多領(lǐng)域的文本情感傾向分類方法研究.pdf

1、隨著Web2.0技術(shù)的迅速發(fā)展，網(wǎng)上出現(xiàn)了大量帶有主觀性傾向的文本信息，為了對這些文本信息進(jìn)行挖掘與分析處理，文本情感傾向性分析技術(shù)引起了很多專家學(xué)者的關(guān)注。特征選擇方法是進(jìn)行文本情感傾向分析技術(shù)的重要步驟，但是僅僅考慮特征對文本情感傾向分類的作用已顯得片面，本文將文本的主題信息與特征的類別區(qū)分能力相結(jié)合旨在得到既包含主題信息又包含區(qū)分能力的文本情感傾向分類特征。針對多領(lǐng)域的文本情感傾向分類問題，本文做了如下研究工作:
　　(1)

2、為了實(shí)現(xiàn)多領(lǐng)域的文本情感傾向分類，本文利用LDA主題模型對文本的主題信息進(jìn)行了分析。通過建立文本表面的文字與隱藏于片段內(nèi)的不同主題間的關(guān)聯(lián)關(guān)系，獲取主題在文本上的概率分布，實(shí)現(xiàn)文本的主題聚集。通過對2008年文本傾向性分析評(píng)測的2704篇文本的實(shí)驗(yàn)，對10個(gè)主題下的類別與已知領(lǐng)域類別進(jìn)行的匹配結(jié)果表明，此時(shí)該文本子集的聚集純度最高。
　　(2)為了進(jìn)一步對混合領(lǐng)域文本情感傾向性分類進(jìn)行研究，本文利用LDA模型與Fisher判別準(zhǔn)則

3、兩種方法進(jìn)行交集和并集混合，獲取用于文本情感傾向判別的特征，在此基礎(chǔ)上，采用TF-IDF的特征權(quán)重計(jì)算方法以及文本情感分類效果較好的SVM分類器，在相同的文本語料上進(jìn)行實(shí)驗(yàn)比較。結(jié)果表明，兩種特征混合交集，在特征維數(shù)最低的情況，卻得到了最好的情感分類結(jié)果。
　　(3)針對多領(lǐng)域的文本情感傾向性分類問題，本文利用LDA模型將混合領(lǐng)域的文本進(jìn)行領(lǐng)域聚集，在此基礎(chǔ)上對各領(lǐng)域類別的文本，采用Fisher判別準(zhǔn)則的特征選擇方法重新選擇了特征