Twitter 预测未来推特的情绪

我试图预测推特用户发布的下一条推特的情绪。现在我有以下步骤（步骤1和步骤2已经在python中实现）：

了解如何将推文分类为积极（1）、中性（0）或消极（-1）。我使用了一个朴素的贝叶斯分类器，效果非常好

对来自用户的现有推文进行分类。这会产生一系列类似这样的数字：[0，1，-1，-1，0，1，1，…]还有关于发布时间的信息

是否有可能预测下一条推特的情绪（1、0或-1）

我可以使用什么算法来处理这个问题

---

我还不知道这个模型是如何工作的，但是隐马尔可夫模型是合适的还是某种回归

此站点有一些java库：

隐马尔可夫模型也应该起作用。HMM是条件随机场的一种特殊情况，它允许您查看其他因素，例如天气或新闻事件

---

我想知道一个人的下一条推文是否也会受到a）everyone b）当前推文或他们关注的推文的影响，我认为一种很有吸引力的方式来考虑这一点，即先发和情绪的可能性。NaiveBayes是一个可能性模型（假设这条推文是正面的，我看到这条推文的可能性有多大？）。考虑到目前为止你已经观察到了一系列的情绪，你问的是下一条推特被肯定的可能性。有几种方法可以做到这一点：

• 最简单的方法是用户发出的积极推文的分数，即下一条推文可能是积极的
• 然而，这忽略了最近性。你可以提出一个基于转换的模型：从每个可能的前一个状态来看，下一条推特可能是正面的、负面的或中性的。因此，你有一个3x3的转移矩阵，下一条tweet为正的条件概率是转移概率pos->pos。这可以通过计数来估计，这是一个马尔可夫过程（基本上，前一个状态才是最重要的）
• 这些过渡模型会变得越来越复杂，例如，当前的“状态”可能是最后两条推文的情绪，或者实际上是最后n条推文的情绪，这意味着你会以模型中越来越多的参数为代价得到更具体的预测。您可以通过平滑方案、参数绑定等来克服这一问题

---

最后一点，我认为@Anony Mousse关于先验是弱证据的观点将是正确的：真的，不管你的先验告诉你什么，我认为这将被似然函数所支配（所讨论的tweet中的实际内容）。如果你也看到了Twitter，那么考虑一个CRF作为@ Neil McGuigan建议。< /P>一个想法：简单地创建另一个分类器，它具有一个特性：<代码> K-1/代码>类标签（什么类是前一个推特），<代码> K-2/代码>类标签，<代码>…>代码>，看看这是否是足够的数据来产生一个有效的预测。（我个人的猜测是，这还不够，但除非你尝试，否则我们不知道。）基本上你正在做的是。你可以尝试这样做，但人类通常不那么容易预测。下一条推文的情绪可能不会很大程度上取决于之前的推文，而是更多地取决于你在推文中没有观察到的外部因素。在评估时，要小心不要让机器人出现在你的数据中。嗯，这是不合适的，因为“状态”（情绪）并没有隐藏，至少就问题大纲的状态而言是如此。实际上，我们可以观察情绪的顺序。类似地，CRF只有在我们看到有问题的推文时才真正有用，但我相信OP希望得到情绪的先验概率分布（而不是看到有问题的推文）。