基于LDA-BiLSTM的金融恐慌舆情分析与预测.pdf

第 22卷 第 10期2023年 10月Vol.22 No.10Oct.2023软 件 导 刊Software Guide基于LDA-BiLSTM的金融恐慌舆情分析与预测张思扬，匡芳君（温州商学院 信息工程学院，浙江 温州 325035）摘要：针对金融恐慌舆情隐蔽性强、爆发速度快、网络用语不规范等特点，提出基于LDA-BiLSTM模型的金融恐慌舆情分析方法。以金融行业新闻网页、论坛、微博、博客等为数据来源，首先基于词性过滤的LDA方法，挖掘数据中的金融热门主题，然后通过BiLSTM模型处理短文本语料库，并分析网民对热门主题的情感极性，甄别舆情预警信息内容。实验表明，基于LDA-BiLSTM模型预测金融恐慌舆情倾向的准确率达92.74%，可为管理者提供信息支持和舆情建议。关键词：金融恐慌；潜在狄利克雷分布；双向长短期记忆网络；舆情分析与预测DOI：10.11907/rjdk.231110开 放 科 学（资 源 服 务）标 识 码（OSID）：中图分类号：TP391.1 文献标识码：A文章编号：1672-7800（2023）010-0079-05Analysis and Prediction of Financial Panic Network Public Opinion Based on LDA-BiLSTMZHANG Siyang，KUANG Fangjun（School of Information Engineering，Wenzhou Business College，Wenzhou 325035，China）Abstract：The financial panic public opinion analysis method based on the LDA-BiLSTM model is proposed to address the characteristics of strong concealment，fast outbreak speed，and non-standard online language of financial panic public opinion.Using financial industry news websites，forums，Weibo，blogs，etc.as data sources，the LDA method based on part of speech filtering is first used to mine financial hot topics in the data.Then，the BiLSTM model is used to process the short text corpus，and the emotional polarity of netizens towards hot topics is analyzed to identify the content of public opinion warning information.The experiment shows that the accuracy of predicting financial panic public opinion tendencies based on the LDA-BiLSTM model is 92.74%，which can provide information support and public opinion suggestions for managers.Key Words：financial panic；latent Dirichlet allocation；bi-directional long short-term memory；public opinion analysis and prediction0 引言金融恐慌是中国近代学界金融危机现象的表现，指几乎所有金融领域的金融状况发生突发性恶化，将导致并恶化金融危机。经济资源和金融风险配置问题均可能导致金融恐慌，但风险配置更容易导致，另外政策变化也可能触发金融恐慌。2018年国家智库报告指出，中国应警惕金融恐慌。为此，政府对此高度重视，提前采取了一系列风险管理措施。预期管理是一种防范金融恐慌的工具，但作用有限，几乎未涉及有关金融恐慌网络舆情分析的研究，而舆情导向对引发金融恐慌有着不可忽视的作用。因此，研究金融恐慌舆情，设计并实现金融恐慌网络舆情分析与预警系统，不仅能为金融市场决策者提供技术支撑，还为政府相关部门、银行和金融市场管理者制定网络舆情引导策略提收稿日期：2023-02-13基金项目：教育部人文社会科学研究规划基金项目（20YJA790090）作者简介：张思扬（1973-），男，温州商学院信息工程学院教授，研究方向为智能信息处理技术、金融科技和金融大数据分析等；匡芳君（1976-），女，博士，CCF会员，温州商学院信息工程学院教授、硕士生导师，研究方向为人工智能，群智能优化与机器学习、金融科技等。本文通讯作者：匡芳君。2023 年软 件 导 刊供科学依据。1 相关工作国内外学者对网络舆情概念、内涵和发展的研究较多，存在很多舆情理论和应用研究。王丙坤等1-2提出一系列舆情预警模型，为网络舆情预警机制提供解决问题的思路。