基于微博的细粒度情感分析

【目的】对微博进行细粒度情感分析,将情感分为8类,并计算其情感强度值,从而尽可能还原微博用户情感。【方法】通过微博语料分析构建疑问词词表,在大连理工大学情感词汇本体DUTIR的7类情感基础上,丰富一类情感"疑",并利用点互信息法构建表情符号词典,还综合考虑否定词和程度副词对情感表达的影响,利用Python从新浪微博上获取数据,并用R语言的jieba R包进行分词,对情感进行分类并计算其强度。【结果】得到微博用户对于糖尿病7类常用药物的8类情感占比及情感强度,并通过正确率、召回率、F值对结果进行验证,其中"怒"和"哀"的正确率最高,分别为85.73%和83.05%,而"乐"和"好"的召回率与F值均最高,为81%以上。本文新增情感"疑"的正确率、召回率、F值分别为77.33%、78.58%、77.95%,均值在8类情感中排名前列,说明其情感识别较好。【局限】由于本文依赖于情感词典进行情感分析,因此为了更好的分析结果,情感词典仍需进一步完善。【结论】本方法具有较高的识别率和可靠性,能够更好地对微博上的情感分类进行细粒度分析。

面向微博商品评论的情感标签抽取研究

【目的】提出新的情感标签抽取方法,以提高微博商品评论的特征级情感标签抽取效果。【方法】基于依存句法分析并结合制定的抽取规则进行评价单元划分和显式标签抽取,通过NodeRank算法揭示评论中的隐式表达关系,进而抽取隐式标签,提高情感标签抽取的正确率。【结果】通过真实的网络评论数据集进行模拟和对比实验,本文方法的总体准确率、召回率、F值达到83.6%、87.1%和85.3%,优于已有的抽取方法。【局限】在隐式标签的抽取中未能充分考虑用户较为通用的情感表达。【结论】本文所提基于依存句法分析和NodeRank算法的方法可以有效地对情感标签进行抽取。