揭示公众舆论：基于LSTM与传统模型的情绪分析研究

近年来，社交媒体平台如Twitter已成为公众表达观点和情感的重要场所。随着用户生成内容的激增，情感分析作为自然语言处理的关键应用，变得不可或缺。一篇发表于2025年IEEE计算、通信与数据工程国际会议（C-CODE 2025）的论文，题为“揭示公众舆论：基于LSTM与传统模型的情绪分析研究”，系统比较了多种机器学习与深度学习方法在Twitter情感分类中的表现。

研究采用了Kaggle上的Twitter数据集，经过分词、词形还原和停用词剔除等预处理。研究者评估了逻辑回归、随机森林、朴素贝叶斯、梯度提升以及LSTM网络等算法。结果显示，LSTM模型在捕捉文本的上下文和序列特征方面表现卓越，训练准确率达到90.98%，测试准确率为80%，微平均ROC-AUC分数高达0.92，显著优于传统机器学习模型。

论文强调，LSTM能够有效处理文本中的长期依赖关系，从而更准确地判断推文的情感倾向（正面、负面或中性）。这一发现对于实时舆情监测、趋势预测等领域具有重要价值。尽管传统模型在某些场景下仍具优势，但深度学习在复杂文本分析中的潜力不容忽视。

该研究使用了一个公开的Kaggle Twitter数据集，并进行了严格的预处理步骤，包括分词、词形还原和停用词移除。实验结果表明，LSTM在捕捉文本的上下文和序列信息方面优于传统方法，从而在情感分类任务中取得了更高的准确性。论文还指出，虽然LSTM模型在训练和测试准确率上表现突出，但其计算成本较高，需要更多的训练时间和资源。未来的工作可以探索更高效的深度学习架构，或者将LSTM与其他模型集成，以进一步提高性能。

随着社交数据规模的持续增长，该研究为未来情感分析系统的选型提供了实证依据。研究者呼吁在更大规模数据集上进一步验证模型的可扩展性，并考虑将方法应用于多语言情感分析。总之，这项研究为理解公众舆论和趋势预测提供了有价值的技术参考。