基于深度學(xué)習(xí)的高校互聯(lián)網(wǎng)情感分析系統(tǒng)設(shè)計(jì)研究

摘要：隨著高?；ヂ?lián)網(wǎng)平臺(tái)的廣泛應(yīng)用，高校積累了大量學(xué)生文本數(shù)據(jù)，這些數(shù)據(jù)所蘊(yùn)含的學(xué)生情感信息對(duì)高校工作具有重要意義。本文設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于深度學(xué)習(xí)的高?；ヂ?lián)網(wǎng)情感分析系統(tǒng)，系統(tǒng)自動(dòng)化挖掘?qū)W生情感數(shù)據(jù)，對(duì)收集到的高?；ヂ?lián)網(wǎng)數(shù)據(jù)進(jìn)行預(yù)處理、數(shù)據(jù)特征提取，并對(duì)情感傾向性進(jìn)行分類，同時(shí)選用長(zhǎng)短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）作為核心模型對(duì)系統(tǒng)進(jìn)行模型評(píng)估與驗(yàn)證。在設(shè)計(jì)層面，該系統(tǒng)開(kāi)發(fā)了簡(jiǎn)潔易用的界面，方便教師和管理人員上傳數(shù)據(jù)并獲取情感分析結(jié)果；在實(shí)際應(yīng)用層面，該系統(tǒng)為高校教學(xué)、學(xué)生支持和管理提供了有力數(shù)據(jù)支撐，助力提升教育質(zhì)量和校園管理效能。

關(guān)鍵詞：深度學(xué)習(xí)；高?；ヂ?lián)網(wǎng)；情感分析

引言

在數(shù)字化浪潮的推動(dòng)下，高校互聯(lián)網(wǎng)平臺(tái)迅速崛起，成為學(xué)生交流、學(xué)習(xí)和表達(dá)的重要平臺(tái)[1]。這些平臺(tái)每日產(chǎn)生海量數(shù)據(jù)，如論壇討論、社交媒體互動(dòng)、在線作業(yè)反饋等，其中蘊(yùn)含著豐富的學(xué)生情感信息。這些情感信息如同一座寶藏，若能被有效挖掘和分析，將為高校在教學(xué)改進(jìn)、學(xué)生支持和校園管理等方面帶來(lái)諸多益處[2]。高?；ヂ?lián)網(wǎng)情感分析系統(tǒng)通過(guò)分析學(xué)生在課堂、作業(yè)、討論等環(huán)節(jié)的數(shù)據(jù)，可以讓教師了解學(xué)生的情緒狀態(tài)和對(duì)教學(xué)內(nèi)容的反應(yīng)，幫助教師識(shí)別不同學(xué)生的情感需求，從而提供更加個(gè)性化的教學(xué)支持。學(xué)?？梢岳们楦蟹治鼋Y(jié)果，為學(xué)生提供更加個(gè)性化的服務(wù)，如推薦符合學(xué)生興趣和情感需求的課程、活動(dòng)和資源，豐富學(xué)生的校園體驗(yàn)[3]。

1. 研究背景

國(guó)外在情感分析方面的研究較早，尤其是在社交媒體和在線評(píng)論分析等領(lǐng)域已有大量的理論和應(yīng)用研究。關(guān)于短文情感傾向分析的傳統(tǒng)方法包括基于詞典的方法、基于規(guī)則的方法和基于機(jī)器學(xué)習(xí)的方法。近年來(lái)，隨著深度學(xué)習(xí)的興起，研究者開(kāi)始關(guān)注如何通過(guò)機(jī)器學(xué)習(xí)及深度學(xué)習(xí)模型提高情感傾向分析的準(zhǔn)確性和效率[4]。

在深度學(xué)習(xí)領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）和長(zhǎng)短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）等模型被廣泛應(yīng)用于短文本情感分類任務(wù)。與此同時(shí)，BERT（bidirectional encoder representations from transformers）等預(yù)訓(xùn)練模型也被引入情感分析中，展現(xiàn)出優(yōu)異的性能[5]。

國(guó)內(nèi)針對(duì)情感分析的研究起步較晚，但隨著人工智能技術(shù)的飛速發(fā)展，特別是深度學(xué)習(xí)模型的廣泛應(yīng)用，相關(guān)研究逐漸增多[6]。近年來(lái)，國(guó)內(nèi)學(xué)者多聚焦于基于深度學(xué)習(xí)的情感分析方法在不同領(lǐng)域的應(yīng)用，包括社交媒體數(shù)據(jù)、電子商務(wù)評(píng)價(jià)等[7]。

