微博客細(xì)粒度情感分析技術(shù)的研究與實(shí)現(xiàn).pdf

1、隨著社會(huì)媒體平臺(tái)的普及，越來(lái)越多的人喜歡通過(guò)網(wǎng)絡(luò)對(duì)人物、事件、產(chǎn)品等信息發(fā)表評(píng)論并表達(dá)個(gè)人的觀點(diǎn)。在此背景下，微博客作為一種新興的社會(huì)媒體，發(fā)展迅速，在短短幾年的時(shí)間內(nèi)即擁有了大量的用戶群體。微博客中包含了大量的用戶主觀發(fā)表的有價(jià)值的評(píng)論信息，這些信息表達(dá)了用戶的各種情感，因而針對(duì)微博客的情感分析在網(wǎng)絡(luò)輿情分析中起著非常重要的作用。但是，目前針對(duì)微博客的情感分類大多是諸如“正、反”或“正、中、反”這種粗粒度的，本文針對(duì)微博客的特點(diǎn)，著重

2、研究微博客的細(xì)粒度情感分析技術(shù)和相關(guān)問(wèn)題。
　　首先，研究面向微博客細(xì)粒度情感分析的微博客相似度計(jì)算。由于微博文本的簡(jiǎn)短性，兩條微博中出現(xiàn)的相同的特征詞數(shù)量極少，因而簡(jiǎn)單使用TF-IDF方法得到的向量空間模型的向量值非常稀疏，相似度的計(jì)算結(jié)果不理想。為降低微博特征詞稀少對(duì)相似度計(jì)算的影響，本文采用基于LDA模型，計(jì)算得出微博數(shù)據(jù)的主題—詞概率分布，通過(guò)計(jì)算兩條微博互異特征詞的主題相關(guān)度，更新相應(yīng)特征詞的向量值的方法。最后通過(guò)余弦相

3、似度的方法計(jì)算兩條微博的相似度。實(shí)驗(yàn)證明了此種方法的相似度計(jì)算是有效的。同時(shí)，在實(shí)驗(yàn)前，對(duì)數(shù)據(jù)進(jìn)行刪除垃圾微博及無(wú)用字段處理及分詞和刪除停用詞等預(yù)處理以得到實(shí)驗(yàn)所需的純凈數(shù)據(jù)，并將微博所表達(dá)的細(xì)粒度情感劃分為“高興”、“喜愛(ài)”、“傷心”、“焦慮”、“憤怒”五類，以具有細(xì)粒度情感標(biāo)注的表情符號(hào)詞典為基礎(chǔ)對(duì)微博數(shù)據(jù)進(jìn)行情感標(biāo)注，得到最終的實(shí)驗(yàn)數(shù)據(jù)。
　　其次，研究基于貝葉斯定理的微博客細(xì)粒度情感分析。以訓(xùn)練數(shù)據(jù)為基礎(chǔ)，首先訓(xùn)練得出每個(gè)

4、特征詞屬于每種情感的概率，然后計(jì)算出每條微博具有每種情感的概率值，最后計(jì)算得出微博客的細(xì)粒度情感序列。通過(guò)實(shí)驗(yàn)證明基于貝葉斯的方法對(duì)微博客細(xì)粒度情感分析具有較好的效果。
　　然后，研究基于K近鄰的細(xì)粒度情感分析。以微博相似度計(jì)算為基礎(chǔ)，得到每條微博的K近鄰。通過(guò)測(cè)試數(shù)據(jù)與近鄰微博的相似度及近鄰微博的情感序列，計(jì)算得出微博所表達(dá)的細(xì)粒度情感序列。通過(guò)實(shí)驗(yàn)證明K近鄰方法對(duì)微博客細(xì)粒度情感分析具有比較好的結(jié)果。
　　最后，針對(duì)基于