刘英杰等3-6研究政府决策及信息发布对舆情调控的影响和网络舆情情感识别研究，为政府决策提供参考。Wang等7提出话题检测算法，通过网络舆情要素的多层次、多属性、多维度等特征构建多维网络模型。Fang等8研究网络舆情意见差异阈值的影响提出 GPF-NP 模型。Yu等9在大数据背景下研究网络舆情分析，为海量舆情分析和预警研究提供有益的思路。林萍等10利用LDA主题挖掘模型，挖掘网络突发事件热门主题与演化趋势。吴彦文等11融合主题词和LDA进行文本分类。孙靖超等12研究循环神经网络舆情预测方法。陈福集等13利用人工蜂群算法优化BP模型参数，提升网络舆情热度趋势预测准确率。邢云菲等14提出基于信息熵的负面网络舆情监测指标体系。连芷萱等15结合定性、定量指标体系，构建微博舆情热度预测模型。邓楠等16结合情感词向量和BiLSTM进行文本情感分析。周灵等17提出融合情感特征的短文本分类方法。周泳东等18利用分段卷积神经网络进行文本情感分析。Li等19在双向 LSTM 中融合自我关注和多特征通道进行情感分析。虽然，国内外网络舆情研究已取得一定成果，但金融恐慌舆情隐蔽性强、爆发速度快、网络用语不规范，舆情研究成果仍然无法完全适用，金融恐慌舆情信息的预测方法仍需完善和改进。因此，本文提出一种基于LDA-BiLSTM模型的金融恐慌舆情监测方法，以金融行业新闻网页、论坛、微博、博客等为数据来源，挖掘数据中的热点话题和网民对热点话题的情感极性，筛选舆情数据中的有效信息，为政府相关部门和金融恐慌舆情管理者提供舆情提醒。2 金融恐慌网络舆情演化金融恐慌作为金融市场预期突变的产物，对社会稳定和实体经济发展带来了危害和挑战。金融恐慌信息的不当传播会造成巨大影响，可能相较于金融危机危害性更严重。因此，深入研究金融恐慌舆情信息传播机理，构建金融恐慌网络舆情分析与预警系统迫在眉睫。本文以金融恐慌舆情信息为主线，分析在线金融交易用户对金融恐慌网络舆情信息的情感倾向性，充分利用大数据技术建立在线金融市场的金融恐慌舆情信息传播中利益相关者的博弈仿真模型，制定金融恐慌信息舆情引导机制，利用仿真模型推演金融恐慌舆情的前兆和演化过程，提升金融市场和政府部门对金融恐慌舆情的预警与快速响应能力，为领导提供及时、客观、准确的舆情信息，从体制、机制创新角度提供相应的金融恐慌网络舆情策略与决策参考，从而积极化解金融恐慌网络舆情危机。金融恐慌网络舆情演化要素关系如图1所示。3 金融恐慌舆情分析流程与方法3.1舆情分析流程金融恐慌舆情分析主要包括数据采集和预处理、模型构建、预测舆情趋势等步骤。首先，针对金融行业新闻网页、论坛、微博、博客等目标页面编写爬虫程序，将采集的网页相关数存储在Mongo数据库，并对存储文本进行预处理；然后，对预处理后的数据建立主题提取和情感分析模型；最后，根据舆情信息分析挖掘出可能的舆情数据，提醒相关金融部门和市场管理者。金融恐慌舆情分析流程如图2所示。3.2数据采集与预处理金融恐慌舆情数据涉及领域广，本文主要针对股市、汇市、债市、房地产等与金融行业紧密相关新闻网站、论 政府 企业 网民 媒体 金融恐慌 网络舆情 关注参与 通告 发表意见 舆情传播 舆情传播 舆情传播 监督 反馈 监督 反馈 管控 管控 引导 引导 Fig.1Relationship of evolution factors of financial panic network public opinion图1金融恐慌网络舆情演化要素关系 金融行业新闻网页、论坛、微博、博客等 网络爬虫 网页内容、帖子及回复内容 金融恐慌文本语料 文本去重 机械压缩 短句删除 停用词 数据预处理 数据采集与预处理 词性过滤 名词文本语料 LDA 模型 热门主题与关键词 基于词性过滤的LDA 主题模型 BiLSTM 模型 词向量构建 语料训练 热门主题语料 热门主题情感分类 主题文档与情感分布统计 金融恐慌舆情热点跟踪 分析消极态度产生原因，并提醒相关部门关注 基于 BiLSTM 的情感分析模型 舆情分析 筛选消极偏多主题的文本 Fig.2Analysis process of financial panic public opinion图2金融恐慌舆情分析流程 80第 10 期张思扬，匡芳君：基于LDA-BiLSTM的金融恐慌舆情分析与预测坛、微博、博客、第三方支付等具有评论功能的网页数据和信息进行采集和数据预处理。首先利用Scrapy框架编写网络爬虫程序，采集涵盖图像、视频、音频和文本等金融恐慌舆情数据；然后，将采集的数据存入Mongo数据库，通过数据清洗、合并、变换和标准化等预处理技术进行整理，删除无效网页数据和重复数据；最后，利用云数据存储服务平台Hadoop和Mongodb数据库技术，结合网络信息采集与预处理技术，收集网络中各类金融恐慌舆情热点的精品语料并存入系统知识库，为金融恐慌网络舆情预警与风险管制研究提供高质量的数据基础。3.3大数据平台下词性过滤的LDA主题模型潜在狄利克雷分布（Latent Dirichlet Allocation，LDA）是一种文档主题生成模型20，只根据单词在主题中出现的概率判断相关性，然而模型提取主题的可读性受词性影响，可能存在较大差异。因此，本文提出结合隐马尔可夫模型（Hidden Markov Model，HMM）和字典匹配法的基于词性过滤的LDA主题模型自动标注单词词性，过滤解释能力较差的词性，从而提升LDA主题模型的可读性。