基于SO-PMI算法的旅游景点数据情感分析

互联网上的用户生成内容(UGC)会对消费者决策产生重要的影响,通过对UGC进行情感分析,可以从中挖掘出用户的真实情感,对于促进用户决策具有重大意义。文中通过爬虫采集并分析携程网站上部分景点的点评信息,并应用准确率、召回率、F1度量等评价指标,探讨了基于情感词典的情感分析方法在旅游评论领域的应用和优化作用。

基于改进SO-PMI的藏文情感词典自动构建方法

情感词典是舆情分析、情感计算等领域非常重要的知识资源。针对藏文情感标注资源匮乏的情况,提出一种基于改进SO-PMI的藏文情感词典自动构建方法。该方法使用情感关联修正对点互信息计算方式进行改进,提升了SO-PMI方法从复杂句式中抽取情感词的准确率,实现从藏文句子级文本中自动构建情感词典。在藏文微信评论文本数据集上将所提方法与传统SO-PMI方法以及改进的标签传播法进行对比,实验结果表明,该方法在情感词识别准确率上分别提高了20.38%和2.34%,生成的词典能够包含语料领域的情感词,可用于不同领域的藏文情感分析研究。

基于Good-Turing平滑SO-PMI算法构建微博情感词典方法的研究

微博情感词典的构建在微博情感分析中具有重要的研究意义和使用价值。针对现有公共情感词典对微博中情感词覆盖率较低的问题,以HowNet和大连理工大学情感本体作为微博基础情感词典,提出一种基于Good-Turing平滑的SO-PMI算法,针对近年来出现的大量网络情感词汇进行情感倾向性的判断,并与基础情感词典融合构建微博领域情感词典。最后采用基于规则的方法判断微博文本的情感倾向性。实验结果验证上述方法构建的微博领域情感词典在微博情感分类中的有效性和准确性。

一种多方法融合的藏语情感词典构建方法

深度学习在藏语情感分析领域备受关注,相较于传统机器学习方法其表现更出色。然而,构建藏语情感词典仍面临着挑战,如词汇量不足、过度依赖机器翻译系统、词典匹配源单一、缺少口语情感词典等。为解决上述问题,文章提出了一种多方法融合的藏语情感词典构建方法。首先,统计并分析已有情感词标注规则后提出了一种藏语情感词的标注规则作为情感词分类的主要依据;其次,提出了一种多词典匹配的藏语情感词典构建方法构建了藏语基准情感词典,为了扩大基准情感词典的规模,利用SO-PMI和基于word2vec词向量相似度扩充方法对基准词典进行词汇扩充,并且利用藏语3大方言的口语词典经人工筛选后构建了藏语口语情感词典;然后,将基准词典和扩充词典合并去重后得到了《藏语书面语与口语情感词典》;最后,为了证明本文方法的可行性和所构建词典的可用性而进行了藏语情感词典性能评估实验;实验中准确率、召回率、F值分别为60.80%、90.31%、72.67%,达到了较好的应用水平,验证了多方法融合的藏语情感词典构建方法的可行性。

基于改进TF-IDF与BERT的领域情感词典构建方法

领域情感词典的构建是领域文本情感分析的基础。现有的领域情感词典构建方法存在所筛选候选情感词冗余度高、情感极性判断失准、领域依赖性强等问题。为了提高所筛选候选情感词的领域性和判断领域情感词极性的准确程度,提出了一种基于改进词频-逆文档频率(TF-IDF)与BERT的领域情感词典构建方法。该方法在筛选领域候选情感词阶段对TF-IDF算法进行改进,将隐含狄利克雷分布(LDA)算法与改进后的TF-IDF算法结合,进行领域性修正,提升了所筛选候选情感词的领域性;在候选情感词极性判断阶段,将情感倾向点互信息算法(SO-PMI)与BERT结合,利用领域情感词微调BERT分类模型,提高了判断领域候选情感词情感极性的准确程度。在不同领域的用户评论数据集上进行实验,结果表明,该方法可以提高所构建领域情感词典的质量,使用该方法构建的领域情感词典用于汽车领域和手机领域文本情感分析的F1值分别达到78.02%和88.35%。

基于表情符号的情感词典的构建研究

情感词典是文本情感分析的基础资源。利用表情符号明显的情感表达作用,提出一种基于种子表情符和SO-PMI算法结合的情感词典构建方法。选择44个情感明显、内容丰富的表情符号词作为种子情感集合。构建过程融合了TF-IDF值在词汇重要程度的度量作用,有效选择候选情感词集。基于SO-PMI算法,在大量语料中计算候选情感词汇与种子表情符号之间的情感共现信息,进而确定词汇的情感权值和极性。在500万条微博语料中,计算并构建情感词典SentiNet,共有情感词汇13814个,其中正向词汇6885个,负向词汇6929个。将SentiNet应用于微博文本情感分析任务中,实验结果表明,SentiNet能实现情感词的情感表示,并可应用于大规模的微博语料情感分析任务。该方法融合了情感词的重要度衡量优势和种子表情符号集的情感表达优势,证明了获得的情感权值有效。

