基于自然语言文本深度学习模型的情绪相关性挖掘

情绪分析一直吸引着研究人员的关注。人工智能领域以往的工作大多聚焦于情绪识别，而非挖掘情绪未被识别或被错误识别的原因。情绪之间的相关性导致了情绪识别的失败。本文试图通过来自网络新闻的自然语言文本，填补情绪识别与情绪相关性挖掘之间的空白。情绪间的相关性表现为情绪的混淆与演化，主要由人类情绪认知偏差引起。为从文本的情绪识别中挖掘情绪相关性，本文提出了三类特征与两种深度神经网络模型。通过正交基提取情绪混淆规律；从单步转移、有限步转移与最短路径转移三个角度评估情绪演化规律。该方法使用三个数据集进行验证——新闻文章的标题、正文与评论，涵盖了不同长度（长文本与短文本）的客观与主观文本。实验结果表明，在主观评论中，情绪易被误判为愤怒；评论倾向于引发爱-愤怒与悲伤-愤怒的情绪循环。在客观新闻中，文本情绪易被识别为爱并引发恐惧-喜悦循环。这意味着记者可能试图使用恐惧与喜悦词汇吸引注意，却反而引发了爱的情绪；新闻发布后，网民产生情绪化评论以表达其强烈情绪，即愤怒、悲伤与爱。这些发现可为情感交互相关应用（如网络舆情、社交媒体传播与人机交互）提供启示。