【摘要】：【目的】對微博進行細粒度情感分析,將情感分為8類,并計算其情感強度值,從而盡可能還原微博用戶情感。【方法】通過微博語料分析構(gòu)建疑問詞詞表,在大連理工大學情感詞匯本體DUTIR的7類情感基礎(chǔ)上,豐富一類情感"疑",并利用點互信息法構(gòu)建表情符號詞典,還綜合考慮否定詞和程度副詞對情感表達的影響,利用Python從新浪微博上獲取數(shù)據(jù),并用R語言的jieba R包進行分詞,對情感進行分類并計算其強度�！窘Y(jié)果】得到微博用戶對于糖尿病7類常用藥物的8類情感占比及情感強度,并通過正確率、召回率、F值對結(jié)果進行驗證,其中"怒"和"哀"的正確率最高,分別為85.73%和83.05%,而"樂"和"好"的召回率與F值均最高,為81%以上。本文新增情感"疑"的正確率、召回率、F值分別為77.33%、78.58%、77.95%,均值在8類情感中排名前列,說明其情感識別較好。【局限】由于本文依賴于情感詞典進行情感分析,因此為了更好的分析結(jié)果,情感詞典仍需進一步完善。【結(jié)論】本方法具有較高的識別率和可靠性,能夠更好地對微博上的情感分類進行細粒度分析。
[Abstract]:[objective] to analyze the fine granularity emotion of Weibo, divide the emotion into 8 categories, and calculate the emotion intensity value, so as to restore the user emotion as much as possible. [methods] the lexicon of interrogative words was constructed by analyzing the data of Weibo. On the basis of seven kinds of emotion of DUTIR, Dalian University of Technology, this paper enriches a kind of emotion "doubt", constructs an emoji dictionary with the method of point mutual information, and synthetically considers the influence of negative words and degree adverbs on emotion expression. Python was used to obtain data from Sina Weibo, and jieba R package in R language was used to classify emotion and calculate its intensity. [results] eight kinds of emotion and emotional intensity of Weibo users for 7 kinds of commonly used drugs for diabetes mellitus were obtained. The correct rate of "anger" and "sorrow" were 85.73% and 83.05, respectively, while the recall rate of "Yue" and "good" and F value were the highest (above 81%). In this paper, the correct rate, recall rate and F value of the new affective "suspicion" are 77.33 and 78.58, respectively. It shows that the emotion recognition is better. [limitation] because this paper relies on emotion dictionary for emotion analysis, in order to better analyze the result, the emotion dictionary still needs to be further improved. [conclusion] this method has high recognition rate and reliability. Can better carry on fine-grained analysis to the emotion classification on Weibo.
【作者單位】： 吉林大學公共衛(wèi)生學院;大連理工大學中日國際信息與軟件學院;
【分類號】：TP391.1

【相似文獻】

相關(guān)期刊論文 前10條

1 王寧;鈔柯;羅嬪;;實現(xiàn)細粒度訪問控制的元模型研究[J];大連理工大學學報;2012年03期

2 歐陽純萍;陽小華;雷龍艷;徐強;余穎;劉志明;;多策略中文微博細粒度情緒分析研究[J];北京大學學報(自然科學版);2014年01期

3 史大偉;袁天偉;;一種粗細粒度結(jié)合的動態(tài)污點分析方法[J];計算機工程;2014年03期

4 原子;于莉莉;劉超;;引入缺陷的細粒度軟件變更識別方法[J];北京航空航天大學學報;2014年09期

5 涂登彪;譚光明;孫凝暉;;無鎖同步的細粒度并行介度中心算法[J];軟件學報;2011年05期

6 華秀麗;徐凡;王中卿;李培峰;;細粒度科技論文摘要句子分類方法[J];計算機工程;2012年14期

7 時杰;朱虹;馮玉才;;實現(xiàn)數(shù)據(jù)庫細粒度訪問控制的一種動態(tài)查詢修改算法[J];計算機科學;2010年12期

8 王志強;黃皓;夏磊;;進程內(nèi)細粒度保護域模型及其實現(xiàn)[J];計算機應用;2007年06期

9 趙亞杰;陳龍;;面向手機取證的細粒度數(shù)據(jù)完整性檢驗方法[J];計算機工程與設(shè)計;2012年11期

10 王希忠;曲家興;馬春光;周長利;;一種適用于非結(jié)構(gòu)化數(shù)據(jù)的改進細粒度加密方法[J];計算機應用研究;2014年09期

相關(guān)會議論文 前1條

1 盛振華;吳羽;江錦華;壽黎但;陳剛;;InfoSigs:一種面向WEB對象的細粒度聚類算法[A];第26屆中國數(shù)據(jù)庫學術(shù)會議論文集（A輯）[C];2009年

相關(guān)博士學位論文 前3條

1 時杰;關(guān)系數(shù)據(jù)庫細粒度訪問控制研究[D];華中科技大學;2010年

2 朱倩;面向自由文本的細粒度關(guān)系抽取的關(guān)鍵技術(shù)研究[D];江蘇大學;2011年

3 余a\;基于Simulink模型的細粒度多線程技術(shù)研究[D];浙江大學;2014年

相關(guān)碩士學位論文 前10條

1 趙黎光;基于依存句法的句子級細粒度情感計算[D];華南理工大學;2015年

2 姚亮;數(shù)據(jù)訪問控制中基于中間代理的用戶撤銷方法[D];西安電子科技大學;2014年

3 占文平;面向產(chǎn)品評論的情感分析技術(shù)研究[D];浙江工商大學;2015年

4 廖純;基于句法和語義的話題細粒度情感分析的研究[D];北京理工大學;2016年

5 李毅;屬性層級觀點挖掘技術(shù)的研究與應用[D];石家莊鐵道大學;2016年

6 周志華;聊天系統(tǒng)文本情感細粒度分類研究與應用[D];西南交通大學;2015年

7 康海蒙;基于細粒度監(jiān)控的Spark優(yōu)化研究[D];哈爾濱工業(yè)大學;2016年

8 陳闖闖;中文微博細粒度情感判別研究[D];南華大學;2016年

9 付連鵬;微博客細粒度情感分析技術(shù)的研究與實現(xiàn)[D];東北大學;2014年

10 李凌云;基于部件對齊模型的細粒度分類方法研究[D];大連理工大學;2016年

，

本文編號：2374235