【摘要】：【目的】對(duì)微博進(jìn)行細(xì)粒度情感分析,將情感分為8類,并計(jì)算其情感強(qiáng)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(xué)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(diǎn)互信息法構(gòu)建表情符號(hào)詞典,還綜合考慮否定詞和程度副詞對(duì)情感表達(dá)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(jìn)行分詞,對(duì)情感進(jìn)行分類并計(jì)算其強(qiáng)度。【結(jié)果】得到微博用戶對(duì)于糖尿病7類常用藥物的8類情感占比及情感強(qiáng)度,并通過正確率、召回率、F值對(duì)結(jié)果進(jìn)行驗(yàn)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(shí)別較好�！揪窒蕖坑捎诒疚囊蕾囉谇楦性~典進(jìn)行情感分析,因此為了更好的分析結(jié)果,情感詞典仍需進(jìn)一步完善�！窘Y(jié)論】本方法具有較高的識(shí)別率和可靠性,能夠更好地對(duì)微博上的情感分類進(jìn)行細(xì)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(xué)公共衛(wèi)生學(xué)院;大連理工大學(xué)中日國際信息與軟件學(xué)院;
【分類號(hào)】：TP391.1

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王寧;鈔柯;羅嬪;;實(shí)現(xiàn)細(xì)粒度訪問控制的元模型研究[J];大連理工大學(xué)學(xué)報(bào);2012年03期

2 歐陽純萍;陽小華;雷龍艷;徐強(qiáng);余穎;劉志明;;多策略中文微博細(xì)粒度情緒分析研究[J];北京大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年01期

3 史大偉;袁天偉;;一種粗細(xì)粒度結(jié)合的動(dòng)態(tài)污點(diǎn)分析方法[J];計(jì)算機(jī)工程;2014年03期

4 原子;于莉莉;劉超;;引入缺陷的細(xì)粒度軟件變更識(shí)別方法[J];北京航空航天大學(xué)學(xué)報(bào);2014年09期

5 涂登彪;譚光明;孫凝暉;;無鎖同步的細(xì)粒度并行介度中心算法[J];軟件學(xué)報(bào);2011年05期

6 華秀麗;徐凡;王中卿;李培峰;;細(xì)粒度科技論文摘要句子分類方法[J];計(jì)算機(jī)工程;2012年14期

7 時(shí)杰;朱虹;馮玉才;;實(shí)現(xiàn)數(shù)據(jù)庫細(xì)粒度訪問控制的一種動(dòng)態(tài)查詢修改算法[J];計(jì)算機(jī)科學(xué);2010年12期

8 王志強(qiáng);黃皓;夏磊;;進(jìn)程內(nèi)細(xì)粒度保護(hù)域模型及其實(shí)現(xiàn)[J];計(jì)算機(jī)應(yīng)用;2007年06期

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

10 王希忠;曲家興;馬春光;周長(zhǎng)利;;一種適用于非結(jié)構(gòu)化數(shù)據(jù)的改進(jìn)細(xì)粒度加密方法[J];計(jì)算機(jī)應(yīng)用研究;2014年09期

相關(guān)會(huì)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(duì)象的細(xì)粒度聚類算法[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（A輯）[C];2009年

相關(guān)博士學(xué)位論文 前3條

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

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

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

相關(guān)碩士學(xué)位論文 前10條

1 趙黎光;基于依存句法的句子級(jí)細(xì)粒度情感計(jì)算[D];華南理工大學(xué);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(xué);2014年

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

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

5 李毅;屬性層級(jí)觀點(diǎn)挖掘技術(shù)的研究與應(yīng)用[D];石家莊鐵道大學(xué);2016年

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

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

8 陳闖闖;中文微博細(xì)粒度情感判別研究[D];南華大學(xué);2016年

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

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

，

本文編號(hào)：2374235