融合遗传算法的特定领域情感词库构建

为提高情感词库在特定领域情感分析的性能,针对情感词的强度和极性随着领域不同而变化的问题,采用遗传算法构建特定领域专用的情感词库。提出了基于遗传算法的情感词库构建框架,将词库预测特定领域文本情感趋向的准确率作为优化目标,并不断对情感词分值进行调整。利用遗传算法强大的搜索能力,实现对情感词分值的调整,结合情感词对文本的影响,设计并改进了变异策略以提升情感分类的准确率。设计了精英策略以提升算法的收敛速度。通过在中文和英文评论数据集上的对比实验表明,相较于已有的情感词库,构建的词库在特定领域文本情感分类的准确率和F1值都在80%以上,具有明显优势,证明了方法的有效性。该方法构建的情感词库在特定领域具有良好的性能,有效提升了情感词的覆盖率,能很好地扩展到其他领域。

基于领域情感词库的大气质量感知满意度研究

随着人们生活品质的提升,人们对空气质量的敏感度和向好性意愿日益提升。为分析公众对于大气质量的感知满意度,构建了大气质量感知领域情感词库,并进行精度验证和公众对于大气质量感知的满意度分析。结果表明,与仅利用基础情感词库相比,采用大气质量感知领域情感词库计算得到的大气质量感知满意度精度由33.1%提高到93.9%。工业收入排名靠前的城市投诉较多,大气质量感知满意度偏差。公众大气质量感知满意度能够正确反映区域的整体大气质量状况。

基于词间距和点互信息的影评情感词库构建

在线影评的情感词能够直观的表达观众的电影观后感,已成为情感分析研究的热点之一。如何针对海量纷繁的影评数据建立领域特有的情感词库来提高影评情感分析准确性是当前影评情感分析亟待解决的问题。本文提出了一种新的基于词间距和点互信息的中文影评情感词库构建方法。该方法首先结合影评语料和基础词典利用K-means++聚类选择出情感倾向明显的正负面种子词集;再利用词间距和点互信息(Distance of Word Point-wise Mutual Information,DW-PMI)算法计算出影评领域词与种子词的语义相似度,得到影评领域情感词表;最后将影评领域情感词表加入基础情感词典构建出中文影评情感词库。实验结果证明所构建的词库可显著提高中文影评情感分析的准确度。

在线文本情感分析技术及应用

Web 2.0时代的到来,增强了互联网络的人际交互性与即时性,使互联网逐渐成为大众普遍交流观点、抒发情感的平台,同时也积累下关于人类心理和行为的海量文本信息,可供社会科学研究之用。心理学的情绪结构理论中有关类型分类取向和维度取向的理论成果,为信息科学研究中的情感词库、情感分析工具的开发和发展,提供了心理科学基础。利用在线文本情感分析技术研究大众社会心理,拓宽了包括心理学在内的社会科学研究范畴;同时社会科学也为在线文本情感分析研究提供了新的研究命题和理论框架。二者相辅相成,共同推动计算社会科学的发轫与发展。

基于OC-SVM的新情感词识别

当前对新词发现、情感词极性标注与情感词库构建的研究比较多,却少有一个专门针对新情感词识别的方法。提出一种基于OC-SVM的新情感词识别方法,通过种子词扩展方法获得词语集,并用旧词典、词频和停用词等对扩展的词进行过滤,获取新词,对新词获取的实验评估显示在适当的F值下,正确率可以达到45.5%。由于情感词和非情感词训练集的不平衡性,采用词频、相邻词及其词性等作为特征用OC-SVM(one-class support vector machine)对新词进行分类,获得新情感词,构建一个有效的新情感词识别系统。实验结果在召回率为26.6%的情况下,正确率可以达到45.7%,证明了算法的有效性。

点评网站中垃圾用户识别研究

点评网站作为一种新兴的网络交流平台,目前存在着大量垃圾用户,他们发布的虚假垃圾评论信息误导了消费者的选择,引起不正当的市场竞争。本文基于机器学习的分类方法,对点评网站的垃圾用户进行研究,提出了基于用户评论频度的垃圾用户检测模型和基于用户评论情感度的垃圾用户检测模型,并将模型融合进行模型训练,以最大限度提高识别垃圾用户的有效性。实验表明,本文提出的方法对垃圾用户识别的准确率最高可达70%。

产品评论挖掘可视化实验平台的开发

针对目前研究人员已经提出多种中文评论挖掘方法,缺乏统一的评论实验数据集的现状,首先从知名网站上随机抽取手机评论,经过垃圾去除、手工标注,最终构造出手机领域的评论挖掘实验数据集.基于实验数据集构造出手机领域的情感词库,并利用模式匹配方法建立了产品特征粒度树,开发出一个可视化平台,研究人员可以直接用其检验挖掘方法的效果,也可以对不同的挖掘方法进行客观比较.

网络情感词自动识别方法研究

针对情感词识别及情感词库构建效率不高的问题,提出一种自动提取基准情感词集的方法,从词频、词的领域性情感倾向和词的情感强度三方面进行基准词筛选,再凭借目标词与正、负基准词集的不同语义相似度进行情感词的识别和情感倾向的判断,使机器能够自动完成大部分工作,提高效率,降低构建不同领域情感词库的成本。以京东商城71061条评论和卓越网1736条评论为数据集进行实验,获得的召回率为76.36%,准确率为76.94%,情感倾向判断的准确率为62.70%。