《表5 7种特征构建方式的召回率、精确率、F1值和AUC》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融入表情特征的网络舆情情感分析方法研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

多特征融合的情感分析方法在网络舆情中的应用显示了其优越性。表5的实验结果显示，不同的特征构建方式对网络舆情的情感分析效果有较大影响。就单类特征而言，词典特征对情感倾向性分类结果的影响较大，其召回率、精确率、F1值和AUC分别为73.1%、77.2%、74.4%和0.84。就三类特征的两两组合来说，词典特征+表情特征的情感倾向性分类效果更好，其召回率、精确率、F1值和AUC分别为83.4%、82.8%、83.0%和0.89。各类特征的二元融合都好过单独的一类特征。融合词典特征、表情特征和向量特征的多特征融合情感分析方法比单独使用三类特征或三类特征两两组合的结果更好，其召回率、精确率、F1值和AUC分别达85.5%、85.2%、85.0%和0.91。