基于情感詞強(qiáng)度的情感分類及其在商品評(píng)論中的應(yīng)用.pdf

1、近年來(lái)隨著移動(dòng)互聯(lián)網(wǎng)和電子商務(wù)的快速發(fā)展，移動(dòng)上網(wǎng)和網(wǎng)購(gòu)已經(jīng)成為人們?nèi)粘Ｉ畹囊徊糠?。一些網(wǎng)購(gòu)企業(yè)如淘寶、京東、亞馬遜等表現(xiàn)出了強(qiáng)勁的發(fā)展勢(shì)頭。人們?cè)诰W(wǎng)購(gòu)商品收貨后一般會(huì)對(duì)該次購(gòu)物做出評(píng)價(jià)，評(píng)價(jià)對(duì)象通常是商家的服務(wù)和商品。這些在線商品評(píng)論一般會(huì)包含喜、怒、哀、樂等情感，帶有情感傾向的商品評(píng)論可以應(yīng)用在產(chǎn)品調(diào)查分析、信息預(yù)測(cè)等領(lǐng)域。
　　本文從情感詞典的擴(kuò)展和情感詞強(qiáng)度這兩個(gè)方面對(duì)商品評(píng)論情感分類進(jìn)行了研究:
　　(1)基于詞

2、向量的情感詞典的擴(kuò)展
　　目前人工管理的情感詞典在添加情感詞方面存在一些局限性，例如對(duì)一些新詞的識(shí)別和詞的不規(guī)范變形的識(shí)別，詞向量可以解決這樣的問題。我們可以利用大規(guī)模的無(wú)標(biāo)注數(shù)據(jù)（如百度百科語(yǔ)料）使用Skip-gram模型訓(xùn)練詞向量，然后得到一個(gè)低維度詞向量集合。在詞向量空間中利用余弦距離可以很容易找到與給定詞語(yǔ)義相似的詞，幫助預(yù)測(cè)該詞語(yǔ)的情感極性。
　　(2)基于情感詞強(qiáng)度的情感分類
　　一些基于詞典的中文情感分類

3、方法存在如下不足:情感詞組的提取沒有考慮程度副詞的作用，否定詞查找，情感詞的歧義問題。本文引入了中文的情感詞強(qiáng)度詞典和大量的語(yǔ)法信息，提出了基于細(xì)粒度情感強(qiáng)度詞典的sentiDP方法。該方法有一個(gè)良好的語(yǔ)義合成機(jī)制，可以解決情感詞的歧義問題。
　　實(shí)驗(yàn)表明sentiDP方法在準(zhǔn)確率、F1值方面比其他兩種方法的效果都好，在書籍?dāng)?shù)據(jù)上召回率比基準(zhǔn)方法高7％，可以有效地處理酒店、筆記本、書籍這些不同領(lǐng)域的商品評(píng)論。在情感詞典的擴(kuò)展方面，