网络评论观点分类研究

分析了几种可用于网络观点评论的分类算法,并将其中的SVM算法和SO-PMI算法用于股票评论的观点分类.实验结果表明,SVM算法和SO-PMI算法在股票评论中的分类性能一般,仍需进一步改进.

在线评论数据挖掘视角下的产品改良设计研究

目的互联网大背景下,从在线评论数据挖掘的视角,探索产品改良设计方法。方法通过python爬虫工具抓取特定产品的在线评论,对数据进行预处理、分词与词性标注之后,应用Apriori算法挖掘用户高频关注的产品属性。并应用SO-PMI算法计算各属性综合评价值,通过分析属性评价值,确定产品存在的问题。再应用TRIZ分析,选出产生矛盾的工程参数,查找矛盾矩阵,得到创新原理解。最后结合具体问题将其转化为改良设计方案,完成改良设计。以天猫旗舰店的一款销量较好的宜兴紫砂壶的在线评论为实例研究,抓取评论数据,挖掘用户关注的紫砂壶属性,并计算出属性评价值。发现紫砂壶存在造型同质化和断水性差的问题,运用TRIZ理论的抽取原理和曲面化原理解决问题,完成紫砂壶的改良设计。结论从评论数据中能够挖掘到更加全面、具体、直观的用户对产品的反馈信息,更好地辅助产品的改良设计。

基于词典和规则集的微博情绪分类方法研究

针对现有的基于情绪词典的情绪分类研究中,词典不够完善、情绪分类精确度不高的问题,将情绪词典与情绪分类规则相结合,构建了微博用户情绪分类模型.首先对现有情绪词典进行标注和整合,使用多点扩充的SO-PMI算法进行新词扩充,提高情绪分类精确度;然后设计了一套组合情绪判定规则,构建情绪分类模型.实验显示,该模型在情绪分类中的准确度达到87%.

基于情感词典的引文文本情感识别研究

基于情感分析的引证行为研究通过揭示科研论文引用情感的普遍规律,进而探究引证行为的规律。本研究以OpinionFinder英文情感词典为基础,借助SO-PMI算法计算引文文本中词语的点互信息值来判断词语之间的语义相似度,从而构建了优化的引文领域情感词典。本研究从PLOS ONE期刊数据库收集了信息检索领域1045篇文献的65976处引用进行实证分析。结果表明,这些引用中有84.02%为中性引用,13.11%为正向引用,2.87%为负向引用。本研究可以为其他引文领域情感词典的构建,以及在更大规模引文数据中的应用提供借鉴。

基于领域词典的民宿评论情感分析

通过基于领域词典的情感分析法,从用户生成的内容中更为准确地分析其情感状态,为民宿业提供一种新的研究视角。以贵阳民宿评论为研究样本,采用SO-PMI算法完成领域词典的构建,并借助LDA主题模型和可视化技术对用户评论进行情感分析。研究发现,构建的领域词典相较基础情感词典而言,性能上得到提升,尤其在负面评论方面,准确率、召回率上分别提升了17%和16%。同时结合LDA主题挖掘,详尽分析民宿评论中的正负面主题并分析其内在原因,这能为民宿管理者做出更好的决策提供数据支持和理论支撑。

基于汉语组块产品特征——观点对提取与情感分析研究

针对用户评论中产品特征—观点对的提取及情感分析问题进行了研究。为了提高提取及分析的准确性,利用组块分析提取产品特征,从中寻找到频繁项集,并用逐点互信息量(PMI)对候选产品特征进行过滤,得到产品的特征集合;利用特征与情感词在位置上的邻近关系,提取情感词并组成特征—观点对,通过点互信息方法(SO-PMI)进行情感倾向分析。为验证该方法的有效性,以酒店评论文本为例,从中提取酒店的特征—观点对并进行情感分析,准确率为76.68%,召回率为70.84%。实验结果表明,引入组块分析可以有效地解决商品评论的细粒度情感分类问题。

