基于確定話題和情感極性的博客文本聚類研究.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展，人們獲取信息的需求不斷增加，而面對龐大的網(wǎng)絡(luò)信息量，同時也給人們獲得需要的信息帶來極大的困難。網(wǎng)絡(luò)信息中極為典型的是博客文本，或簡稱博客。博客中常包含大量評論，包含了博客作者對人，事物，事件等的情感和態(tài)度(統(tǒng)稱為觀點)。這些情感和態(tài)度包含著大量有價值的信息。了解這些“觀點”、“情感極性”或“態(tài)度”可以幫助人們獲得更有價值的信息，從而進(jìn)行有效的抉擇，如告訴人們應(yīng)當(dāng)購買何種商品，幫助商家制定市場策略，幫助政府掌握網(wǎng)絡(luò)輿情。

2、分析和挖掘博客中蘊含的博客作者的觀點成為當(dāng)前數(shù)據(jù)挖掘領(lǐng)域研究熱點之一。
　　 觀點挖掘是一種從論壇、討論組等內(nèi)容中挖掘所表達(dá)的觀點的技術(shù)。一般觀點挖掘有四個子任務(wù)：(1)話題抽取(Topic Extraction)(2)觀點持有者識別(HolderIdentification)(3)陳述的選擇(Claim Selection)(4)情感分析(Sentiment Analysis)。觀點挖掘的研究國外起步早，主要針對英文文本；國內(nèi)

3、針對中文文本的觀點挖掘研究起步晚，很多基礎(chǔ)性工作尚在進(jìn)行中。目前，絕大部分的研究把情感極性(或者稱為情感傾向，即人對客觀事物的好、惡，褒、貶，支持、反對等態(tài)度)分為2類(正向和負(fù)向)或3類(正向、中立和負(fù)向)。眾所周之，人的情感是豐富的，僅僅使用這2、3種，不足以表達(dá)蘊含在博客文本中的作者的情感，需要用更多類的情感極性來表達(dá)。目前，基于作者，日期和話題等對博客文本進(jìn)行聚類研究已有先例，而基于情感極性對中文博客文本聚類研究仍鮮見報道。

4、r>　　 本文主要根據(jù)博客文本中的作者的情感極性，采用聚類技術(shù)，將中文博客文本進(jìn)行分組處理，使組內(nèi)文本的情感極性相近，組間文本具有不同情感極性，并達(dá)到細(xì)分情感極性的目的。經(jīng)研究發(fā)現(xiàn)，盡管博客文本中包含了豐富的情感，不過這些情感可能很分散，而博客搜索引擎搜索到的博客搜索結(jié)果項(指標(biāo)題和摘要部分)雖然包含的情感比較少，但是這些情感傾向性相對集中。所以，本次研究使用博客搜索結(jié)果來作為博客文本的精練表達(dá)，從而以此為研究對象。
　　 本

5、文首先設(shè)計一個“爬蟲”，用它來獲取Google博客由此得到確定話題(本文實驗部分選用了兩個話題“建國大業(yè)”與“劉翔”)相關(guān)的結(jié)果。然后，使用人工標(biāo)注的方法根據(jù)情感極性把采集到的數(shù)據(jù)集標(biāo)注成3類(正向，中立和負(fù)向)。接著，使用中科院ICTCLA分詞工具對搜索結(jié)果數(shù)據(jù)集進(jìn)行分詞預(yù)處理，并使用基于詞典的方法提取情感詞(文中采用了Hownet和NTUSD兩部中文情感詞詞典)。緊接著，使用Adam Schenker,Horst Bunke等提出的

6、“標(biāo)準(zhǔn)的基于圖的文本表示模型”(簡稱為GBR模型)和本文作者設(shè)計的“整合圖文本表示模型”(簡稱為SoB-graph模型)分別表示數(shù)據(jù)集文本；在此基礎(chǔ)上使用AdamSchenker,Horst Bunke等使用的基于圖文本表示模型的K-Medoids算法，進(jìn)行情感聚類分析。最后，使用簇中心方法表示了聚類情感簇，所謂簇中心即同類情感詞的折衷情感詞，并使用“Ground Truth”方法的三個常用度量：精度(Precision)，熵(Entr