基于情绪词典扩展技术的中文微博情绪分析

发布时间：2020-07-06 21:28

【摘要】：随着微博等社交媒体在人们生活中的普及,微博对人们的生活和工作产生了很大的影响。因此,微博情绪分析也成为自然语言处理的一个研究热点。现阶段中文微博的情绪分析正处起步阶段,情绪词典是微博情绪分析的重要资源。但现有情绪词典地构建还不够健全,这是造成中文微博情绪分析准确率较低的重要原因之一。因此,本文提出了一种基于词典扩展技术的微博情绪分析,通过在特定语料中对现有情绪词典进行情绪词的扩展和情绪权重的标注,实现对现有情绪词典的扩展,并利用扩展后的情绪词典对该语料进行情绪分析。首先,本文提出了一种情绪词识别的方法,该方法主要是识别语料中未被情绪词典收录,却表达了情绪的词语。利用情绪词典中情绪色彩鲜明的情绪词作为种子情绪词,通过考察候选词与种子情绪词在语料中的相似性来识别候选词中的情绪词。利用识别出的情绪词扩展现有的情绪词典,并使用无监督的规则方法和有监督的支持向量机(SVM)方法进行微博情绪分析。将实验结果与原情绪词典的实验结果进行对比,结果表明,情绪词地扩展有效地改善了词典对微博的覆盖率,并显著地提高了微博情绪分析的准确率。其次,本文对语料中的情绪词进行了加权处理。通过考察情绪词在语料中与各情绪类的共现模式判断情绪词在语料中对情绪的激励程度,利用情绪词对情绪激励程度的差别对情绪词进行加权。实验结果表明,与词典中标注的情绪强度相比,该方法计算的情绪词权重更准确地表示了该词在语料中对情绪表达的作用,有效地提高了微博情绪分析的精度。并且该方法可以有效的综合多个情绪词典的优势,更进一步地提高微博情绪分析的准确率。最后,本文综合了前面两个工作的优势进行了情绪词典扩展。结合种子情绪词的情绪权重进行情绪词的识别,并根据种子情绪词的情绪权重对识别出的情绪词进行了加权处理。使用所生成的情绪词典,利用无监督的规则方法和有监督的支持向量机(SVM)方法进行微博情绪分析,并将实验结果与现有词典以及未加权的语料情绪词进行比较,结果表明,该方法扩展的情绪词典中情绪词具有更鲜明的情绪倾向,进一步提高了微博情绪分析的准确率。
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.1;TP393.092

【相似文献】