基于多粒度用户偏好的文档级情感分析

不同的用户通常具有多粒度的用户偏好,即用不同的用词习惯来表达情感(单词级用户偏好);在不同的句子上表达出不同的情感强度(句子级用户偏好);用不同的评分特征对产品进行评价(文档级用户偏好)。现有情感模型在文本特征表示时并未考虑用户偏好的多粒度性,据此,该文提出了一种融合多粒度用户偏好的情感分析模型。首先,在单词粒度上,将用户信息融合到注意机制中来获取基于用户偏好的句子表示;然后,在句子粒度上,结合自注意机制获取基于用户偏好的文档表示;最后,在文档粒度上,将得到的文档表示与用户信息直接进行融合得到文档的特征表示,并利用该表示进行分类。在IMDB、Yelp13、Yelp14三个文档级数据集上的实验表明,该模型能更有效地提升分类性能。

基于邻域信息的代价敏感三支决策文本情感分析模型

通常数据集的情感倾向具有代价敏感性,现有的分类算法并未考虑代价损失问题,使得分类损失较高。基于此,提出一种基于三支决策分类模型的文本情感分析模型,即基于邻域信息的代价敏感三支决策情感分析模型(EATWD)来挖掘文本中的情感类别。首先基于最小构造性覆盖的三支决策模型(MinCA)将所得文本向量划分为正域/负域和边界域。接着采用基于邻域信息的代价敏感方法进一步划分边界域,使得情感分析更加精确,降低分类损失。实验结果表明EATWD算法可以获得较高的准确率、较低的分类损失,在文本情感分析问题求解上具有一定的优势。