文本倾向性分析综述

介绍文本倾向性分析的基本流程,从主观性文本识别、文本倾向性分析方法、现有系统及评测方法、语料库建设4个方面对现有文本倾向性分析技术进行介绍和概括.综述了文本倾向性分析的3类研究方法:简单统计方法、机器学习方法和细粒度情感相关性分析方法,分析这3类研究方法的特点,从算法复杂性、效率和适用范围等方面比较各自的优缺点.概括现有研究的成就和不足,从基础性问题、具体应用的实现方法2个方面提出研究的前景.

融合用户特征与多级文本倾向性分析的网络意见领袖识别

网络事件中,意见领袖能够传播信息、扩大影响力、引导舆论方向。为了识别意见领袖,文章引入多级文本倾向性分析,自动将文本识别为非常正面、正面、中立、负面和非常负面5种情感倾向,更加精确地表征网民对博主的支持度。在此基础上,进一步融合多种用户特征,构建系统的网络意见领袖识别指标体系,基于新浪微博的真实数据,进行意见领袖识别,并与未加支持度指标的模型以及支持度两级分类模型进行对比,验证了方法的有效性。

情感Ontology构建与文本倾向性分析

对文本倾向性分析方法进行了研究,并提出了一种基于情感Ontology的分析方法。首先基于《知网》构建情感Ontology,然后基于情感Ontology抽取文本倾向性分析的特征词汇并判断其情感倾向性,最后根据抽取的特征词汇对整篇文本的倾向性进行分析。实验结果表明,以实验语料中的所有词汇作为特征词汇,在Baseline的基础上,利用情感Ontology抽取特征词汇的文本倾向性分析方法可以使准确率达到86.76%。

基于类别空间模型的文本倾向性分类方法

在对现有分类方法和文本倾向性分类的复杂性进行分析的基础上,提出了一种基于类别空间模型的文本倾向性分类方法。该方法采用组合特征提取方法,基于词语对类别的倾向性进行分类。实验结果表明该方法有效地提高了倾向性分类的精度和速度。

基于支持向量机的文本倾向性分类研究

文本倾向性分类可以广泛应用到信息检索,产品质量在线跟踪,民情民意调查分析以及聊天系统等.本文提出了基于限定词性词语与信息增益、基于情感倾向词汇与信息增益的两种混合特征选择方法,并设计了基于支持向量机的分类器.以汽车产品、篮球赛事以及中日关系3种中文评论文本为训练与测试语料,对本文所提方法进行了实验验证,结果表明:限定词性词语与信息增益的混合特征选择优于信息增益与情感倾向词汇混合特征选择方法.

文本倾向识别的置信度估计

由于置信度模型可以有效地判断观测数据与文本倾向模板之间的匹配程度,因此可以用在文本倾向识别中,有效地定位识别结果,从而提高系统的识别率和稳健性。该文讨论了文本倾向识别中的置信度的基本原理,介绍了假设检验和区间估计在文本倾向识别中的应用。

快速的文本倾向性分类方法(英文)

提出了一种快速的文本倾向性分类方法,即采用类别空间模型描述词语对类别的倾向性,基于词的统计特征实现分类;针对倾向性分类的复杂性,在综合考虑词频、词的文本频、词的分布三种统计特征的基础上,提出一种新的二次特征提取方法:第一次特征提取,采用组合特征提取方法,除去低频词以及在各类中均匀分布的噪音词;第二次特征提取,去除类别倾向性不明显的词。实验表明该分类方法不仅具有较高的分类性能,而且运行速度快,在信息检索、信息过滤、内容安全管理等方面具有一定的实用价值。

基于评价修饰分布差的评论文本倾向性识别方法

针对文本倾向性分类时因情感指向不明导致的修饰词极性误判和隐藏观点遗漏等问题,提出基于评价修饰分布差的倾向识别方法。建立修饰关系二部图和修饰分布向量,计算评价对象在正、负训练语料中被修饰词用于修饰的分布差异,提取修饰分布差异明显的特征,并将正、负修饰差异信息融入特征值的计算中。实验结果表明,相比抽取带有主观情感词作为特征进行支持向量机二类分类的倾向性识别方法,所提方法的分类准确率和召回率分别提高约4.6%和5.6%,可有效改善评论文本倾向性识别的效果。在面对跨领域情况时,分类准确率和召回率的降低幅度比抽取带有主观情感词作为特征进行支持向量机的二类分类减少约6.6%和6.4%,具有一定的领域适应性。

热点发现及文本倾向性分析技术研究

为了有效地对不断涌现的海量互联网信息进行采集、分析、检索,基于网络舆情分析涉及到的热点发现与文本倾向性分析两个关键技术,改进了相似主题检测和基于语气标注方法的文本倾向性分析算法。实验结果表明,直接通过关键词匹配法,误差较大;基于关联规则的相似主题检测,可以明显提高检测精度。同时,无论是对正面文档还是对负面文档,经过改进的基于语气标注方法都明显提高了查全率和查准率。

一种基于改进支持向量机的文本倾向性分类算法

文本的倾向性分类器是文本倾向性分类的核心部分,它用于将待分类的文本映射到某一倾向性类别中去。传统支持向量机的核函数学习能力和泛化推广能力的平衡性有待提高,而且参数选择不易。对目前文本倾向性分类算法使用的传统的支持向量机进行了改进,一是构造了多核函数;二是使用粒子群算法对支持向量机的参数进行优化,平衡了核函数的全局性和局部性,更有利于对样本数据的学习和推广;最后利用改进的支持向量机构造文本倾向性分类算法。

基于多种情感特征的网络文本倾向性判别方法研究

网络文本的情感倾向性分析对于电子商务、网络信息安全、网络舆情等方面具有非常重要的意义。本文在对文本倾向性分析的常用方法作了分析和研究的基础上,提出了一种综合情感词语、否定词、程度副词、关联词和词句类型等多种特征计算词句的极性值,进而判别文本情感倾向性的方法。实验结果表明,与ku提出的算法相比,该方法更能有效地判定文本情感倾向性。

基于文本倾向性分类技术的图书评价模型

介绍了文本分类技术和文本倾向性分类技术,并基于文本倾向性分类技术分析了图书评论中的信息,研究如何将机器学习方法应用在图书评论的倾向性分类中,提出了一种图书评价模型构建的解决方法.

