揭示公眾輿論：基於LSTM與傳統模型的情緒分析研究

近年來，社交媒體平台如Twitter已成為公眾表達觀點和情感的重要場所。隨着用户生成內容的激增，情感分析作為自然語言處理的關鍵應用，變得不可或缺。一篇發表於2025年IEEE計算、通信與數據工程國際會議（C-CODE 2025）的論文，題為“揭示公眾輿論：基於LSTM與傳統模型的情緒分析研究”，系統比較了多種機器學習與深度學習方法在Twitter情感分類中的表現。

研究採用了Kaggle上的Twitter數據集，經過分詞、詞形還原和停用詞剔除等預處理。研究者評估了邏輯迴歸、隨機森林、樸素貝葉斯、梯度提升以及LSTM網絡等算法。結果顯示，LSTM模型在捕捉文本的上下文和序列特徵方面表現卓越，訓練準確率達到90.98%，測試準確率為80%，微平均ROC-AUC分數高達0.92，顯著優於傳統機器學習模型。

論文強調，LSTM能夠有效處理文本中的長期依賴關係，從而更準確地判斷推文的情感傾向（正面、負面或中性）。這一發現對於實時輿情監測、趨勢預測等領域具有重要價值。儘管傳統模型在某些場景下仍具優勢，但深度學習在複雜文本分析中的潛力不容忽視。

該研究使用了一個公開的Kaggle Twitter數據集，並進行了嚴格的預處理步驟，包括分詞、詞形還原和停用詞移除。實驗結果表明，LSTM在捕捉文本的上下文和序列信息方面優於傳統方法，從而在情感分類任務中取得了更高的準確性。論文還指出，雖然LSTM模型在訓練和測試準確率上表現突出，但其計算成本較高，需要更多的訓練時間和資源。未來的工作可以探索更高效的深度學習架構，或者將LSTM與其他模型集成，以進一步提高性能。

隨着社交數據規模的持續增長，該研究為未來情感分析系統的選型提供了實證依據。研究者呼籲在更大規模數據集上進一步驗證模型的可擴展性，並考慮將方法應用於多語言情感分析。總之，這項研究為理解公眾輿論和趨勢預測提供了有價值的技術參考。