基于詞典和機器學習組合的情感分析.pdf

1、情感是人類智能表現(xiàn)的一種特征。情感既可以是身體上生理狀態(tài)發(fā)生變化的反映，也可通過文本加以表達。目前研究情感分析的語料資源大部分來源于用戶評論文本。評論文本已成為消費者購買商品的重要參考。從文本中獲取情感信息，首先要從文本中抽取語義特征信息并加以分類。因為無法及時提取到信息豐富的評論，且基于詞典的方法或基于機器學習的方法量化得到的情感特征過于片面，無法很好的輔助消費者進行決策，所以提取評論文本的情感特征及對評論文本進行主客觀分類的研究就有

2、現(xiàn)實意義。但基于詞典的研究依賴于情感詞典，由于新的詞匯以及未登錄詞較多，情感詞典的構(gòu)建難度較大，且詞語缺少強度量化。機器學習的方法不能較好解決多個情感詞時引發(fā)的情感發(fā)散問題。本文提出了結(jié)合詞典和機器學習的情感分析方法，得到可以提高預測評論主客觀性的正確率的情感特征組合。
　　本文將手機評論文本作為研究對象進行相關(guān)情感分析研究工作，將基于詞典與主題模型結(jié)合方法、基于機器學習方法以及詞典和機器學習組合方法得到的情感特征進行量化表示。實

3、驗比較量化的情感特征對主客觀分類的影響。本文的研究工作如下:
　　(1)詞典擴充與極性計算研究。在基于詞典的情感分析中，針對目前通用情感詞典無法滿足特定領(lǐng)域情感分析的要求，本文基于SO-PMI算法構(gòu)建了由通用詞典、擴展詞典和專用領(lǐng)域詞典組合的手機領(lǐng)域的專屬情感詞庫。并利用其情感詞抽取和主題模型特征表示的結(jié)合方法對相應情感特征進行量化表示。實驗得出，與基于詞典的方法相比，詞典與主題模型相結(jié)合的方法進一步優(yōu)化了情感特征的量化表示。

4、r>　　(2)機器學習的情感特征挖掘。在特征選擇和組合、特征維度和分類算法選擇方面進行最優(yōu)化，最大化情感分類準確率。手機評論領(lǐng)域的情感分類時采用貝葉斯、邏輯回歸、支持向量機這三種分類算法，實驗得貝葉斯分類效果最好。以所有詞、雙詞搭配、所有詞和雙詞搭配、信息量豐富的詞、信息豐富的詞和雙詞搭配作為特征選擇組合方式，實驗得出信息豐富的詞和雙詞搭配為特征在1000維時取得最優(yōu)分類效果。
　　(3)特征選擇與分類算法研究。將基于詞典的方法得