近些年來互聯(lián)網(wǎng)技術(shù)的普及程度加深,在網(wǎng)絡(luò)平臺上發(fā)表自己對于熱點(diǎn)事件的看法和觀點(diǎn)成為人們表達(dá)自己見解的一個(gè)重要的渠道。為了更好地了解廣大民眾的想法,將社交網(wǎng)絡(luò)中的海量文本資源作為分析對象對輿情進(jìn)行監(jiān)控和分析逐漸成為了研究者們的一個(gè)關(guān)注重心。目前針對短文本的情緒分析的研究很多依然停留在情感極性的層面,細(xì)粒度的情緒分析依然沒有統(tǒng)一的標(biāo)準(zhǔn),單標(biāo)簽分類結(jié)果往往無法全面的反應(yīng)用戶的真實(shí)情緒。因此,多標(biāo)簽下的社交網(wǎng)絡(luò)短文本情緒分析是具有很重要的社會(huì)意義和價(jià)值的一項(xiàng)研究。本論文主要是基于推特的內(nèi)容進(jìn)行分析,研究從文字中識別用戶的情緒并進(jìn)行分析的方法。本文的主要工作內(nèi)容及貢獻(xiàn)如下:(1)目前多標(biāo)簽的互聯(lián)網(wǎng)短文本情緒標(biāo)注語料庫比較匱乏,為更好的對多標(biāo)簽情緒分類算法進(jìn)行研究,本文設(shè)計(jì)了一種面向推特文本的情緒標(biāo)注規(guī)則,根據(jù)標(biāo)注規(guī)則完成了推特語料庫的標(biāo)注工作。標(biāo)注完成的語料包含6500條推特,11338條句子,其中推特層級為多標(biāo)簽標(biāo)注。(2)針對人工標(biāo)注語料庫時(shí)間成本和人工成本過高的問題,提出了一種自動(dòng)化短文本情緒標(biāo)注的方法,通過機(jī)器完成對文本情感極性和情緒傾向的標(biāo)注,并在其基礎(chǔ)上通過人工方式進(jìn)行修正,大大降低了...

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－６?ｋＮＮ算法康理示意圖??

?篇二章文本情緒分析＿鎖???若采用ＴＦ向量對文本進(jìn)行表示，文本何量的分量實(shí)際上是特征項(xiàng)在對應(yīng)文本??中出現(xiàn)的頻次，即文本ｘ屬于類別Ｃ的概率如式２－１４所示。??ＰｉＣ＾ｆｌＰｉａｊｌＣｆ＾＾??Ｐ（Ｑｘ）＝?＾??（２－１４）??観５麵??ｙ＝ｉ??Ｐ（ａ＼Ｃ）＝?１＋＾（ａｉ....

圖３－１?Ｐｌｕｔｃｈｉｋ提出的檑緒輪??＿前針對文本的情緒分類體系存在著不統(tǒng)一的特點(diǎn)，英文方面應(yīng)用比較廣泛??的是Ｅｋｍａｎ提出的６大情緒分類體系，將情感分為高興，悲傷，憤怒，恐懼，厭??

?第面向宜聯(lián)網(wǎng)短文本肘自動(dòng)情緒標(biāo)注???＼?ｒｒｚ＼＜７??ｗ／Ｃ＾Ｓｒ￣－??＿?＾＿Ｖｖｌｇｌｌａｎｃｅ＼?ａｄｍｉ?ｒａｔｉｏ＾—??，ｉ：ｍ〇ＶＨｎｃｅ?ａｎｇｅｒ?＿?，ｖ）ｒ?，?ｔｅｒｒｏｒ?ｔｅａｒ?ａｐｐｒｅｈｅｎｓｉｏｎ??ｖ?；??，乂１八一十??＼?ｄｉｓ....

圖４－１結(jié)合前后句與篇章特征的情緒分析算法流程??算法首先對訓(xùn)練樣本中所有的句子進(jìn)行統(tǒng)計(jì)，并由式４－４計(jì)算出情緒轉(zhuǎn)移概??率，接著通過公式４－１０計(jì)算推特整體與句子之間的情緒轉(zhuǎn)移概率；隨后通過公式??

?第四＿參標(biāo)盤叛文：本情緒分析方Ｉｆｅ的改進(jìn)???ＰｉＷ＾ｍ?＝?Ｐｉｓ＾ｌ）＝?—（ｌ（，）Ｈ?＝?ｌ）?（４．１３）??ｃｏｕｎｔｒｙｓ（ｌ）?＝１）??結(jié)合這蘭節(jié)的內(nèi)容，前后句和篇章特征相結(jié)合的推特情緒分析方法可以通過??公式４－１４進(jìn)行表示：??（／）?＝?ａｒｇ?ｍａｘ....

圖４－２不同長度文本分類結(jié)果（ＦＩ值）??－

?電子科技太學(xué)碩士學(xué)位論文???＾■ａｍｏｕｎｔ■疆■?ＭＬｋＮＮ■魯－Ｓ－ＭＬｋＮＮ■?Ｌ－ＭＬｋＮＮ??４５０???１??４００??????＝４?０９??３５０?０８??ｄｉ??１－２０?２１－４０?４１－６０?６１－８０?８１－１００?１０１－１２０?＞１２０??圖４－２不....

本文編號：4030919