基于stacking組合的文本情感分類研究.pdf

1、Web2.0的飛速發(fā)展使得人們在社交媒體中的參與度不斷提高，隨之產生的各種攜帶用戶觀點和情感的結構化與非結構化信息為研究者們提供了大量可研究的資源，對其進行情感分類可在輿情風險分析和商品銷售等領域的發(fā)展中產生極大價值。文本情感分類通常包括主客觀信息分類和主觀情感極性分類，本文從后者入手進行研究。而目前，在情感分類研究領域擁有不錯表現(xiàn)的方法包括傳統(tǒng)機器學習方法中的支持向量機算法，以及近年來慢慢興起并成為研究熱點的基于深度學習的分類方法。若

2、能將它們進行組合，充分利用各自的優(yōu)勢，將有利于分類性能的進一步提升?；诖?，本文構建了一個基于stacking組合的文本情感分類模型，其具體工作如下:
　　首先，目前用于情感分類任務的開放語料資源相對匱乏，加之近年Web2.0環(huán)境下互聯(lián)網中的語言變得愈加新穎而獨特，為此，本文整理了較為研究者們所認可的傳統(tǒng)語料的同時，收集了來自于某第三方點評網站的評論語料，爾后組織人員對其進行標注驗證并對檢驗方法的合理性予以論證，從而構建出本文實驗

3、的樣本集。
　　其次，支持向量機算法在文本情感分類領域中因其獨特的分類機制而在傳統(tǒng)機器學習方法中更勝一籌，本文在原生的支持向量機模型基礎上稍作改動，使其具有更強的適應性。一方面，針對目前互聯(lián)網中網絡用語、表情符、錯別字等現(xiàn)象頻出的狀況，本文單獨處理表情符，將其作為一般特征看待，收集并構建情感詞集和網絡語詞集作為用戶詞典，指導分詞過程以提高其分詞精度。另一方面，在特征選擇與加權上也做出相應調整以優(yōu)化特征處理效率。
　　最后，支