文本情感分類中的極性轉移問題研究.pdf

1、詞袋模型是基于機器學習的情感分類任務最為常用的文本表示方法，然而傳統(tǒng)的基于詞袋模型的文本表示方法存在著一些基礎性的問題，尚未得到有效的解決。情感文本中的極性轉移現(xiàn)象是其中一個極為重要的問題，很大程度上限制了情感分類的性能。本文針對情感分類中的極性轉移問題，開展了以下幾方面研究工作:
　　首先，本文總結歸納了極性轉移產(chǎn)生的原因與類型，統(tǒng)計了極性轉移樣本在實際語料中以及在錯分樣本中的分布情況，并通過實例分析驗證情感文本中的極性轉移問題

2、對情感分類性能的影響。
　　然后，論文提出了一種混合極性轉移檢測和反義替換算法。本文先結合規(guī)則方法和統(tǒng)計學習方法的優(yōu)點，提出了混合極性轉移檢測算法:利用規(guī)則方法檢測顯式極性轉移，利用統(tǒng)計學習方法檢測隱式極性轉移。然后針對算法檢測出的否定極性轉移子集，提出了反義替換算法，進一步消除否定極性轉移。最后，一篇文檔將被劃分成反義替換子集、句間極性轉移子集和無極性轉移子集，我們利用子集文檔基分類器集成算法，得到文檔的最終情感極性。
　

3、　最后，論文提出了一種基于反義樣本的對偶情感分類方法。該方法先利用語義知識和反義字典，自動生成與原始樣本極性相反并且消除了否定極性轉移的反義樣本。然后提出了對偶訓練和對偶預測算法，利用反義樣本參與到模型的訓練和分類預測。該方法的一個核心問題是如何構建反義字典，論文還提出的兩種情感反義字典構建方法:基于字典資源方法和基于語料的方法。
　　論文在中英文標準數(shù)據(jù)集上進行了實驗，實驗證實與相關工作的算法相比，本文提出的算法取得了情感分類性