基于机器学习方法的社交网络文本情感分析用于监测公众情绪

本研究开发了一套由机器学习驱动的情感分析系统，以改善实时社交网络舆情监测。为了进行精细的情感识别，所提出的方法将先进的基于 Transformer 的架构（DistilBERT、RoBERTa）与传统机器学习模型（Logistic Regression、SVM、Naive Bayes）相结合。在标注的社交媒体数据集上，通过结合深度学习技术与标准机器学习流程进行测试后，该系统在真实场景中使用 Transformer 模型的准确率高达 80-85%。实验结果表明，深度学习模型的性能明显优于基于词典和传统基于规则的分类器，降低了误分类率，并增强了对讽刺等细微差别的识别能力。根据特征重要性分析，上下文 token、承载情感的关键词以及词性结构对精确分类至关重要。研究结果证实，AI 驱动的情感框架能够为现代情感挑战提供更具适应性和更高效的方法。尽管该系统性能出色，但计算开销、数据质量和特定领域术语等问题依然存在。为了在大规模上监测舆情，未来的研究将探索提升计算性能、将覆盖范围扩展至多种语言以及集成实时流 API。结果表明，对于寻求更深入理解数字平台上公众情绪的政府、企业和社会研究人员而言，AI 驱动的情感分析可以提供一个可靠且适应性强的解决方案。