基于情感描述项的文本倾向性识别研究

文本倾向性识别可以广泛应用于用户产品评论、舆情分析等。针对文本倾向性识别往往需要借助外部资源的问题,提出一种基于情感描述项及改进的互信息计算相结合的方法,通过句法分析提取出若干可以获得文本情感描述项的匹配模式,根据模式匹配及计算情感描述项的互信息作为特征值,训练分类模型得出文本的褒贬性。通过对酒店、手机语料集实验后的结果进行分析,该方法具有良好的效果。

基于LPA和Tri-Training的半监督文本倾向性分类

提出了一种基于LPA和Tri-Training算法的半监督文本倾向性分类框架.通过LPA对初始样本进行快速分类,获得更多可信的有标签数据,优化分类框架的训练过程.引入Tri-Training算法,提高分类框架的泛化能力和可用性.实验结果表明,在不同标注比例的样本集上,该框架都有较好的分类性能,相较有监督学习算法和单一的半监督算法提高了分类精度,并有较强的鲁棒性,为解决有标签样本比例较少情况下的文本倾向性分类提供了一个新的思路.

基于语义的文本倾向性分析在高校教学评价中的应用

采用文本倾向性分析技术对各类评价主体的主观评价意见进行分析,收集评价主体对受评教师的教学内容、课程进程,授课方法等教学情况的反馈意见,对其进行抽取和摘要,并且分析出意见是褒义、贬义还是中性。目的是得到一个意见三元组:<主题,教师,表达词>。其中"主题"表示该句的评价对象,如"讲解"、"课件"等;"教师"即是该段文本所评价的教师;"表达词"表示承载该意见的词语,如"精辟"、"拖沓无聊"等。从而根据表达词的倾向性量化语言信息,使得教学评价更确切、更具体。

基于机器学习的文本倾向性分析特征选择研究

本文围绕文本倾向性分析的基本流程进行论述,主要研究了以文本情感分析技术为主的倾向性分析,以主观性文本及客观性文本识别为前提,从特征选择算法和特征加权算法方面对现有文本倾向性进行分析,介绍了算法的推导公式及模型训练代码,重点涵盖了基于机器学习的文本倾向性分析方法,对其算法复杂性、算法效率和适用范围给出了具体的概括和总结.

融合文本倾向性分析的微博意见领袖识别

【目的】融合外部特征与帖文本身的内容,引入文本倾向性分析表征网民对博主的支持度,识别网络意见领袖。【方法】构建意见领袖识别模型,在潜在意见领袖提取的基础上,引入文本倾向性分析,通过Word2Vec算法识别网络中的情感新词、提高微博评论情感倾向性分析的准确性,分别计算博主评论中正面、中立和负面三种情感倾向所占的比例,去除负面情感占比过重的"伪意见领袖"。【结果】与改进的PageRank算法对比,本文意见领袖识别模型进一步优化了意见领袖的排序结果,与原始微博数据更为一致。【局限】研究语料来源于"官员殴打护士"话题,具有一定的领域局限性。【结论】模型最终识别出三种典型的网络意见领袖,涵盖突发事件发展的全过程。

基于否定分析理论对A Rose for Emily文本变形倾向的分析

本文基于贝尔曼的“否定分析”理论,对福克纳短篇小说A Rose for Emily杨岂深汉译本进行分析,试图验证分析其中的文本变形倾向,从而对小说翻译的实践起到一定的促进作用。经过研究发现:杨岂深先生版本的译文中理性化、高贵化的倾向较多,兼有对原文节奏的破坏以及原文意指体系的破坏等变形倾向,因而导致原文口语化的叙事风格总体偏向较为正式且古雅的风格,尤其是译文中大量四字成语以及书面语的使用。同时,从文中部分词汇的翻译也可看出译者在进行翻译时采取了贴近译入语语言文化习惯的翻译方式,验证了翻译过程中文本变形倾向的存在。但从某种程度上来看,这种翻译的方式一定程度上与原文的语言风格有所差异,原文中的异质性则被过滤了。

一种文本倾向性分析方法及其应用

介绍常用的文本分类模型与技术,特别分析基于统计和基于语义两种文本倾向性分析的方法,尝试将两者结合起来,提出基于模式抽取和匹配基础上的文本倾向性分类算法,并进行测评,然后介绍基于网络信息文本倾向性分析的技术实现,同时结合领域应用进行简单的实证分析。

领域内文本褒贬倾向性分类中的特征提取技术

本文介绍了文本褒贬倾向性分类的方法和技术,重点论述了文本的表示方法和褒贬特征抽取的方法,提出了基于MI特征提取方法的改进办法。实验结果表明,这种改进有利于褒贬特征的抽取,从而提高了分类的精度。