其中，字典匹配法基于前缀字典扫描词图，构造涵盖所有可能分词结果的有向无环图，然后利用动态规划寻找最大概率路径，并在前缀词典中寻找该词词性，最后利用HMM处理未知词的分词并标注词性。本文利用 Spark 大数据平台和 MapReduce 编程模型，结合基于词性过滤的LDA话题模型处理发现的舆情热点和敏感话题，重点寻找新信息、关注特殊热点，以提取语料库的热点主题和关键词。通过聚类向用户汇总信息，自动跟踪新闻事件，提供事件发展轨迹，实现多范围、多角度、多层次的数据分析与挖掘等，包括网络恐慌舆情识别、网民个人行为和情绪分析等，分析网民特点和行为，跟踪舆情热点趋势。3.4基于LSTM的情感分析模型1997 年，长短期记忆网络（Long Short-Term Memory，LSTM）被提出，它是循环神经网络的一种特殊类型，近年来被学者们广泛应用与改良，适用于处理、预测时间序列数据和事件21-22。LSTM的隐含层输出ht与ht-1间存在非线性关系，可解决循环神经网络难以训练的问题；在记忆细胞ct和过去的ct-1间引入线性依赖性，通过引入控制门和记忆单元可解决梯度减小或爆炸问题。LSTM中每个神经元均具有存储记忆单元、输入门、输出门和遗忘门。其中，输入门、输出门分别应用于输入端的非线性函数和输出端的非线性函数11，12；每个控制门均对前一个神经元的存储单元赋予权重。LSTM网络模型公式如式（1）式（6）所示。zt=g(Wxxt+bz)（1）it=(Wxixt+Whiht-1+Wcict-1+bi)（2）ft=(Wxfxt+Whfht-1+Wcfct-1+bf)（3）ct=ftct-1+itg(Wxcxt+Whcht-1+bc)（4）ot=(Wxoxt+Whoht-1+Wcoct+bo)（5）yt=otg(ct)（6）式中：ct、it、ft、ot分别表示记忆细胞、输入门、输出门和遗忘门；()为 sigmoid 函数，主要用于激活门；g()为 tanh函数，主要用于激活block输入和输出；W为权值系数；b为偏置值。LSTM模型不仅可弥补LDA模型在短文本数据稀疏性方面存在的不足，还在记忆上下文信息和学习文本特征方面的效果良好，能较好地处理多个短文本语料库、分析热门主题情感极性，但在处理更细粒度的分类任务时，单向LSTM无法从后向前地编码信息。为此，本文结合前向、后向LSTM，构建双向长短期记忆（Bi-Directional Long Short-Term Memory，Bi-LSTM）模型23，以更好地挖掘双向语义依赖。Bi-LSTM提取文本特征向量公式如式（7）所示，Bi-LSTM模型结构如图3所示。ht=LSTM(xt)，LSTM(xt)（7）式中：LSTM(xt)表示前向传播；LSTM(xt)表示后向传播。4 实验结果与分析4.1数据采集与预处理金融恐慌网络舆情通过媒体报道、微博、博客、股吧等平台影响投资者情绪和行为，导致金融市场波动，进而引发金融恐慌。本文利用Scrapy框架爬取2022年2月1日2月28日有关金融行业的股市、汇市、债市、房地产等与金融行业紧密相关的新闻网站、论坛、微博、博客、第三方支付等具有评论功能的网页数据，共获取了舆情信息数据684 810条，如图4所示。本文将爬取的舆情数据存入MongoDB数据库，再对存储的舆情数据进行预处理。具体步骤为：根据内容和昵称对舆情数据进行去重；利用机械压缩方式压缩文本数据；结合词和词性标注方式进行分词；以哈尔滨工业大学停用词为基础构建词典，删除舆情数据中的停用词。输出层关注层LSTM层嵌入层输入层Fig.3Bi-LSTM model structure图3Bi-LSTM模型结构 812023 年软 件 导 刊为了更好地了解网民对经济方面的情绪反应，利用Python编程分析网民情感，如图5所示。由此可见，网民的正面情绪为 46.88%，负面情绪为 53.12%，其中，能保持正常较好情绪的语言占34.56%，乐观情绪占12.32%，恐惧情绪占25.75%，厌恶情绪占20.85%，愤怒情绪占2.08%，悲哀和惊恐情绪占比均为2.22%。人们普遍抱有负面情绪的原因主要在于：新冠疫情期间大众心理状态相对脆弱，网络传言与猜测不断，个别网站报道时携带了个人色彩，引发了网民的负面情绪；中东国家局势紧张，原油、黄金、军工股大涨及美股三大指数大跌，中美贸易摩擦减缓，制造业数据的收缩将严重拖累经济发展；美联储的行动影响全球多数央行决策，从而造成全球货币政策发生舆情；新闻媒体、相关网站、论坛、微博、博客等不断渲染宣传民生经济状况，使人们感受到生活、经济的紧张气氛，衍生出恐慌、悲观、厌恶等负面情绪。4.2基于LDA的参数估计与主题提取本文首先通过预处理数据，筛选数据集的数据词性；然后去除非名词词性，将数据集导入LDA主题模型；最后在LDA模型中使用gensim软件包提供的方法训练语料库，获得每个主题的关键词。由于LDA模型参数较多，需要自行设定，其中主题数（Topic）最重要。因此，本文利用困惑度（Perplexity）计算模型的主题数，困惑度越低聚类效果越好，即最小困惑度对应最优主题数。困惑度计算如式（8）所示：Perplexity(D)=exp(-logp(w)d=1MNd)（8）式中：d=1MNd为测试集总长度，即测试集所有单词总和；p(w)指每个单词出现在测试集中的概率；M为测试语料库大小；Nd为第d篇文本大小。