基于主題模型的文本情感分析研究.pdf

1、互聯(lián)網(wǎng)中各類(lèi)評(píng)論信息數(shù)量巨大、變化迅速，海量的評(píng)論表達(dá)著信息發(fā)布者的情感傾向，這些信息對(duì)于政府部門(mén)的輿情監(jiān)控、企業(yè)的經(jīng)營(yíng)決策和個(gè)人的購(gòu)買(mǎi)決定，都起著至關(guān)重要的作用。但通過(guò)人工收集分析這些數(shù)據(jù)不僅成本較高，也無(wú)法滿(mǎn)足時(shí)效性要求，因此文本情感分析受到了學(xué)術(shù)界與工業(yè)界的廣泛關(guān)注。主題模型是能夠從大規(guī)模離散數(shù)據(jù)集中自動(dòng)提取隱含語(yǔ)義信息的生成概率模型。近年來(lái)，主題模型在文本分類(lèi)、圖像分類(lèi)、熱點(diǎn)事件監(jiān)測(cè)、多文檔自動(dòng)文摘、推薦系統(tǒng)等領(lǐng)域得到了廣泛應(yīng)用

2、。主題情感混合模型以主題模型為基礎(chǔ)，可以無(wú)監(jiān)督地提取語(yǔ)料的主題信息和對(duì)應(yīng)的情感傾向，在文本情感分析領(lǐng)域得到了越來(lái)越多的關(guān)注。
　　本文針對(duì)長(zhǎng)文本和短文本的不同特性，分別提出了詞加權(quán)LDA算法（Weighted Latent Dirichlet Allocation Algorithm，WLDA）和BJSTM模型（Biterm Joint Sentiment Topic Model，BJSTM）。
　　針對(duì)長(zhǎng)文本，本文針對(duì)現(xiàn)有

3、主題/情感聯(lián)合分析方法中主題間區(qū)分度較低的問(wèn)題提出了WLDA算法。通過(guò)在吉布斯采樣中對(duì)不同詞匯賦予不同權(quán)重，增強(qiáng)了具有情感傾向的詞匯在采樣過(guò)程中的影響，從而改善了主題間的區(qū)分性。實(shí)驗(yàn)表明，與JST模型（Joint Sentiment/Topic model，JST）相比， WLDA不僅在采樣中迭代速度快，也能夠更好地實(shí)現(xiàn)主題提取和情感分類(lèi)。
　　由于短文本具有稀疏性，面向短文本的主題/情感聯(lián)合分析方法較少，本文針對(duì)這一問(wèn)題提出適用