面向評(píng)論的跨領(lǐng)域情感分類研究.pdf

1、隨著網(wǎng)絡(luò)社交平臺(tái)的崛起，海量主觀性信息迅速涌現(xiàn)。鑒于這些主觀數(shù)據(jù)往往具有巨大的潛在價(jià)值，情感分類、觀點(diǎn)挖掘等領(lǐng)域逐漸引起了廣泛的關(guān)注。然而傳統(tǒng)的情感分類具有領(lǐng)域特定性(domain-specific)，即當(dāng)訓(xùn)練集和測(cè)試集數(shù)據(jù)分布不同時(shí)，分類效果往往欠佳。隨著信息的迅猛發(fā)展，新的領(lǐng)域不斷涌現(xiàn)，而人工標(biāo)注數(shù)據(jù)既耗時(shí)又費(fèi)力，因此跨領(lǐng)域情感分類具有極其重要的意義。它旨在通過(guò)一個(gè)領(lǐng)域的數(shù)據(jù)訓(xùn)練模型，來(lái)預(yù)測(cè)另一個(gè)領(lǐng)域文本的情感傾向性。
　　本

2、文旨在解決跨領(lǐng)域文本情感分類問(wèn)題，主要工作包括以下三個(gè)方面：首先提出了一種基于加權(quán)SimRank算法的跨領(lǐng)域情感分類模型。該模型先通過(guò)ADMI(Absolute Difference of Mutual Information)算法挑選出頻繁出現(xiàn)在兩個(gè)領(lǐng)域中且?guī)в邢嗤楦袃A向性的樞紐特征作為橋梁，然后將樞紐特征與非樞紐特征的關(guān)系映射為二部圖，在加權(quán)SimRank算法的基礎(chǔ)下構(gòu)建潛在特征空間LFS(Latent Feature Space

3、)。最后，利用LFS對(duì)樣本進(jìn)行重映射，從而減小了不同領(lǐng)域之間的數(shù)據(jù)分布差異，較好的實(shí)現(xiàn)了領(lǐng)域遷移。實(shí)驗(yàn)結(jié)果表明了該模型在跨領(lǐng)域文本情感分類中的有效性。其次，受評(píng)論中句子主語(yǔ)與領(lǐng)域獨(dú)立性（domain-independent）/特定性（domain-specific）情感詞分布關(guān)系的啟發(fā)，本文提出一種主語(yǔ)啟發(fā)式的跨領(lǐng)域文本情感分類集成模型(Subject-based Model)。該模型依照評(píng)論中句子的主語(yǔ)，將評(píng)論劃分為Personal和

4、Object兩個(gè)視圖。其中，Personal視圖包括主語(yǔ)或隱含主語(yǔ)是人物（評(píng)價(jià)者）的句子集;Object視圖由主語(yǔ)或隱含主語(yǔ)是評(píng)價(jià)對(duì)象的句子組成。統(tǒng)計(jì)發(fā)現(xiàn)，Personal視圖往往具有較好的領(lǐng)域獨(dú)立性，而Object視圖則常常具有領(lǐng)域特定性。在此基礎(chǔ)上，通過(guò)集成學(xué)習(xí)，有效地融合兩個(gè)視圖，既可以更大的受益于領(lǐng)域獨(dú)立性部分(Personal視圖)，而在一定程度上又可以避免領(lǐng)域特定性部分（Object視圖）拉大數(shù)據(jù)分布差異。最后，實(shí)驗(yàn)從監(jiān)督學(xué)

5、習(xí)和半監(jiān)督學(xué)習(xí)兩個(gè)方面，驗(yàn)證了Subject-based模型的有效性。最后，鑒于同一條評(píng)論中主題（產(chǎn)品屬性）的混雜性和情感對(duì)主題的依賴性，本文在第2部分工作的基礎(chǔ)上，充分考慮樣本的質(zhì)量，提出了一種聯(lián)合樣本過(guò)濾和主語(yǔ)啟發(fā)式的跨領(lǐng)域情感分類集成模型SF-SE(Joint Sample Filtering with Subject-based EnsembleModel)。文中首先在句子級(jí)上提出了一種同時(shí)考慮主題和情感因素的主題模型，稱之為S