基于特征选择和深度信念网络的文本情感分类算法

由于人类语言的复杂性,文本情感分类算法大多都存在因为冗余而造成的词汇量过大的问题。深度信念网络(DBN)通过学习输入语料中的有用信息以及它的几个隐藏层来解决这个问题。然而对于大型应用程序来说,DBN是一个耗时且计算代价昂贵的算法。针对这个问题,提出了一种半监督的情感分类算法,即基于特征选择和深度信念网络的文本情感分类算法(FSDBN)。首先使用特征选择方法(文档频率(DF)、信息增益(IG)、卡方统计(CHI)、互信息(MI))过滤掉一些不相关的特征从而使词汇表的复杂性降低;然后将特征选择的结果输入到DBN中,使得DBN的学习阶段更加高效。将所提算法应用到中文以及维吾尔语中,实验结果表明在酒店评论数据集上,FSDBN在准确率方面比DBN提高了1.6%,在训练时间上比DBN缩短一半。

基于词典的中文微博情感细粒度分析研究

针对于中文微博情感细粒度的分析研究,并基于词典对微博数据进行情感细粒度分类,在此基础上,论文提出了十四种情感类别(基于七大类情感提出的,比如“好”衍生出“不好”)和改进了华中科技大学陈晓东毕业论文中的基于词典的情感分类算法。实验结果表明:论文分类算法准确率达到了70%以上,在实际应用中,十四种情感类别波动符合实际情况,中间情感类别(比如“不好”)占比低,明确情感类别(比如“好”)占比高。