近年來隨著電子商務(wù)和社交媒體的迅速發(fā)展,越來越多的人活躍于網(wǎng)絡(luò)中并產(chǎn)生海量文本數(shù)據(jù),其中包含著大量的情感信息,為了挖掘和獲取文本中有價(jià)值的情感信息,產(chǎn)品評(píng)論文本的情感分析研究受到越來越多的關(guān)注。文本情感分析是挖掘人們?cè)谥饔^性網(wǎng)絡(luò)文本中表達(dá)的態(tài)度、情緒。本文考慮到在判斷文本的情感傾向時(shí)不同句子的重要程度不同,對(duì)英文評(píng)論文本進(jìn)行基于關(guān)鍵句抽取的情感分類。同時(shí),本文對(duì)評(píng)論文本中細(xì)粒度的評(píng)價(jià)對(duì)象進(jìn)行識(shí)別,使情感分析工作更加細(xì)化。具體研究工作如下:在基于關(guān)鍵句抽取的情感分類研究中,針對(duì)已有的方法大都是基于特征屬性權(quán)重抽取情感關(guān)鍵句,忽略了Title和上下文信息的問題,本文提出了基于Title和加權(quán)TextRank抽取關(guān)鍵句的情感分類研究。首先通過兩個(gè)途徑抽取情感關(guān)鍵句,一方面構(gòu)建擴(kuò)展語義規(guī)則模板和情感詞典,基于此計(jì)算Title的情感得分,從而判斷Title的貢獻(xiàn)度,以此來決定Title作為情感關(guān)鍵句的條數(shù);另一方面,根據(jù)加權(quán)TextRank算法思想,在文本正文中構(gòu)建一個(gè)情感句加權(quán)有向圖來提取關(guān)鍵句,并詳細(xì)介紹了四個(gè)影響有向邊權(quán)重的因素。然后將情感關(guān)鍵句、細(xì)節(jié)句和全文句得到的情感分類結(jié)果分別作為特... 

【文章來源】：安徽大學(xué)安徽省 211工程院校

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

線性可分支持向量機(jī)D={(x,y),(x,y),...,(x,y)}

第二章相關(guān)內(nèi)容和方法介紹12接近線性可分時(shí)，引入松弛變量讓模型能容忍一些錯(cuò)誤，稱為線性支持向量機(jī)，見圖2.2。圖2.2線性支持向量機(jī)現(xiàn)實(shí)生活中還有很多數(shù)據(jù)是線性不可分時(shí)，比如二維空間中的異或問題，利用高維映射方法可以將其轉(zhuǎn)換為線性可分問題，如將其映射到三維空間中再進(jìn)行線性分類。支持向量機(jī)中核函數(shù)就是這個(gè)原理，當(dāng)數(shù)據(jù)在初始空間中無法線性劃分時(shí)，通過核技巧將其映射到更高維空間中進(jìn)行線性劃分，稱為非線性支持向量機(jī)，見圖2.3。圖2.3非線性支持向量機(jī)2.3.3概率圖模型概率圖模型（ProbabilisticGraphicalModel，PGM）是將變量之間依賴關(guān)系用圖表示，樣本數(shù)據(jù)用圖G(V,E)建模，節(jié)點(diǎn)V為隨機(jī)變量，邊E為概率依賴關(guān)系，通常用Y=(y1,y2,...,yn)為隨機(jī)變量建模，具有聯(lián)合概率分布P(Y)。概率圖模型是一個(gè)統(tǒng)稱，其中經(jīng)典的標(biāo)注模型有隱馬爾可夫模型（HiddenMarkov

第二章相關(guān)內(nèi)容和方法介紹12接近線性可分時(shí)，引入松弛變量讓模型能容忍一些錯(cuò)誤，稱為線性支持向量機(jī)，見圖2.2。圖2.2線性支持向量機(jī)現(xiàn)實(shí)生活中還有很多數(shù)據(jù)是線性不可分時(shí)，比如二維空間中的異或問題，利用高維映射方法可以將其轉(zhuǎn)換為線性可分問題，如將其映射到三維空間中再進(jìn)行線性分類。支持向量機(jī)中核函數(shù)就是這個(gè)原理，當(dāng)數(shù)據(jù)在初始空間中無法線性劃分時(shí)，通過核技巧將其映射到更高維空間中進(jìn)行線性劃分，稱為非線性支持向量機(jī)，見圖2.3。圖2.3非線性支持向量機(jī)2.3.3概率圖模型概率圖模型（ProbabilisticGraphicalModel，PGM）是將變量之間依賴關(guān)系用圖表示，樣本數(shù)據(jù)用圖G(V,E)建模，節(jié)點(diǎn)V為隨機(jī)變量，邊E為概率依賴關(guān)系，通常用Y=(y1,y2,...,yn)為隨機(jī)變量建模，具有聯(lián)合概率分布P(Y)。概率圖模型是一個(gè)統(tǒng)稱，其中經(jīng)典的標(biāo)注模型有隱馬爾可夫模型（HiddenMarkov

【參考文獻(xiàn)】：
期刊論文
[1]基于LSTM網(wǎng)絡(luò)的評(píng)價(jià)對(duì)象和評(píng)價(jià)詞抽取[J]. 李盛秋,趙妍妍,秦兵,劉挺.  智能計(jì)算機(jī)與應(yīng)用. 2017(05)
[2]基于加權(quán)TextRank的新聞關(guān)鍵事件主題句提取[J]. 蒲梅,周楓,周晶晶,嚴(yán)馨,周蘭江.  計(jì)算機(jī)工程. 2017(08)
[3]PORSC:融合用戶個(gè)性化特征的在線評(píng)論情感分類模型[J]. 宋曉勇,呂品,陳年生.  復(fù)旦學(xué)報(bào)(自然科學(xué)版). 2017(03)
[4]情感傾向分析在輿情監(jiān)控方面的研究[J]. 王林,李昀澤.  微型機(jī)與應(yīng)用. 2017(05)
[5]基于迭代兩步CRF模型的評(píng)價(jià)對(duì)象與極性抽取研究[J]. 張盛,李芳.  中文信息學(xué)報(bào). 2015(01)
[6]基于情感關(guān)鍵句抽取的情感分類研究[J]. 林政,譚松波,程學(xué)旗.  計(jì)算機(jī)研究與發(fā)展. 2012(11)
[7]基于主題情感混合模型的無監(jiān)督文本情感分析[J]. 孫艷,周學(xué)廣,付偉.  北京大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(01)
[8]文本情感分析[J]. 趙妍妍,秦兵,劉挺.  軟件學(xué)報(bào). 2010(08)



本文編號(hào)：3338898