2. 高?；ヂ?lián)網(wǎng)情感分析系統(tǒng)設(shè)計(jì)框架

2.1 數(shù)據(jù)收集及預(yù)處理

數(shù)據(jù)收集是情感分析系統(tǒng)的基礎(chǔ)，確保數(shù)據(jù)來(lái)源的多樣性、時(shí)效性和高質(zhì)量對(duì)于系統(tǒng)的成功至關(guān)重要。針對(duì)高校互聯(lián)網(wǎng)平臺(tái)的特點(diǎn)，數(shù)據(jù)收集模塊需要從多個(gè)渠道獲取數(shù)據(jù)。首先，高校內(nèi)部平臺(tái)如教學(xué)評(píng)價(jià)系統(tǒng)、校園論壇、學(xué)生事務(wù)系統(tǒng)等，均為重要的數(shù)據(jù)來(lái)源。這些平臺(tái)的數(shù)據(jù)能夠反映學(xué)生對(duì)高?；顒?dòng)、新聞和課程的情感態(tài)度[8]。其次，數(shù)據(jù)預(yù)處理包括數(shù)據(jù)文本清洗、文本分詞處理以及去停用詞。其中文本清洗主要為去除收集到的文本數(shù)據(jù)中的噪聲信息，如HTML標(biāo)簽、JS代碼，并清除重復(fù)數(shù)據(jù)、廣告文本等無(wú)關(guān)內(nèi)容。同時(shí)對(duì)文本進(jìn)行規(guī)范化處理，如將所有字母轉(zhuǎn)換為小寫(xiě)，以便后續(xù)的分析和處理。文本分詞處理是使用自然語(yǔ)言處理中的分詞工具，將文本數(shù)據(jù)分割成一個(gè)個(gè)獨(dú)立的詞語(yǔ)。中文文本分詞使用結(jié)巴分詞（jieba）開(kāi)源庫(kù)等工具，英文文本則根據(jù)空格等符號(hào)進(jìn)行簡(jiǎn)單分詞。分詞的準(zhǔn)確性對(duì)于后續(xù)的特征提取和模型訓(xùn)練非常重要。去停用詞主要為去除文本中對(duì)情感傾向性分析沒(méi)有貢獻(xiàn)或貢獻(xiàn)較小的停用詞，如“的”“是”“在”等常見(jiàn)的虛詞、介詞等。這樣可以減少數(shù)據(jù)冗余，提高數(shù)據(jù)分析效率。

數(shù)據(jù)標(biāo)注是數(shù)據(jù)預(yù)處理的另一重要環(huán)節(jié)。系統(tǒng)將數(shù)據(jù)進(jìn)行情感分類，劃分為正面、中性、負(fù)面三類情感。為了適應(yīng)高校的實(shí)際需求，系統(tǒng)還添加一些特定標(biāo)簽，如“課程評(píng)價(jià)”“心理健康”等，以更好地識(shí)別和分析學(xué)生的情感狀態(tài)。

2.2 數(shù)據(jù)特征提取

在特征提取方面，系統(tǒng)通過(guò)統(tǒng)計(jì)數(shù)據(jù)中各詞匯的出現(xiàn)頻率，為后續(xù)模型提供詞向量支持。此外，使用TF-IDF（term frequency-inverse document frequency）算法或TextRank算法提取文本中的關(guān)鍵詞或關(guān)鍵短語(yǔ)，幫助模型識(shí)別文本中的重要信息。為了進(jìn)一步提升模型的性能，系統(tǒng)使用深度學(xué)習(xí)的詞嵌入模型將文本轉(zhuǎn)換為向量輸入，這有助于模型更好地理解文本的語(yǔ)義。

為了增加數(shù)據(jù)的多樣性和提高模型的魯棒性，數(shù)據(jù)增強(qiáng)技術(shù)也在數(shù)據(jù)預(yù)處理階段得到應(yīng)用。通過(guò)同義詞替換和回譯等方法，系統(tǒng)能夠生成更多樣的訓(xùn)練樣本，從而豐富數(shù)據(jù)集，提高模型的泛化能力。同義詞替換會(huì)隨機(jī)替換文本中的某些詞匯，而回譯則是將文本翻譯為其他語(yǔ)言再翻譯回原語(yǔ)言，以此生成多樣化表達(dá)。

