随着信息时代的不断进步以及电子产品的全民化普及,网络上代表着用户情感和观点的短文本内容呈现爆炸式的增长,传统的基于深度学习的中文情感倾向分类方法无法完全挖掘出这些评论的商用价值。为此,本文研究了中文评论短文本的情感倾向以及与互动率的关系,并设计实现了一个评论情感倾向与互动率预测系统。本文针对电影新闻相关的在线短文本评论数据,首先提出了一个基于LSTM的前融合情感倾向分类模型PF-LSTM,实现了不同场景下评论文本的情感倾向分类;其次,结合上述情感倾向分类模型的输出结果,提出了一个基于RNN的评论互动率预测模型CIRP-RNN,以获得评论情感倾向与评论互动率之间的关系;最后,基于上述两个模型,本文设计开发了一个评论情感倾向与互动率预测系统,以帮助用户分析评论氛围和制定高收益的评论策略。具体研究内容如下:本文首先介绍了本课题的研究背景与意义,对情感倾向分类和回归预测的国内外研究现状进行了分析。其次,采用统计分析和基于半监督机器学习的方法,对本文后续研究将使用的数据集的有效性进行了分析与验证。实验结果表明,本文使用的数据集能够有效地应用于本文的后续研究工作。接着,本文提出了基于LSTM的前融合情感倾向分类模型。该模型通过Word2vec构建词向量矩阵,利用情感词标签修正情感词向量,突出中文评论文本句子中情感词的情感倾向信息,并且将评论场景作为一个输入特征,融合到评论句子特征向量中,实现不同场景下中文评论短文本数据的情感语义分析。实验结果通过分类精确率、召回率和F1值的比较,表明了本文所提出的PF-LSTM模型不仅解决了情感词向量无法突出情感信息的问题,而且相比于传统的LSTM中文情感倾向分类模型,减少了分类时间复杂度,提高了情感倾向分类准确性。然后,根据回归预测原理,本文提出了基于RNN的评论互动率预测模型,并研究了评论的情感倾向、评论的内容长度以及评论的展现位置与评论互动率的关系。模型实验结果表明,基于RNN的评论互动率预测模型拟合评论互动率数据效果较好,能够有效地对评论互动率进行预测。接着,本文分析了评论情感倾向与互动率预测系统的目标及功能需求,划分了系统模块,设计了系统的数据库。最后,介绍了系统开发环境及工具,搭建了系统实现框架,详细描述了系统各个模块的实现过程,给出了相应的运行效果截图。