主讲人：金明哲，京都先端科学大学特任教授、博士生导师，吉林外国语大学人工智能学院教授。

时间：2026年11月4日18：00--19:30

地点：人工智能学院会议室（敦材楼202）

主办：科研处、人工智能学院

主持人：人工智能学院院长张克亮教授

参加人：全校各相关学科专业领域的教师、研究生和本科生。

讲座人简介：

金明哲，京都先端科学大学特任教授、博士生导师，吉林外国语大学人工智能学院教授。数字与人文交叉学科领域国际知名学者，研究领域涵盖文本挖掘、语料库计量、人文文本量化分析，以及复杂网络、语言统计建模。立足AI时代学术研究发展趋势，系统构建了新时代文本分析与挖掘的完整方法论体系，阐释了传统统计分析手段与大语言模型（LLM）的互补优势和融合路径，创新性提出“文本数智科学”研究框架。在国内外期刊和学术会议发表论文170余篇，专著、百科全书50余部，主持日本文部省多项科研基金，获得日本行动计量学会林知己夫优秀奖和日本统计学会出版奖。

讲座内容简介：

情感分析是自然语言处理的基础核心任务，也叫倾向性分析，主要通过技术手段自动判别文本、评论等内容的主观情感，分为积极、消极、中性三类。随着人工智能技术迭代，情感分析从人工规则逐步发展为机器学习、深度学习技术，目前主流方法包含情感词典法、传统机器学习法、深度学习法三类。情感词典法是最基础的规则式分析方法。该方法依托预设情感词典，收录正负向情感词、否定词和程度副词。通过分词、去停用词等文本预处理，逐词匹配词典并统计情感分值，结合修饰词汇修正分数，最终判定文本情感倾向。该方法原理简单、运行高效、无需标注数据、可解释性强，适合小规模简单文本分析。但缺点显著，高度依赖词典质量，无法识别网络新词、反语和隐喻，不具备语境理解能力，识别准确率较低，仅适用于低精度需求场景。传统机器学习情感分析法依托特征工程实现智能分类。该方法无需人工制定固定规则，通过TF-IDF等技术提取文本特征并转化为向量数据，利用逻辑回归、支持向量机等模型训练学习文本与情感的关联规律。相较于词典法，其准确率和泛化能力大幅提升，可处理大批量标准化文本。但该方法需要大量人工标注数据，特征设计依赖人工经验，难以捕捉上下文语义与语序逻辑，对复杂文本识别效果有限。深度学习情感分析是当前主流最优技术，以CNN、RNN、预训练语言模型为核心。模型可自动挖掘文本深层语义特征，无需人工提取特征，能够精准理解语境、歧义句和长文本逻辑，识别精度远高于前两种方法。

综上，三种方法各有优劣，实际应用中可根据数据规模、精度需求灵活选用，适配不同场景的文本情感分析任务。

初审：孙玉婷

复审：姜沅彤

终审：肖可意