此外，去重與異常處理功能去除重復(fù)內(nèi)容和異常短文本，確保數(shù)據(jù)質(zhì)量。數(shù)據(jù)平衡性檢查能保證正負(fù)情感樣本的均衡，避免模型訓(xùn)練過(guò)程中產(chǎn)生偏差。隱私保護(hù)措施確保用戶身份信息的匿名化處理，避免泄露敏感數(shù)據(jù)。

通過(guò)數(shù)據(jù)特征處理步驟，系統(tǒng)能夠?yàn)榍楦蟹治瞿Ｐ吞峁└哔|(zhì)量、結(jié)構(gòu)化的輸入數(shù)據(jù)，確保情感分析的準(zhǔn)確性和實(shí)用性[9]。

2.3 情感傾向性分類

深度學(xué)習(xí)模型采用LSTM進(jìn)行情感傾向性分類。LSTM能夠有效捕捉文本中的語(yǔ)義信息和上下文關(guān)系，適合處理情感分析中常見(jiàn)的時(shí)間序列數(shù)據(jù)特性[10]。通過(guò)LSTM，可以更準(zhǔn)確地判斷文本的情感傾向，尤其在情感表達(dá)復(fù)雜或依賴上下文的情況下[11]。LSTM的結(jié)構(gòu)如圖1所示。

其核心在于通過(guò)輸入門(mén)（input gate）、遺忘門(mén)（forget gate）和輸出門(mén)（output gate）三種門(mén)結(jié)構(gòu)，靈活控制信息流動(dòng)。LSTM單元結(jié)構(gòu)中，c表示cell單元，控制門(mén)的激活函數(shù)用f表示，g和h分別表示cell的輸入輸出激活函數(shù)，i表示輸入層的神經(jīng)元的個(gè)數(shù)。LSTM的計(jì)算是基于時(shí)間步遞推的，每個(gè)時(shí)間步t的計(jì)算依賴于前一個(gè)時(shí)間步t-1的結(jié)果。在每個(gè)時(shí)間步t，LSTM會(huì)接收當(dāng)前時(shí)刻的輸入xt，并基于前一時(shí)刻的隱藏狀態(tài)ht-1和單元狀態(tài)ct-1計(jì)算當(dāng)前時(shí)刻的隱藏狀態(tài)ht和單元狀態(tài)ct。這種設(shè)計(jì)可以在每個(gè)時(shí)間步中保留有用的信息，過(guò)濾不相關(guān)的內(nèi)容，同時(shí)對(duì)新輸入的權(quán)重進(jìn)行動(dòng)態(tài)調(diào)整，從而提高模型對(duì)情感特征的理解和表達(dá)能力。

2.4 模型評(píng)估與驗(yàn)證

性能指標(biāo)評(píng)估是使用準(zhǔn)確率、召回率、F1值等指標(biāo)對(duì)模型的性能進(jìn)行評(píng)估。模型采用公開(kāi)數(shù)據(jù)集進(jìn)行訓(xùn)練，評(píng)估模型的準(zhǔn)確率表示為模型正確的分類樣本數(shù)占總樣本數(shù)的比例，召回率表示為模型正確預(yù)測(cè)為正相關(guān)的樣本數(shù)占實(shí)際正相關(guān)樣本數(shù)的比例，F(xiàn)1值為數(shù)據(jù)準(zhǔn)確率和召回率的調(diào)和平均數(shù)，綜合考慮了模型的準(zhǔn)確性和全面性[12]。

3. 高?；ヂ?lián)網(wǎng)情感分析系統(tǒng)應(yīng)用案例

3.1 系統(tǒng)介紹

隨著在線教育的普及，傳統(tǒng)的面對(duì)面教學(xué)模式逐漸轉(zhuǎn)向線上教學(xué)。為了應(yīng)對(duì)在線教育中的挑戰(zhàn)，本文中的高?；ヂ?lián)網(wǎng)情感分析系統(tǒng)用于分析學(xué)生在在線學(xué)習(xí)系統(tǒng)中的互動(dòng)數(shù)據(jù)，幫助教師了解學(xué)生的情感態(tài)度，改進(jìn)教學(xué)策略，提升學(xué)生的學(xué)習(xí)體驗(yàn)。情感分析模型對(duì)學(xué)生提交的文本進(jìn)行分類。正面情緒為學(xué)生對(duì)某項(xiàng)編程任務(wù)的成功完成或?qū)φn程內(nèi)容表示滿意時(shí)的情緒反應(yīng)；負(fù)面情緒為學(xué)生對(duì)課程內(nèi)容表示困惑或?qū)δ硞€(gè)作業(yè)的提問(wèn)提出抱怨，平臺(tái)會(huì)標(biāo)記為負(fù)面情緒；中性情感為沒(méi)有明確表達(dá)情感的內(nèi)容，如中立的評(píng)論或?qū)φn程內(nèi)容沒(méi)有特別反應(yīng)的描述。