本文将主题个数设置为 5，200），步长为5，循环递增主题个数，根据式（8）计算不同主题数下LDA模型的困惑度并记录相应主题数，在文本语料库确定主题数后设置其他参数。首先，为了筛选不受欢迎的主题，将主题概率分布的最小阈值设置为0.01；然后，从语料库中自动学习先验知识以设置超参数、，并将迭代次数设置为5 000次。经过50轮训练后，模型最终选取相关性较高的前20个主题，文档的预测主题则由LDA模型获取每篇文档相关性概率最高的主题来确定，然后选取8个热点主题下的文档集作为测试语料库，对每个热点话题进行后续的情感倾向分析。4.3基于Bi-LSTM的网民情感倾向分析在模型训练数据方面，本文在开源中文情感标注语料库中选取正面、负面语料，按4 1的比例划分训练集和测试集，利用语料库训练词向量，将其用于训练语料库中的字符映射。LSTM 隐藏层设置为 128，学习速率设置为0.01，区域固定长度设为30，通过调整其他参数进行50轮训练，训练结果如表1所示。然后，利用训练后的模型预测测试集，LDA-BiLSTM与LSTM、BiLSTM模型舆情预测结果比较结果如表2所示。由表1、表2可知，LDA-BiLSTM模型的正面情绪（Positive）和负面情绪（Negative）的准确率（Precision）、召回率（Recall）、F1 因子（F1-score）均在 92%以上，宏平均（macro avg）和加权平均（weighted avg）均在 91%以上，证明了LDA-BiLSTM模型能准确预测金融恐慌舆情倾向，相较于直接使用LSTM和BiLSTM进行训练和测试的效果更优。Fig.5Score of netizen sentiment analysis图5网民情感分析得分 0100002000030000400005000002-0102-0402-0702-1002-1302-1602-1902-2202-2502-28舆情信息总数日期Fig.4Trend of financial public opinion information图4金融行业舆情信息趋势Table 1Public opinion training results of LDA-BiLSTM表1LDA-BiLSTM模型舆情训练结果评价指标PrecisionRecallF1-scorePositive0.938 50.925 70.939 8Negative0.928 50.927 80.929 4Accuracy-0.932 8Macro avg0.915 80.916 70.915 4Weighted avg0.918 70.914 80.917 3Table 2Comparison of public opinion prediction results of various models表2各种模型舆情预测结果比较评价指标方法LDA-BiLSTMLSTMBiLSTMPrecisionRecallF1-scorePrecisionRecallF1-scorePrecisionRecallF1-scorePositive0.933 20.934 80.940 40.892 50.905 80.910 20.902 10.910 30.924 7Negative0.934 90.928 20.929 50.902 30.899 30.909 60.908 60.901 40.910 5Accuracy-0.927 4-0.895 6-0.902 9 82第 10 期张思扬，匡芳君：基于LDA-BiLSTM的金融恐慌舆情分析与预测综上所述，以 LDA-BiLSTM 模型为基础，完善金融恐慌网络舆情体系，能协助舆情相关部门恢复网络正常秩序，防止或控制金融恐慌舆情再次发生，为今后金融恐慌网络舆情的应对和处理提供了经验参考和决策支持。5 结语本文以金融恐慌网络舆情为研究对象，提出基于LDA-BiLSTM模型的金融恐慌舆情分析和舆情预测方法，构建了结合主题挖掘和情感分析的舆情分析与预警模型。通过分析、预警金融恐慌网络舆情，识别潜在风险，实现数据驱动决策，预防虚假信息传播，提升管理人员联合数据趋势研判的能力。同时，通过实验研究大数据分析能力、金融市场管理者和政府应急管理之间的关系，分析舆情的内在特征和演变规律，以在新形势下更好地控制金融恐慌网络舆情，为管理者提供信息支持和舆情提醒。未来，将考虑利用集群、云服务技术解决舆情大数据增加导致的模型分析预测速度慢、及时性不强等问题。参考文献：1 WANG B K，HUANG Y F，LI X.Sentiment classification based on multi-granularity computing and multi-criteria fusionJ.Journal of Tsinghua University（Science and Technology），2015，55（5）：497-502.王丙坤，黄永峰，李星.基于多粒度计算和多准则融合的情感分类J.清华大学学报（自然科学版），2015，55（5）：497-502.2 WANG Z Y，YUE C L.Emergency optimal scheduling of multi-resource flow considering the publics risk perception in public opinion propagationJ.Chinese Journal of Management Science，2016，24（6）：115-123.