基于MOOC课程评论的情感分析与主题挖掘研究

MOOC课程评价是反馈学习者状态的重要数据来源,通过分析MOOC课程评论不仅能反映学习者情感倾向,还能及时发现教学问题。研究提出结合情感词典和机器学习的情感分析和主题挖掘模型,扩展构建教育领域情感词典,计算评论情感得分构建训练集,基于朴素贝叶斯算法进行情感分析,利用词云和BTM主题挖掘负面评论。结果发现,该模型能准确分析评论文本的情感极性,整体课程评论情感倾向更积极,针对挖掘结果,聚焦教师教学能力、考核评价方式、学习平台建设、课程内容构建、学习资源开发五个方面提出在线课程的优化建议。

突发事件网络舆情领域情感词典构建

[目的/意义]情感分析技术广泛应用于网络舆情方面,该技术可以有效地区别分析网民在网络社交平台所发布言论的情感极性。受到应用领域的限制,基础的情感词典并不能满足特定应用领域对于情感分析的需求。本文构建的词典可以满足网络舆情领域的情感分析需求。[方法/过程]先使用TF-IDF和TextRank提取种子词,然后采用SO-PMI算法构建突发事件网络舆情领域的情感词典。[结果/结论]使用该情感词典对“昆山反杀案”这一突发事件的微博评论进行情感分析,证明了所构建的情感词典在一定程度上具有准确性及适用性。

融合词向量和点互信息的领域情感词典构建

情感词典技术是文本情感分析的基础。受领域的限制,基础情感词典并不能满足特定领域的情感分析的需要。本文提出一种融合词向量和点互信息的领域情感词典方法,该方法以大量在线评论作为语料库,利用TF-IDF算法挑选领域种子情感词,结合词向量模型提取其与种子词相似度高的词语组成候选情感词集,采用SO-PMI算法来计算各候选词的情感极性,进而融合基础情感词典得到扩充后的领域情感词典。实验表明,构建的领域情感词典能有效提高餐饮领域情感分析任务的性能。

基于Fast Unfolding算法的情感词典扩展方法研究

随着互联网技术的发展,越来越多的互联网产品出现了,极大地改变了人们的生活方式。越来越多的人选择在网络上发表自己的观点,分享自己的生活。这些行为带来了大量的数据,其中蕴含着丰富的商业和社会价值。对这些数据进行情感分析就是挖掘其背后隐藏价值的过程。论文在SO-PMI算法的基础上,提出将Fast Unfolding算法与PMI相结合,设计并实现FU-PMI算法,并使用准确率、召回率及F1值对算法的有效性进行评判。对比实验表明,论文提出的算法构建的情感词典相比于SO-PMI算法构建的情感词典效果更好,验证了FU-PMI算法的有效性。

面向延安景点评论的情感词典构建

景区评论中蕴含着丰富的情感内涵,如何挖掘出有价值的信息逐渐成为研究人员关注的焦点。运用TF-IDF算法和SO-PMI算法构建了面向延安景点评论的情感词典。实验结果表明,本文所构建的情感词典在情感分类方面准确率达到了89%,召回率以及F1值都有明显提升,从而验证了该词典的有效性和可行性。

基于动态主题情感分析的虚假新闻网络舆情研究

目前,关于虚假新闻的研究主要从辨别、影响和治理等角度出发,对虚假新闻中的公众情感分析多为定性研究,缺少客观定量地表示公众情感变化,为舆情治理提供有效的决策支持方面较薄弱。鉴于此,本文提出一种基于动态主题情感模型的分析方法,运用改进的TF-IDF和SO-PMI相结合的方法构建专属情感词典,对比真实新闻与虚假新闻的主题与情感变化,运用主成分分析法构建多主体虚假新闻网络舆情治理指标体系和模型,最后进行实证分析。通过实证研究表明,该方法可以有效地分析公共安全事件中公众情感、行为等动态变化特点,可为进一步制定治理虚假新闻网络舆情的措施提供有效理论依据。

基于词典和表情符号的微博舆情情感分析研究

微博中携带着的情感对社会发展的影响越来越重要,通过对微博文本的情感分析,可以对网络舆情做出正确判断和及时决策。基于SO-PMI算法对现有情感词典进行扩充,并构建了程度副词、否定词、双重否定词、表情符号词典。首先爬取特定话题的微博文本,进行预处理和分词,然后基于构建的词典计算文本的情感值,并使用可视化方法展示网民的情感状况和关键词。

基于LS-SO算法的情感文本分类方法

首先,基于点互信息与信息检索(PMI-IR)算法,提出一种Laplace平滑情感判定(LS-SO)算法,对情感词典与表情符号情感词典进行自动扩充,得到了具有一定规模、高质量的情感词典,包括基础情感词典、目标情感词典、网络用语情感词典、表情符号情感词典、否定词词典、疑问词词典、程度副词词典和连词词典.其次,通过细化文本语义分析规则计算文本情感值.实验结果验证了该方法的有效性.