基于目标对象表示学习的立场判定

针对基于文本的立场判定通常会被归结为简单分类或情感分析而出现判定不准确的问题,提出一种基于目标对象表示学习的文本立场判定模型。模型能充分利用卷积神经网络在局部特征提取方面的优势,实现在不依赖复杂的句法树解析过程的同时,识别决定特定立场分析的关键目标,有效提升文本立场判定模型性能。以微博中针对某大型央企产品及政策的舆论文本为例,开展立场判定实验,通过与多个主流基线模型的比较,验证了方法的有效性和可行性。

基于情感对象识别和情感规则的微博倾向性分析

微博平台数据中含有大量反映用户情感喜恶的信息,对于涉及博文倾向性分析的应用尤为重要。现有的分析方法往往聚焦在博文情感的简单分类上,无法分析特定类型实体的微博倾向性。为解决微博倾向性分析问题,实现博文立场判定,采用半监督学习的方法,通过协同训练和主动学习,训练实体识别模型,并构建基于主成分分析的情感规则,提取句子的主成分,将口语化的文本规范化为指定格式。再利用指向性实体的正负面性、情感词的褒贬义及情感词充当的句子成分,实现情感分类的更深层次分析——立场判定。针对实际问题进行立场判定实验,在不同规模数据集上的自对比实验和他比实验显示,随着标注实体的博文数量增加,模型对博文立场判断的正确率持续提升,而且所提方法判断博文立场的正确率显著高于对比方法,相较已有研究方法分别提高了2.79%和10.00%。