王治莹，岳朝龙.舆情传播中考虑公众风险感知的多资源流应急优化调度 J.中国管理科学，2016，24（6）：115-123.3 LIU Y J，HUANG W，YAN L.Model construction of network public opinion information emotional dimension space based on A-V-P J.Information and Documentation Services，2017（6）：12-18.刘英杰，黄微，闫璐.基于A-V-P的网络舆情信息情感维度空间的模型构建 J.情报资料工作，2017（6）：12-18.4 SUN L，SUN S R.Research on prevention and control mechanism of network public opinion spread in major projects based on risk perception J.Industrial Engineering and Management，2019，24（5）：1-10.孙蕾，孙绍荣.基于风险感知的重大工程网络舆情传播防控机制研究J.工业工程与管理，2019，24（5）：1-10.5 YANG J，ZOU M，HUANG W.The prediction model of network public opinion crisis level based on dynamic Bayes network J.Information Science，2019，37（5）：92-97.杨静，邹梅，黄微.基于动态贝叶斯网络的网络舆情危机等级预测模型 J.情报科学，2019，37（5）：92-97.6 JIN Z Y，TIAN Y P，BAI M.Sentiment analysis on network public opinion of sudden disasters based on long-short term memory network J.Information Science，2019，37（5）：142-147，154.金占勇，田亚鹏，白莽.基于长短时记忆网络的突发灾害事件网络舆情情感识别研究 J.情报科学，2019，37（5）：142-147，154.7 WANG G，CHI Y，LIU Y，et al.Studies on a multidimensional public opinion network model and its topic detection algorithmJ.Information Processing&Management，2019，56（3）：584-608.8 FANG S，ZHAO N，CHEN N，et al.Analyzing and predicting network public opinion evolution based on group persuasion force of populism J.Physical A：Statistical Mechanics and its Applications，2019，525：809-824.9 YU Z H，ZHAO C L，GUO S X.Research on Internet financial risk under the background of big data C/2017 3rd International Conference on Education and Social Development，2017：903-906.10 LIN P，HUANG W D.Topic evolution analysis of Internet emergency based on LDA model J.Information Science，2014，32（10）：20-23.林萍，黄卫东.基于 LDA 模型的网络突发事件话题演化路径研究J.情报科学，2014，32（10）：20-23.11 WU Y W，HUANG K，WANG X Y.Method of emotional classification in short texts combined with LDA models J.Journal of Chinese Computer Systems，2019，40（10）：2082-2086.吴彦文，黄凯，王馨悦，等.一种融合主题模型的短文本情感分类方法 J.小型微型计算机系统，2019，40（10）：2082-2086.12 SUN J C，ZHOU R，LI P Y，et al.Research on the prediction of network public opinion based on recurrent neural networkJ.Information Science，2018，36（8）：118-122.孙靖超，周睿，李培岳，等.基于循环神经网络的网络舆情趋势预测研究 J.