面向社交網絡文本的情感分析方法的研究.pdf

1、隨著在線社交網絡平臺的爆炸式增長，比如國內的微博、微信，國外的Twitter、Facebook等社交網絡平臺，人們越來越傾向于在社交網絡平臺上發(fā)表自己的觀點，表達情感態(tài)度。與此同時，社交網絡平臺產生了海量的蘊含了用戶的情感傾向、觀點態(tài)度的文本數據。挖掘這些信息分析其情感傾向性，對優(yōu)化個性化推薦，更好地進行輿情監(jiān)控等都有很重要的價值和意義。
　　然而，社交網絡文本以其口語化、時效性強以及網絡化等特點，給傳統(tǒng)的情感分析等任務帶來了巨大

2、的挑戰(zhàn)。眾所周知，除了文本，轉發(fā)等行為關系數據也是社交網絡文本的一大特點。針對此特點，本文結合圖排序模型，利用用戶的行為關系數據來分析微博的情感。然而，在對社交網絡文本進行情感分析時，也會存在一些其他的問題，其中一個最顯著的問題就是語料分布的不平衡。針對此問題，本文做了進一步研究，提出了一種基于情感關鍵句抽取的跨領域情感分析方法。
　　一方面，本文針對社交網絡文本自身的特點，提出了一種基于圖排序模型的微博情感分析方法。該方法首先利

3、用微博中含有的豐富的表情符號，基于表情符號進行無監(jiān)督的語料標注，在一定程度上彌補了語料分布不平衡的問題;然后，鑒于微博等社交網絡文本的特征的稀疏性，利用受限波爾茲曼機進行新特征抽取;最后，利用微博的轉發(fā)關系以及同一用戶發(fā)表的不同微博之間的關系，構建了微博鄰接關系圖，并結合圖排序模型對微博進行情感分析。該方法充分利用社交網絡文本的文本數據的同時結合行為關系數據，較好地實現了微博的情感分析。
　　另一方面，針對社交網絡文本在情感分析過

4、程中，易出現語料分布不平衡的問題，提出了一種基于情感關鍵句抽取的跨領域情感分析方法。該方法首先基于文檔中不同句子具有不同的情感貢獻度的思想提出了情感關鍵句的概念，構造抽取情感關鍵句的啟發(fā)式規(guī)則，并與機器學習算法相結合來抽取網絡評論的情感關鍵句;然后基于抽取的情感關鍵句，將數據劃分為key和detail兩個視圖;最后利用視圖集成策略將兩視圖有效融合，實現了跨領域的情感分析，進而在一定程度上解決了隨著社交網絡的飛速發(fā)展，文本數據分布變化帶來