✅博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅成品或者定制，扫描文章底部微信二维码。
（1）手游领域词典与情感词典构建方法
手游用户评论文本具有显著的领域特色，其中包含大量与游戏机制、操作体验、竞技对战相关的专业术语和网络流行语。这些领域特定词汇在通用情感词典中往往缺失或情感极性标注不准确，直接影响情感分类任务的准确性。为解决这一问题，本研究设计了一套完整的领域词典和情感词典构建流程，通过新词发现算法识别领域特有词汇，并进一步从中筛选具有情感倾向的词语。
在新词发现阶段，采用基于N-Gram的候选词提取策略。首先对原始评论文本进行预处理，包括去除标点符号、表情符号、特殊字符等非文本内容，并将繁体字统一转换为简体字。随后，利用滑动窗口方法从预处理后的文本中提取所有可能的N-Gram片段作为候选新词。考虑到射击类手游评论中新词的长度分布特点，设置N的取值范围为二到六，以覆盖双字词到复合短语的识别需求。
针对提取的海量候选词，需要通过统计特征进行筛选过滤。本研究综合运用了点间互信息、左右邻字熵和词频等多个统计指标来评估候选词的成词可能性。点间互信息用于衡量候选词内部各字符之间的结合紧密程度，数值越大表明该字符组合越倾向于作为一个完整词语出现。左右邻字熵用于衡量候选词边界的确定性，熵值越大表明该候选词前后可接续的字符种类越丰富，越可能是一个独立的词语单元。词频指标则用于过滤出现次数过少的偶发性字符组合。通过设置各项指标的阈值，能够有效筛选出具有较高可信度的领域新词，构建射击类手游评论领域词典。
在领域情感词典构建阶段，需要从领域词典中进一步识别具有情感倾向的词语。本研究采用基于词向量的情感词识别方法，首先利用大规模语料训练词向量模型，使得语义相近的词语在向量空间中距离较近。随后，选取一组情感极性明确的种子词作为参照，通过计算领域词典中各词语与种子词之间的向量相似度来判断其情感倾向。本研究实现了两种相似度计算策略：修正的相似度之和方法通过计算待判定词语与所有正面种子词和负面种子词的相似度之和的差值来确定情感极性；最大相似度方法则选取与待判定词语最相似的种子词，并将该种子词的情感极性赋予待判定词语。实验比较表明，两种方法构建的领域情感词典在后续情感分类任务中表现相当，均能有效提升分类准确率。
（2）基于深度学习的情感分类模型设计与实验分析
为探究深度学习模型在手游评论情感分析任务中的表现，本研究系统考察了文本向量化方法和神经网络结构两个关键因素对分类效果的影响。在文本向量化方面，选取了Word2Vec和BERT两种代表性方法进行对比研究。Word2Vec是一种基于浅层神经网络的词向量训练方法，通过上下文预测任务学习词语的分布式表示，其优点在于训练效率高、模型体量小，但无法处理一词多义现象。BERT是一种基于Transformer架构的预训练语言模型，通过大规模语料的双向语言模型训练获得丰富的上下文语义表示，能够根据具体语境动态生成词语向量，在多项自然语言处理任务中取得了突破性进展。
在神经网络结构方面，选取了TextCNN和BiLSTM两种经典模型进行实验对比。TextCNN采用一维卷积神经网络结构，通过不同尺寸的卷积核提取文本中的局部N-Gram特征，具有并行计算效率高、训练速度快的优点。该模型特别适合捕捉评论文本中具有情感指示作用的关键短语和固定搭配。BiLSTM采用双向长短期记忆网络结构，能够同时建模文本的正向和反向依赖关系，在处理长距离语义关联方面具有优势。该模型能够有效捕捉评论文本中前后呼应的情感表达模式，如转折关系、递进关系等复杂语义结构。
本研究设计了两因素有重复析因实验方案，系统考察文本向量化方法和神经网络结构两个因素及其交互作用对情感分类效果的影响。实验采用准确率、精确率、召回率和F1值四项指标评估分类性能。方差分析结果表明，文本向量化方法对所有四项评价指标均有显著影响，采用BERT向量化方法的模型普遍优于采用Word2Vec的模型，这说明上下文敏感的动态词向量表示对于理解评论文本的情感倾向具有重要价值。神经网络结构因素对准确率、精确率和F1值有显著影响，但对召回率的影响未达到显著水平。两因素的交互效应同样显著，说明文本向量化方法和神经网络结构需要进行合理搭配才能发挥最优效果。
（3）融合领域词典的深度学习模型效果验证
在确定BERT-TextCNN组合为最优基础模型后，本研究进一步探究了将射击类手游领域词典和情感词典融入深度学习模型是否能够进一步提升分类效果。融合策略的设计思路是将词典信息作为额外的输入特征或注意力引导信号，增强模型对领域特定情感表达的识别能力。
具体实现方式包括以下几种：第一种是特征拼接方法，在BERT输出的文本向量基础上，拼接从评论文本中统计的领域词典词汇出现情况和情感词典的情感得分统计特征，形成增强的特征向量输入分类层。第二种是注意力引导方法，根据评论文本中领域情感词的出现位置，对TextCNN卷积层输出的特征图进行加权调整，使模型更加关注包含情感词的文本片段。第三种是嵌入层初始化方法，将词典中的词语在Word2Vec向量空间中的表示进行情感极性校正，然后用于初始化模型的词嵌入层参数。
import torch import torch.nn as nn import torch.nn.functional as F import numpy as np from collections import defaultdict from transformers import BertModel, BertTokenizer import jieba import math class NGramNewWordDiscovery: def __init__(self, min_freq=5, min_pmi=3.0, min_entropy=1.0): self.min_freq = min_freq self.min_pmi = min_pmi self.min_entropy = min_entropy self.如有问题，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇
