情感词典扩充的微博文本多元情感分类研究

[目的/意义]传统的微博文本情感分类大多注重判别情感的二元或三元倾向,这不能很好地贴近人类真实情感的描述。对微博文本的多元情感分类问题进行研究,有助于探明微博用户对某事件的真实看法,帮助相关部门对事件走向做出正确的判断和引导。[方法/过程]结合卡方检验方法,对含有众多口语化词汇和表情符号的微博文本进行处理,从含有特定表情符号的微博句子中识别属于某类情感的情感词,并结合《同义词词林》,实现对已有多元情感本体库的扩充。综合考虑扩充的情感词典、Bi-gram特征、否定词特征、表情符号和特殊符号以及句子长度等特征,利用SVM实现对微博文本句子级情感的多元分类,并以2014年"袁隆平事件"为例,实现对该事件的多元情感分析。[结果/结论]实验结果表明,相对于未进行情感词典扩充的情感分类而言,基于情感词典扩充的多元情感分类方法在分类性能上提升了3.6%,取得了比较好的分类效果。

结合word2vec与扩充情感词典的微博多元情感分类研究

对微博文本的多元情感分类问题进行了研究.针对现有的多元情感词典不能很好地覆盖微博文本中情感词的不足,结合特定的情感符号和基于卡方统计量的度量方法,实现对现有的多元情感词典的扩充;针对情感词典无法有效考察文本的上下文语境信息的问题,引入word2vec模型实现情感词和其所在微博语句的向量化表达.在此基础上,利用KNN分类器实现微博句子级的多元情感分类.实验结果表明,扩充情感词典及引入word2vec模型均有助于提升微博文本多元情感分类的效果.

基于Word2Vec的情感词典自动构建与优化

情感词典的构建是文本挖掘领域中重要的基础性工作。近几年,情感词典的极性标注从二元褒贬标注向多元情绪标注发展,词典的领域特性也日趋明显。但是情感类别的手工标注不但费时费力,而且情感强度难以得到准确量化,同时对领域性的过分关注也大大限制了情感词典的适用性[1]。通过神经网络语言模型对大规模中文语料进行统计训练,并在此基础上提出了基于转换约束集的多维情感词典自动构建方法;然后研究了基于词分布密度的感情色彩消歧方法,对兼具褒贬意味词语的感情极性进行区分和识别,并分别计算两种感情色彩下的情感类别与强度;最后提出基于多个语义资源的全局优化方案,得到包含10种情绪标注的多维汉语情感词典SentiRuc。实验证实该词典1)在类别标注检验、强度标注检验、情感消歧效果及情感分类任务中均具有良好的效果,其中的情感强度检验证实该词典具有极强的情感语义描述力。