基于改进TF-IDF与BERT的领域情感词典构建方法

领域情感词典的构建是领域文本情感分析的基础。现有的领域情感词典构建方法存在所筛选候选情感词冗余度高、情感极性判断失准、领域依赖性强等问题。为了提高所筛选候选情感词的领域性和判断领域情感词极性的准确程度,提出了一种基于改进词频-逆文档频率(TF-IDF)与BERT的领域情感词典构建方法。该方法在筛选领域候选情感词阶段对TF-IDF算法进行改进,将隐含狄利克雷分布(LDA)算法与改进后的TF-IDF算法结合,进行领域性修正,提升了所筛选候选情感词的领域性;在候选情感词极性判断阶段,将情感倾向点互信息算法(SO-PMI)与BERT结合,利用领域情感词微调BERT分类模型,提高了判断领域候选情感词情感极性的准确程度。在不同领域的用户评论数据集上进行实验,结果表明,该方法可以提高所构建领域情感词典的质量,使用该方法构建的领域情感词典用于汽车领域和手机领域文本情感分析的F1值分别达到78.02%和88.35%。

基于领域本体、情感词典的商品评论倾向性分析

文本倾向性分析已成为当前自然语言处理领域的研究热点,其研究成果具有极高的应用价值。针对网络在线中文评论的特点,基于领域本体与情感词典对商品评论倾向性进行分析。其主要思想是首先构建面向商品论坛的领域本体;其次利用情感词典与上下文极性算法计算情感词极性;再次通过将本体与SBV算法相结合,实现评价对象和评价词的二元组抽取;最后完成句子的倾向性分析。实验结果表明,有效提高了句子级倾向性分析的准确率。

基于词向量的跨领域中文情感词典构建方法

情感分析已经成为当今自然语言处理领域的热点问题。对于文本的自动化、半监督式的情感分析研究具有广泛的理论和实用价值。基于情感词典的情感倾向分析方法是文本情感分析的一种重要手段。然而,中文词汇在不同领域中的情感倾向不尽相同,一词多义现象明显。同时,不同领域中的情感词也具有专业性、领域性的特点。针对这些问题,本文提出一种基于词向量相似度的半监督情感极性判断算法(Sentiment orientation from word vector,SO-WV),并依据该算法设计出一种跨领域的中文情感词典构建方法。实验证明,本文所设计的情感词典构建方法能有效地对情感词情感倾向进行判断。算法不仅在不同领域的情感词典建立上具有良好的可移植性,同时还具有专业性、领域性的特点。

产品评论中领域情感词典的构建

领域情感词典是情感分析最重要的基础。由于产品评论的数量巨大、领域众多,如何自动构建领域情感词典已经成为近年来的一个研究热点。该文提出了一个两阶段的领域情感词典构建算法。第一阶段,利用情感词间的点互信息和上下文约束,使用基于约束的标签传播算法构造基本情感词典;第二阶段,根据情感冲突的频率来识别领域相关情感词,并根据其上下文约束以及修饰的特征完善领域情感词典。实验结果表明,该方法在实际产品评论数据集上取得了较好的效果。

领域情感词典构建方法研究

领域情感词典在特定领域文本情感分析中发挥着重要的作用。文章通过文献调研,梳理和归纳了领域情感词典构建的实现技术和方法,分析并总结了各种领域情感词典构建方法的优缺点以及领域情感词典的性能评估方法,指出领域情感词典的构建在新情感词识别与属性情感词对应等方面还有待完善。

中文领域情感词典构建研究

[目的/意义]旨在为解决某些特定领域的情感分析任务,提高情感分析的精度提供参考。[方法/过程]采用逆向思维,先从领域情感词典结构设计方面入手,再以“实体-属性-情感词”的多元词对为主线,逐步解决领域情感词典结构要求,从而形成一种新的中文领域情感词典构建方法。[结果/结论]实验证明,该词典不仅能够准确判断情感词的情感极性,还能有效的对中文文本进行情感分类。

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。

基于网络语料的特定领域情感词典生成方法研究

[目的/意义]旨在为构建特定领域情感词典提供参考。[方法/过程]基于同义词词典和基于语料库的特点,提出多元融合的词语关系图构建方法,利用半监督标签传播算法为未标记的词语分配情感极性,并进行实例分析。[结果/结论]该方法在自动生成特定领域词汇上具有优越性。

基于领域情感词典的用户生成内容有用性评价研究——以豆瓣读书为例

[目的/意义]用户生成内容有用性评价是自然语言处理研究的重要内容,文章提出一种融合领域情感词典与信息熵的评价方法,对体验型产品的用户生成内容有用性评价问题进行研究。[方法/过程]基于领域情感词典抽取用户评论语料的情感特征,并以信息熵作为信息量特征,以随机森林和梯度下降树分类模型进行对比实验,验证研究假设。[结果/结论]证明了体验型产品用户生成内容的有用性评价效果可以利用领域情感特征得到大幅提升,扩展了领域情感词典的实践应用场景。

