基于SVM增量學(xué)習(xí)的文本情感傾向性分類研究.pdf

1、文本情感傾向性分類（Text Sentiment Classification）是目前文本分類技術(shù)領(lǐng)域中的一個(gè)熱門研究方向。它通過過濾出文本中的主觀內(nèi)容并進(jìn)行情感傾向性分析，識(shí)別出文本所屬的褒貶類別。在當(dāng)今大數(shù)據(jù)的背景下，互聯(lián)網(wǎng)上每時(shí)每刻都在生成新的用戶數(shù)據(jù)，因此急需對(duì)這些不斷累積的文本內(nèi)容進(jìn)行高效地分析處理，識(shí)別其情感傾向性。通過對(duì)互聯(lián)網(wǎng)上的這些文本進(jìn)行情感挖掘，無論是對(duì)電子商務(wù)領(lǐng)域中所進(jìn)行的商品推薦，還是幫助政府進(jìn)行輿情監(jiān)管，都有著

2、重大意義。
　　目前對(duì)文本進(jìn)行情感傾向性分類的主流研究方法是利用基于統(tǒng)計(jì)的機(jī)器學(xué)習(xí)技術(shù)，支持向量機(jī)（SVM）算法是一種具有相對(duì)良好的分類效果并得到廣泛應(yīng)用的機(jī)器學(xué)習(xí)算法。然而現(xiàn)實(shí)工程應(yīng)用中樣本卻是不斷積累的，傳統(tǒng)的SVM分類算法不能夠直接進(jìn)行增量學(xué)習(xí)，為了減少新增樣本加入后重新訓(xùn)練模型的時(shí)間并能適應(yīng)海量數(shù)據(jù)的準(zhǔn)確分類，本文從增量學(xué)習(xí)的角度改進(jìn)傳統(tǒng)的SVM算法，并將SVM增量學(xué)習(xí)算法引入文本情感傾向性分類領(lǐng)域。
　　本文在研究

3、了SVM算法的特點(diǎn)和相關(guān)增量學(xué)習(xí)算法的基礎(chǔ)上，首先在訓(xùn)練集預(yù)選方面，采用構(gòu)建保留集的策略，提出了一種新的樣本選擇方法——縮放平移選擇法，彌補(bǔ)了樣本保留的缺陷。其次，本文提出了一種新的基于組合保留集的SVM增量學(xué)習(xí)算法 CRS-ISVM(Combined Reserved SetISVM)。該算法采用了組合保留的思想，不僅選擇原始訓(xùn)練集中部分非支持向量樣本加入保留集并賦予樣本權(quán)重，還對(duì)新增樣本中符合KKT約束的進(jìn)行部分保留，最后再依據(jù)權(quán)重

4、挑選部分保留樣本與原SV集和新增樣本中違背KKT約束的合并進(jìn)行訓(xùn)練，從而實(shí)現(xiàn)原有樣本知識(shí)的積累和新樣本知識(shí)的學(xué)習(xí)。通過將CRS-ISVM算法與另外四種類似ISVM算法進(jìn)行性能對(duì)比實(shí)驗(yàn)，從實(shí)驗(yàn)結(jié)果能夠看出，CRS-ISVM算法可以在一定程度上提高分類精度，并能夠減少分類時(shí)間，提高分類效率。最后，本文將基于組合保留集的SVM增量學(xué)習(xí)算法應(yīng)用到文本情感分類領(lǐng)域，在提取了不同文本特征的基礎(chǔ)上，構(gòu)建出了增量學(xué)習(xí)系統(tǒng)，以適應(yīng)對(duì)不斷新增的樣本進(jìn)行情感