3.2 系統(tǒng)使用過(guò)程及效果分析

本文設(shè)計(jì)的高?；ヂ?lián)網(wǎng)情感分析系統(tǒng)的數(shù)據(jù)采集工作始于學(xué)生在云班課網(wǎng)站中“C語(yǔ)言程序設(shè)計(jì)”課程在線學(xué)習(xí)系統(tǒng)上的互動(dòng)行為。系統(tǒng)從多個(gè)渠道收集學(xué)生的文本數(shù)據(jù)，包括課程討論區(qū)，學(xué)生在課程討論區(qū)發(fā)布的留言、討論內(nèi)容、問(wèn)題反饋等。作業(yè)評(píng)論區(qū)主要包含學(xué)生對(duì)作業(yè)的評(píng)論、反饋以及教師的批注，如圖2所示；學(xué)習(xí)日志主要是學(xué)生觀看課程視頻時(shí)的行為記錄，如觀看進(jìn)度、暫停、重復(fù)播放等。通過(guò)這些互動(dòng)數(shù)據(jù)，本文所設(shè)計(jì)的高?；ヂ?lián)網(wǎng)情感分析系統(tǒng)收集大量與學(xué)生學(xué)習(xí)體驗(yàn)相關(guān)的情感數(shù)據(jù)。

在數(shù)據(jù)采集之后，系統(tǒng)會(huì)對(duì)文本數(shù)據(jù)進(jìn)行一系列的預(yù)處理操作，確保分析過(guò)程的準(zhǔn)確性。情感標(biāo)簽標(biāo)注模塊的功能是利用已有的情感詞典對(duì)短文本進(jìn)行初步標(biāo)注，將每一段短文本標(biāo)記為積極、消極或中性情感。在情感標(biāo)簽標(biāo)注模塊完成后，系統(tǒng)會(huì)生成實(shí)時(shí)的情感反饋報(bào)告，并將其反饋給教師團(tuán)隊(duì)。報(bào)告內(nèi)容包括情感分布圖，用來(lái)展示學(xué)生在一段時(shí)間內(nèi)對(duì)于課程、作業(yè)或教學(xué)方法的情感分布。

情感變化趨勢(shì)可以通過(guò)對(duì)不同時(shí)間段的分析，呈現(xiàn)出情感波動(dòng)的趨勢(shì)。學(xué)生在課程的前半部分情感較為積極，但在后期對(duì)作業(yè)的難度感到沮喪，導(dǎo)致負(fù)面情感上升。

系統(tǒng)中的分析數(shù)據(jù)以四川郵電職業(yè)技術(shù)學(xué)院《C語(yǔ)言程序設(shè)計(jì)》課程為例，共收集324人在課程中發(fā)表的評(píng)論，每個(gè)學(xué)生可以在同一課程中發(fā)表多條評(píng)論，共收集到1405條評(píng)論，評(píng)論中所展現(xiàn)的情感傾向如圖3所示。其中正向情感評(píng)論987條，占比70.25%，負(fù)面情感評(píng)論416條，占比29.61%，中性評(píng)論2條，占比0.14%。

教師根據(jù)系統(tǒng)提供的情感反饋信息，對(duì)課程和教學(xué)策略進(jìn)行調(diào)整。

例如，系統(tǒng)檢測(cè)到大量學(xué)生對(duì)“C語(yǔ)言程序設(shè)計(jì)”課程中指針模塊的內(nèi)容表達(dá)負(fù)面情感，教師評(píng)估該部分內(nèi)容是否過(guò)于復(fù)雜或難度過(guò)高，并對(duì)課程內(nèi)容做出相應(yīng)的調(diào)整。教師減少難度較大的內(nèi)容，并增加輔助學(xué)習(xí)材料，以幫助學(xué)生更好地理解課程內(nèi)容。

