細粒度情感分析研究.pdf

1、從本世紀初開始，文本情感分析研究漸漸成為信息抽取領域中的研究熱點，獲得了越來越多的關注。隨著互聯(lián)網的飛速發(fā)展，特別是Web2.0技術的逐漸普及，廣大網絡用戶已經從過去單純的信息獲取者變?yōu)榫W絡內容的主要制造者。同時，隨著自然語言處理技術和機器學習技術的不斷發(fā)展和成熟，對主觀性文本進行情感分析也成為可能，并逐漸得到廣泛應用。
　　傳統(tǒng)的文本情感分析研究主要面向篇章和句子級別文本，實現(xiàn)相應的情感極性判定。這些研究在一些應用領域，如網絡輿

2、情分析、股評分析等，已經體現(xiàn)出較好的應用價值。然而，隨著應用的深入，用戶提出了更高的要求，比如希望進一步獲得評價對象屬性所對應的具體情感分析結果。在這方面，傳統(tǒng)的情感分析已不能完全滿足需求。因此，本文提出了細粒度情感分析方法來迎接這個挑戰(zhàn)。通過探索新的研究思路和方法，進一步提高情感分析的準確性和實用性。
　　本文針對細粒度情感分析中的關鍵技術展開研究，研究內容主要包括以下三個部分：
　　1.研究了情感詞極性強度量化方法。情感

3、詞的極性判定研究已相對成熟，但為了實現(xiàn)細粒度情感分析任務，還需要進行極性強度的量化計算，以滿足情感統(tǒng)計的需求。我們在現(xiàn)有情感詞極性強度量化算法的基礎上，提出了改進方案：首先，對情感詞進行分類；然后，針對不同類型的情感詞設計不同的計算規(guī)則和方法。該方法的優(yōu)勢在于其能夠充分利用了字詞之間的關系以及語言學知識。
　　2.研究了評價對象屬性及其情感表達元素的聯(lián)合識別。在細粒度情感分析任務中，如何正確識別出文本中的評價對象屬性及其情感表達元

4、素具有十分重要的意義。本文結合條件隨機場理論，充分利用評價對象屬性及其情感表達元素之間的類別關系，提出了序列化聯(lián)合抽取模型。此外，還分析了基本特征和語義特征的相關知識及抽取方法，特別針對語義特征的抽取進行了技術分析和算法設計。
　　3.研究了基于半監(jiān)督學習的屬性分類以及情感計算。針對細粒度情感標注語料的開放資源少、標注工作量大等難點問題，本文在屬性分類研究中引入了半監(jiān)督學習機制，以減少對標注語料的依賴。首先，研究了自舉學習的分層種

5、子選取策略，并與隨機種子選取策略在屬性分類上進行了實驗性能的對比；其次，研究了把分層思想應用到自舉過程的每一步迭代之中，探討了自舉迭代的終止條件；最后，針對評論中可能存在情感詞缺少對象屬性的情況，我們研究通過計算 PMI值來確定評價對象屬性類與情感詞之間的關聯(lián)概率，實現(xiàn)對缺失評價對象屬性的情感信息進行合理屬性類的指派，使情感匯總計算更為合理有效。
　　本文的主要貢獻總結如下：首先，針對細粒度的情感分析特點，在理論上對情感極性強度的

6、模糊性特點進行了詳細分析和研究，充分利用了字詞關系和語言學知識，優(yōu)化了情感詞極性強度量化方法，在性能上達到了一定的提升；其次，在評價對象屬性及其情感表達元素的聯(lián)合識別研究中，提出了序列化聯(lián)合抽取模型，充分利用了評論語句中的基本特征和語義特征信息，并通過調整CRF分類器的模板，進一步分析了特征組合以及上下文信息對識別性能的影響，獲得了識別效率的提升；再其次，還對細粒度屬性分類及文本情感計算進行了相關研究，證明了半監(jiān)督學習方法在屬性分類中的