中文微博觀點(diǎn)句識(shí)別及要素抽取研究.pdf

1、微博作為一種新興的文體受到了廣泛的關(guān)注，在國內(nèi)外多個(gè)評(píng)測的推動(dòng)下，關(guān)于微博的情感分析研究已成為NLP研究領(lǐng)域的一個(gè)熱點(diǎn)，微博平臺(tái)上存在海量的觀點(diǎn)性文本，可以通過對(duì)它們的分析，了解用戶喜好，既有理論意義，又有使用價(jià)值。
　　本文面向中文微博這一特殊文本，進(jìn)行觀點(diǎn)句識(shí)別及要素抽取研究，針對(duì)中文微博的特點(diǎn)，尋找合適的情感分析方法。
　　由于觀點(diǎn)句識(shí)別是要素抽取的前提，為保證其準(zhǔn)確率，采用有監(jiān)督的機(jī)器學(xué)習(xí)方法，使用SVM分類器結(jié)合一

2、元詞形特征對(duì)微博進(jìn)行情感分類。文中對(duì)比了多種特征表示方法的分類性能，并利用信息增益減少特征集中的特征數(shù)目。實(shí)驗(yàn)表明，TF-IDF的權(quán)值設(shè)定方法更適合于中文微博的情感分類任務(wù)，在使用的特征數(shù)目為特征總數(shù)的20％時(shí)，其最高準(zhǔn)確率達(dá)到95.54％。同時(shí)，本文比較了不同特征表示方法在單子句微博和多子句微博上的分類效果，結(jié)果顯示，離散表示法和分布方式的句子建模方法在多子句微博中的準(zhǔn)確率較高，而組合方式的句子建模方法更適用于單子句微博。
　　

3、在要素抽取方面，為了避免不同類別微博之間的相互干擾，首先利用LDA模型對(duì)語料進(jìn)行主題分類，并確定每個(gè)類別的主題詞;然后采用雙層關(guān)聯(lián)規(guī)則挖掘算法抽取其中的對(duì)象層及屬性層候選頻繁項(xiàng)集，在結(jié)構(gòu)和語義兩個(gè)層面上對(duì)頻繁項(xiàng)集進(jìn)行緊密度剪枝和可信度剪枝;制定篩選和定界規(guī)則，根據(jù)頻繁項(xiàng)集獲得每條微博的對(duì)象層及屬性層要素;使用詞的位置信息和點(diǎn)互信息對(duì)應(yīng)對(duì)象層和屬性層要素，并通過觀點(diǎn)句識(shí)別的結(jié)果確定要素的情感傾向性。實(shí)驗(yàn)數(shù)據(jù)采用第六屆中文傾向性分析評(píng)測所發(fā)