此外，如果系統(tǒng)檢測(cè)到學(xué)生普遍對(duì)在線教學(xué)方法表示不滿，教師就考慮采用更多互動(dòng)性強(qiáng)的教學(xué)方法，如直播互動(dòng)、答疑環(huán)節(jié)或小組討論等，以提升學(xué)生的參與感和積極性。

學(xué)生個(gè)性化關(guān)懷是針對(duì)情感反饋中的個(gè)別學(xué)生，教師通過(guò)系統(tǒng)的情感標(biāo)簽，主動(dòng)聯(lián)系學(xué)生并提供個(gè)性化的支持，幫助學(xué)生緩解學(xué)習(xí)中的焦慮和困惑。

結(jié)語(yǔ)

本文旨在研究基于深度學(xué)習(xí)的高?；ヂ?lián)網(wǎng)情感分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)，通過(guò)深度學(xué)習(xí)方法挖掘和分析高校互聯(lián)網(wǎng)平臺(tái)上的文本數(shù)據(jù)，以揭示學(xué)生的情感傾向，為高校的教學(xué)改進(jìn)、學(xué)生支持和校園管理提供有力的數(shù)據(jù)支持。盡管本研究取得了一定的成果，但仍存在一些不足之處。例如，當(dāng)前的模型在處理多模態(tài)數(shù)據(jù)時(shí)的性能還有待進(jìn)一步提升，情感分析結(jié)果的解釋性也需要進(jìn)一步增強(qiáng)。未來(lái)的研究將致力于解決這些問(wèn)題，探索更高效、更準(zhǔn)確的情感分析方法，以更好地服務(wù)于高等教育的管理和教學(xué)改進(jìn)。

參考文獻(xiàn)：

[1]王蕊.全媒體時(shí)代大學(xué)生網(wǎng)絡(luò)意見(jiàn)表達(dá)特點(diǎn)及引導(dǎo)策略研究[J].傳播力研究，2020，4（22）：166-167.

[2]尹文皓.數(shù)字化轉(zhuǎn)型背景下的高校網(wǎng)絡(luò)質(zhì)量監(jiān)測(cè)模型研究——以中南財(cái)經(jīng)政法大學(xué)為例[J].家電維修，2023（12）：16-20.

[3]張凡，劉國(guó)營(yíng).基于改進(jìn)協(xié)同過(guò)濾算法的高校思政課程推薦系統(tǒng)研究[J].微型電腦應(yīng)用，2020，36（9）：1-4.

[4]Khan F H，Qamar U，Bashir S.SWIMS：Semi-Supervised Subjective Feature Weighting and Intelligent Model Selection for Sentiment Analysis[J].Knowledge-Based Systems， 2016，100（11）：97-111.

[5]Greff K，Srivastava R.K，Koutnik J.et al.LSTM： A Search Space Odyssey[J].IEEE Transactions on Neural Networks and Learning Systems，2017，28（10）：2222-2232.

[6]凌芝拓.深度學(xué)習(xí)在大數(shù)據(jù)情感分析中的應(yīng)用設(shè)計(jì)[J].信息與電腦（理論版），2024，36（19）：163-165.

[7]楊嘉雯，石媛媛，閆安.基于網(wǎng)絡(luò)評(píng)論的文本挖掘與情感傾向分析--以北京地區(qū)博物館為例[J].互聯(lián)網(wǎng)周刊，2023（11）：20-23.

[8]孔令怡，楊鈺，孫敏，等.基于機(jī)器學(xué)習(xí)的學(xué)生社區(qū)網(wǎng)絡(luò)平臺(tái)評(píng)論情感分析[J].信息與電腦（理論版），2024，36（16）：169-173.

[9]李瀟可，朱小飛.情感感知增強(qiáng)的多粒度過(guò)濾虛假新聞檢測(cè)[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2024，38（10）：122-131.

[10]吳運(yùn)明，張琳，胡凡剛.基于深度學(xué)習(xí)的教育政策用戶評(píng)論細(xì)粒度情感分析研究[J].中國(guó)電化教育，2024，（7）：109-116，125.

[11]劉星，楊波，郁云.一種基于LSTM和ResNet網(wǎng)絡(luò)的情感極性分析方法[J].電子器件，2023，46（6）：1629-1633.

[12]韋群鋒，祁斌.大數(shù)據(jù)下基于神經(jīng)網(wǎng)絡(luò)的文本情感傾向性分析[J].軟件，2023，44（3）：71-75.