(jìn)行早期識別，用于自殺傾向檢測和干預(yù)，同時發(fā)現(xiàn)微博發(fā)布時間和自殺風(fēng)險概率之間存在正態(tài)分布關(guān)系[7]。凌海彬和繆裕青等人研究了微博圖文的多特征融合，圖片和文案有很好的融合效果成功的捕捉了用戶的情感語義[8]。吳杰勝通過文本詞典對微博做了準(zhǔn)確的情感分析和預(yù)測[9]。李亞倫做了基于注意機(jī)制的中文微博負(fù)面情感分析方法研究并且實驗具有較高的準(zhǔn)確性[10]。張家波做了關(guān)于微博評論中表情包的情感分析，驗證了Emoji表情在情感分析中的重要作用[11]。目前，對商品評論的情感分析方面的研究也非常多。趙佳悌從用BERT語境化詞向量[6],注意力機(jī)制兩方面做了對商品評論的情感研究[12]。曾小芹和余宏使用了SnowNLP庫庫做了對商品評論的情感分析[13]，他在文章中指出，結(jié)果可以使用準(zhǔn)確率、召回率來衡量。召回率用來度量完整性或靈敏度。較高的召回意味著更少的假負(fù)，而較低的召回意味著更多的假負(fù)。提高召回率往往就會降低精確度，兩者往往難以同時達(dá)到最理想的狀態(tài)。李明胡、吉霞等人通過細(xì)粒度[15],語料數(shù)據(jù)的預(yù)處理流程包括以下幾部分:評論的采集與去重，人工標(biāo)注，中文分詞，去停用詞等[14]。Jieba分詞也是情感分析常用的技術(shù)之一[16]，夏玉芹和單雪微等人驗證了Jieba分詞技術(shù)的實用性和可靠性[17]。參考文獻(xiàn)ChoiSeonHwa.ResearchofEmotionModelonDisasterandSafetybasedonAnalyzingSocialMedia[J].JournaloftheKoreanSocietyofSafety,:,2016.Volume31(Issue6):133-120.LeeYewon,WooSungju.AComparativeStudyofEmotionalResponsetoKoreanDramaamongCountries:WithDrama'Goblin'[J].ScienceofEmotionandSensibility,2017,20(4).???,???,???.DevelopmentofMusicRecommendationSystembasedonCustomerSentimentAnalysis[J].JournalofIntelligenceandInformationSystems,2018,24(4).ElfaikHanane,NfaouiElHabib.DeepBidirectionalLSTMNetworkLearning-BasedSentimentAnalysisforArabicText[J].JournalofIntelligentSystems,2020,30(1).JingNan,WuZhao,WangHefei.Ahybridmodelintegratingdeeplearningwithinvestorsentimentanalysisforstockpriceprediction[J].ExpertSystemsWithApplications,2021,178.LeowEdmundKwongWei,NguyenBinhP.,ChuaMatthewChinHeng.Robo-advisorusinggeneticalgorithmandBERTsentimentsfromtweetshybridportfoliooptimisation[J].ExpertSystemsWithApplications,2021,179.莊婷婷.基于機(jī)器學(xué)習(xí)的微博情感分析[D].北京林業(yè)大學(xué),2020.凌海彬,繆裕青,張萬楨,周明,武繼剛.多特征融合的圖文微博情感分析[J].計算機(jī)應(yīng)用研究,2020,37(07):1935-1939.吳杰勝.基于多部情感詞典和深度學(xué)習(xí)的中文微博情感分析研究[D].安徽理工大學(xué),2020.李亞倫.基于注意機(jī)制的中文微博負(fù)面情感分析方法研究[D].中北大學(xué),2020.張家波.融合emoji表情的中文微博文本情感分析[D].西華大學(xué),2020.趙佳悌.網(wǎng)絡(luò)商品評論的情感分析研究[D].北京郵電大學(xué),2020.曾小芹,余宏.基于Python的商品評論文本情感分析[J].電腦知識與技術(shù),2020,16(08):181-183.李明,胡吉霞,侯琳娜,嚴(yán)峻.商品評論情感傾向性分析[J].計算機(jī)應(yīng)