基于詞向量的短文本情感分類方法研究與應(yīng)用.pdf

1、互聯(lián)網(wǎng)的日益普及和技術(shù)的快速發(fā)展，使社交平臺和電商平臺的數(shù)量越來越多，用戶在互聯(lián)網(wǎng)上發(fā)表評論、意見等成為了一種新的習(xí)慣。利用情感分析方法對網(wǎng)絡(luò)評論進行分析，可以為商家提供更準確售后反饋，為其他用戶提供更可靠決策意見。情感分析還能用于輿情監(jiān)控，有助于政府及時了解民情。因此，研究情感分析方法具有重要的社會意義和商業(yè)意義。
　　現(xiàn)有的基于機器學(xué)習(xí)的情感分析方法多采用人工提取特征和機器學(xué)習(xí)算法相結(jié)合構(gòu)建分析系統(tǒng)，利用一些機器學(xué)習(xí)算法，對已

2、標注數(shù)據(jù)進行學(xué)習(xí)得到分類器，然而人工抽取特征需要專家知識，耗時耗力且適應(yīng)性較差，近年來研究者使用深度學(xué)習(xí)方法自動抽取特征，其中深度學(xué)習(xí)在自然語言處理領(lǐng)域一個重要成果就是詞嵌入技術(shù)，又稱詞向量，但這些方法卻不能直接應(yīng)用到情感分類，原因是這些傳統(tǒng)方法主要是針對詞語的語法、語境進行建模，并沒有考慮到詞語的情感信息。
　　為了將情感信息融入詞向量中，本文提出了一個情感向量學(xué)習(xí)模型 CBOW-S，相關(guān)模型分為兩部分，語義部分是一個三層神經(jīng)網(wǎng)

3、絡(luò)模型，通過非監(jiān)督學(xué)習(xí)方法學(xué)習(xí)到詞向量，情感部分使用有監(jiān)督的學(xué)習(xí)方法，通過對詞向量加以限制來得到這個詞語的情感傾向，兩者結(jié)合使具有情感相似的詞語有著相近的詞向量表示，得模型在獲得語義的同時融入了情感信息。通過在不同語言、不同領(lǐng)域的多個數(shù)據(jù)集下進行定量和定性的實驗，結(jié)果表明本文提出的情感詞向量模型能夠有效的學(xué)習(xí)到情感和語義信息，比LDA、skip-gram等模型更為有效。
　　為了使情感詞典更能適合網(wǎng)絡(luò)時代文本的情感分析，本文對現(xiàn)有

4、的情感詞典進行整合，剔除重復(fù)詞匯，并對詞語進行校正優(yōu)化；針對網(wǎng)絡(luò)評論，設(shè)計了新詞發(fā)現(xiàn)方法，再根據(jù)本文提出模型對新詞進行情感極性判斷，將它添加到情感詞典中，構(gòu)建出基于CBOW-S模型的情感詞典。實驗表明，本文構(gòu)建的的情感詞典彌補了傳統(tǒng)情感詞典不包含網(wǎng)絡(luò)情感詞的缺陷，不僅能夠發(fā)現(xiàn)情感新詞，還將盡可能多的發(fā)掘出相似情感信息的詞語，具有更高的準確率和召回率。
　　綜合上述，本文提出的情感向量學(xué)習(xí)模型 CBOW-S和基于該模型的情感詞典，對