随着互联网的不断发展,越来越多的网民将社交媒体作为获取信息的主要途径,人们在网络空间中快速、自由地发布信息、社交互动、情感交流。微博作为网络信息传播最具代表性的应用之一,越来越多的网民通过微博来发布、获取和传播信息。微博上蕴含着个人观点的实时评论具有潜在的舆论导向,由此形成网络舆情。然而,网络舆情事件往往是突发的、难以预知的。近年来,对于舆情事件的相关研究层出不穷,现有算法无法高效对网民情感及舆情趋势做出准确、及时的预测。本文对面向网民情感倾向的舆情发展趋势开展研究,提出一种基于情感倾向性分析的网络舆情趋势预测方法。通过对舆情事件评论数据进行提取,同时结合注意力机制对网民的情感倾向进行分析,再基于舆情事件的情感倾向性程度以及神经网络对舆情事件的发展进行预测,研究中充分利用微博舆情事件的可获取数据来对舆情事件的发展进行研究,该方法包含用于情感倾向性分析的Att-Emo模型和用于舆情趋势预测的SDZ-LSTM模型两个部分,现将模型工作原理描述如下:一、针对舆情情感倾向性分析的研究中多考虑文本因素而忽略表情因素的不足,本文在对微博热门舆情事件进行情感倾向性分析过程中,在考虑表情因素的情况下同时结合自注意力机制来对包含表情的舆情评论数据进行情感倾向性分析,提出了基于Att-Emo的情感倾向性分析模型。该模型首先利用双向Bi LSTM和CNN对包含表情的评论数据中的文本及表情序列分别进行初步处理,将处理后的向量矩阵进行融合,并将融合层输入到自注意力机制层中,利用自注意力机制对句子中情感词给予更高关注度的优势对情感倾向性进一步的分析。最后利用softmax分类器进行情感分类,使得情感倾向性的分析结果更为精准。二、考虑到舆情预测研究多以线性模型为主,使得预测准确度偏低,而使用非线性预测模型时,计算复杂度较高,时间成本大。因此,本文根据LSTM对突发事件的较好预测效果,同时结合SDZ方法对LSTM框架进行改进,提出了基于SDZ-LSTM的网络事件舆情趋势预测模型。该模型分为三个层次,首尾两个层次用LSTM网络来实现对舆情的精确预测,中间层SDZ-LSTM结构利用SDZ在LSTM原有结构基础上增加一个参数Zt,从而对LSTM记忆单元Ct进行概率化的更新,该结构使模型在预测精度提高的同时,缩短了模型训练时长。最后,在分析舆情事件中网民情感倾向性的基础上,对易引发舆情预警的微博热点事件的发展趋势进行预测,通过对比实验对所提方法的准确性和有效性进行评估,实验结果表明本文所提方法在情感倾向性的分析中及舆情趋势预测方面都具有更高的准确率。本文研究内容中所提方法,有助于网络舆情监管部门及时掌握网民情感倾向及舆情发展趋势,以便根据预测结果提前采取相关措施对网络舆情进行管控。