面向評論的跨領域情感分類研究.pdf

1、隨著網絡社交平臺的崛起，海量主觀性信息迅速涌現。鑒于這些主觀數據往往具有巨大的潛在價值，情感分類、觀點挖掘等領域逐漸引起了廣泛的關注。然而傳統(tǒng)的情感分類具有領域特定性(domain-specific)，即當訓練集和測試集數據分布不同時，分類效果往往欠佳。隨著信息的迅猛發(fā)展，新的領域不斷涌現，而人工標注數據既耗時又費力，因此跨領域情感分類具有極其重要的意義。它旨在通過一個領域的數據訓練模型，來預測另一個領域文本的情感傾向性。
　　本

2、文旨在解決跨領域文本情感分類問題，主要工作包括以下三個方面：首先提出了一種基于加權SimRank算法的跨領域情感分類模型。該模型先通過ADMI(Absolute Difference of Mutual Information)算法挑選出頻繁出現在兩個領域中且?guī)в邢嗤楦袃A向性的樞紐特征作為橋梁，然后將樞紐特征與非樞紐特征的關系映射為二部圖，在加權SimRank算法的基礎下構建潛在特征空間LFS(Latent Feature Space

3、)。最后，利用LFS對樣本進行重映射，從而減小了不同領域之間的數據分布差異，較好的實現了領域遷移。實驗結果表明了該模型在跨領域文本情感分類中的有效性。其次，受評論中句子主語與領域獨立性（domain-independent）/特定性（domain-specific）情感詞分布關系的啟發(fā)，本文提出一種主語啟發(fā)式的跨領域文本情感分類集成模型(Subject-based Model)。該模型依照評論中句子的主語，將評論劃分為Personal和

4、Object兩個視圖。其中，Personal視圖包括主語或隱含主語是人物（評價者）的句子集;Object視圖由主語或隱含主語是評價對象的句子組成。統(tǒng)計發(fā)現，Personal視圖往往具有較好的領域獨立性，而Object視圖則常常具有領域特定性。在此基礎上，通過集成學習，有效地融合兩個視圖，既可以更大的受益于領域獨立性部分(Personal視圖)，而在一定程度上又可以避免領域特定性部分（Object視圖）拉大數據分布差異。最后，實驗從監(jiān)督學

5、習和半監(jiān)督學習兩個方面，驗證了Subject-based模型的有效性。最后，鑒于同一條評論中主題（產品屬性）的混雜性和情感對主題的依賴性，本文在第2部分工作的基礎上，充分考慮樣本的質量，提出了一種聯(lián)合樣本過濾和主語啟發(fā)式的跨領域情感分類集成模型SF-SE(Joint Sample Filtering with Subject-based EnsembleModel)。文中首先在句子級上提出了一種同時考慮主題和情感因素的主題模型，稱之為S