加入领域先验知识的产生式情感分类模型

情感分类是通过分析数据中的情感信息,来预测数据所传递的情感倾向。其中结合语言学词典与产生式分类器构造带有先验知识的分类模型,是一类重要的研究课题。通过研究情感词的领域性和不同权重的特性,提出了一种新的融入情感先验知识的情感分类方法。通过自动分析构造领域相关的情感词及其权重信息,将其作为情感先验知识,融入到产生式分类模型中,得到更适合特定领域的分类模型。实验结果表明,该方法在分类性能上,显著并一致地优于其他结合了领域无关先验知识的产生式分类模型。

基于DSLML的鸡蛋消费在线评论情感分析

随着信息技术、包装和物流技术的快速发展,包括农产品在内的电商产品范围和规模越来越大,同时,网上购物在线评论数据也呈指数级增加。在线评论成为关注的热点。以京东电商平台为例,挖掘鸡蛋消费在线评论文本,深入分析消费者鸡蛋消费情感倾向,提出了一种结合机器学习的领域情感词典(Domain sentimental lexicon with machine learning,DSLML)分类方法,该方法通过情感倾向逐点互信息(Semantic orientation pointwise mutual information,SO-PMI)方法构建领域情感词典,并选择机器学习模型作为情感分类器,实现对鸡蛋在线评论的情感倾向分类;然后构建LDA主题模型挖掘出鸡蛋评论中的正、负向主题。实验结果表明,与单独的机器学习模型和领域情感词典(Domain sentimental lexicon,DSL)相比,DSLML分类模型在文本情感倾向分类中的各指标均有所提升;主题挖掘结果表明,消费者最为关心的是鸡蛋品质和包装。本研究结论可以为鸡蛋电商经营者有针对性提升经营策略、提高服务质量提供数据支持和理论支撑。

摄影领域评论情感词典构建方法

目前少见摄影领域情感词典,且为改善Word2Vec情感词典构建方法词语领域区分度,提出一种改进Word2Vec的摄影领域情感词典构建方法。用TF-IDF训练结果词集及人工摄影情感基础词集对Word2Vec训练结果集进行领域重要程度修正,产生摄影领域情感词集,从大连理工大学情感词汇本体库中选取种子词和情感词集计算情感词的极性和强度,和HowNet情感词典合并形成摄影领域情感词典。实验结果表明,该方法在实际摄影评论数据集上取得了较好的效果。

基于标签传播的评教文本情感词典构建

情感词典是情感倾向分析的基础工作.提出了一种领域情感词典自动构建方法,并构建了带有情感权重的评教领域情感词典.首先选取情感倾向稳定、情感强度高、词频高的种子词,再使用点互信息PMI计算种子词与候选词的共现程度,作为关联图的权重.最后利用标签传播算法标注候选词的极性,行标准化最后的标签矩阵,将标签矩阵中的概率值作为情感词的强度.尽管PMI可以很好地衡量词之间的紧密程度,但缺少了对复杂句式的处理,将CRM算法的情感标注思想引入到PMI的计算中后,能够使PMI计算结果更加可靠.实验结果表明,该方法在真实评教文本数据集中,能够取得较好的效果.

领域特定情感词典扩展方法在情感分类中的应用

通用情感词典(GPEL)对情感词语所在上下文的背景建模方面表现较差。针对此问题,提出一种领域特定情感词典(Domain Specific Emotion Dictionary,DSED)生成方法的扩展方法。所提方法在特征提取中使用了DSED提供的知识,而非简单的词语计数。利用在训练文档上学习到的DSED知识,提取出基于词典的特征。词性标注、情绪词典和GPEL作为提取情感分类相关特征的外部资源。实验在SemEval-2007、微博数据集和博客数据集三个公开数据集上进行,实验结果表明,所提方法提取出的特征显著优于从GPEL提取出的特征,与逐点互信息(PMI)、n元语法等方法相比,所提方法的性能更优。

基于句型结构的领域倾向词表构建

分析了句型结构中的否定句和转折句对倾向词极性的影响,提出一种基于句型结构的领域倾向性词表构建算法.该方法不仅考虑了词与词之间的相关性,也考虑了词与文档之间的相关性信息.该算法利用改进的拉普拉斯平滑方法来计算候选词和基准词之间的语义相关性,同时结合词与文档的相关性信息,加入了对转折句和否定句的处理,最后采用改进的信息瓶颈算法进行聚类.实验结果显示,采用该方法对酒店、电脑和书籍三个领域的语料分别构建领域倾向性词表,可以得到最高为85.2%准确率.

基于词向量的领域情感词典构建

针对现有领域情感词典在情感和语义表达等方面的不足,提出一种基于词向量的领域情感词典构建方法。利用25万篇新闻语料和10万余条酒店评论数据,训练得到word2vec模型;选择80个情感明显、内容丰富、词性多样化的情感词作为种子词集;利用TF-IDF值在词汇重要程度的度量作用,在酒店评论中获得9 860个领域候选情感词汇;通过计算候选情感词与种子词的词向量之间的语义相似度,将情感词映射到高维向量空间,实现了情感词的特征向量表示(Senti2vec)。将Senti2vec应用于情感词极性分类和文本情感分析任务中,试验结果表明,Senti2vec能实现情感词的语义表示和情感表示;基于特定领域语料的语义相似计算,使得提取的情感特征更具有领域特性,同时不受候选情感词集范围的约束。