With the rapid development of the Internet, readers tend to share their views and emotions about news events. Predicting these emotions provides a vital role in social media applications (e.g., sentiment retrieval, opinion summary, and election prediction). However, news articles usually consist of objective texts that lack emotion words, making emotion prediction challenging. From prior studies, we know that comments that come directly from readers are full of emotions. Therefore, in this article, we propose a deep learning framework that first merges article and comment information to predict readers’ emotions. At the same time, in the prediction process, we design a pseudo comment representation for unpublished news articles by the comments of published news. In addition, a better model is required to encode articles that contain implicit emotions. To solve this problem, we propose a block emotion attention network (BEAN) to encode news articles better. It includes an emotion attention mechanism and a hierarchical structure to capture emotion words and generate structural information during encoding. Experiments performed on three public datasets show that BEAN achieves the state-of-the-art average Pearson (AP) and accuracy (Acc@1). Moreover, results on four self-collected datasets show that both the introduction of emotional comments and BEAN in our framework improve the ability to predict readers’ emotions.

中文翻译：

---

基于新闻文章和伪评论特征的新闻读者情绪预测深度学习框架

随着互联网的快速发展，读者倾向于分享他们对新闻事件的看法和情感。预测这些情绪在社交媒体应用程序（例如，情绪检索、意见摘要和选举预测）中发挥着至关重要的作用。然而，新闻文章通常由缺乏情感词的客观文本组成，这使得情感预测具有挑战性。从之前的研究中，我们知道直接来自读者的评论充满了情感。因此，在这篇文章中，我们提出了一个深度学习框架，首先合并文章和评论信息来预测读者的情绪。同时，在预测过程中，我们通过已发布新闻的评论设计了未发布新闻文章的伪评论表示。此外，需要一个更好的模型来编码包含隐含情感的文章。为了解决这个问题，我们提出了一个块情感注意力网络（BEAN）来更好地编码新闻文章。它包括一个情感注意机制和一个层次结构来捕获情感词并在编码过程中生成结构信息。在三个公共数据集上进行的实验表明，BEAN 达到了最先进的平均 Pearson (AP) 和准确性 (Acc@1)。此外，四个自行收集的数据集的结果表明，在我们的框架中引入情感评论和 BEAN 都提高了预测读者情绪的能力。它包括一个情感注意机制和一个层次结构来捕获情感词并在编码过程中生成结构信息。在三个公共数据集上进行的实验表明，BEAN 达到了最先进的平均 Pearson (AP) 和准确性 (Acc@1)。此外，四个自行收集的数据集的结果表明，在我们的框架中引入情感评论和 BEAN 都提高了预测读者情绪的能力。它包括一个情感注意机制和一个层次结构来捕获情感词并在编码过程中生成结构信息。在三个公共数据集上进行的实验表明，BEAN 达到了最先进的平均 Pearson (AP) 和准确性 (Acc@1)。此外，四个自行收集的数据集的结果表明，在我们的框架中引入情感评论和 BEAN 都提高了预测读者情绪的能力。