情报科学，2018，36（8）：118-122.13 CHEN F J，XIAO H Y.Prediction of network public opinion heat based on improved ABC-BP modelJ.Research in Library Science，2018（9）：84-89，101.陈福集，肖鸿雁.基于改进ABC-BP模型的网络舆情热度预测研究J.图书馆学研究，2018（9）：84-89，101.14 XING Y F，WANG X W，WANG D，et al.Research on the negative network public opinion monitoring index system based on information entropy in new media environment J.Modern Information，2018，38（9）：41-47.邢云菲，王晰巍，王铎，等.基于信息熵的新媒体环境下负面网络舆情监测指标体系研究 J.现代情报，2018，38（9）：41-47.15 LIAN Z X，LAN Y X，XIA Y X，et al.The research of micro-blog public opinion popularity forecasting model based on the firstly published information J.Information Science，2018，36（9）：107-114.连芷萱，兰月新，夏一雪，等.基于首发信息的微博舆情热度预测模型 J.情报科学，2018，36（9）：107-114.16 DENG L，YU B G.Sentiment orientation analysis of review text based on sentiment word embedding and BLSTMJ.Application Research of Computers，2018，35（12）：3547-3550.邓楠，余本功.基于情感词向量和BLSTM的评论文本情感倾向分析J.计算机应用研究，2018，35（12）：3547-3550.17 ZHOU L，ZHANG Y J，PAN L H.A short text classification method based on emotional featuresJ.Computer and Modernization，2020（7）：80-84，96.周灵，张英俊，潘理虎.一种基于情感特征的短文本分类方法 J.计算机与现代化，2020（7）：80-84，96.18 ZHOU Y D，ZHANG Y，CAO Y R.Sentiment analysis based on piece wise convolutional neural network combined with features J.Computer Engineering and Design，2019，40（10）：3009-3013.周泳东，章韵，曹艳蓉，等.基于特征融合分段卷积神经网络的情感分析 J.计算机工程与设计，2019，40（10）：3009-3013.19 LI W，QI F，TANG M，et al.Bidirectional LSTM with self-attention mechanism and multi-channel features for sentiment classificationJ.Neurocomputing，2020，387：63-77.20 ZHANG W W，HU Y Q，ZHAI G Y，et al.Academic abstract clustering method based on LDA model and Doc2vecJ.Computer Engineering and Applications，2020，56（6）：180-185.张卫卫，胡亚琦，翟广宇，等.基于LDA模型和Doc2vec的学术摘要聚类方法 J.计算机工程与应用，2020，56（6）：180-185.21 HE K，ZHANG X，REN S，et al.Deepresidual learning for image recognition C/Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2016：770-778.22 GREFF K，SRIVASTAVA R K，KOUTNK J，et al.LSTM：a search space odyssey J.IEEE Transactions on Neural Networks and Learning Systems，2017，28（10）：2222-2232.23 CHEN Y J，CHEN C C，LYU G J，et al.Sentiment analysis model for tourism evaluation integrating attention mechanism and Bi-LSTMJ.Software Guide，2022，21（2）：43-47.陈玉娇，陈崇成，吕贵杰，等.融合注意力机制和Bi-LSTM的旅游评价情感分析模型 J.软件导刊，2022，21（2）：43-47.（责任编辑：刘嘉文）83