文本情感分析若干問題研究.pdf

1、隨著旅游行業(yè)在全球范圍內的快速發(fā)展,人們越來越傾向于通過有效的搜索引擎尋找發(fā)現(xiàn)有趣的地方以及收集相關的信息。隨著Web2.0的迅猛發(fā)展,越來越多的人會在一些旅游社區(qū)網站上(如馬蜂窩,驢評網,窮游網等網站)分享自己的旅游經歷,通過點評、游記等方式記錄對目的地,景點,酒店或者相關產品服務的體驗感受。這些網站已經成為旅游者收集相關信息的主要來源。然而,人們常常淹沒在數(shù)量巨大的評價內容中,很難從海量數(shù)據中找到關于旅游目的地的有用信息。文本情感分

2、析以帶有主觀性信息的文本為研究對象,目的是識別、分類、抽取、標注這些文本里表達的情感、觀點、影響。對這些評論進行分析歸納,挖掘有價值內容,幫助用戶更好地做旅行決策,是迫切需要解決的問題。
　　本文圍繞提高情感分類性能以及不平衡數(shù)據集的情感分類兩個話題進行實驗研究,主要工作包括以下幾個方面:
　　1)提出了基于序列化規(guī)則(Serialization Rules)的特征提取算法—SR
　　識別情感所表達的實體和情感表達的方

3、式是情感文本分類的重要環(huán)節(jié),情感分析任務中都采用詞作為特征項,稱作特征詞。其中,情感表達的實體,被稱為主題詞;情感是怎樣表達的,是指情感詞。本文針對特定的句法結構,提出了基于序列化規(guī)則的特征提取方法—SR,有效地提取出能較好代表文本內容的特征項,去除了一些無關的,冗余的特征項,大大降低了特征向量的維度,降低了計算復雜度,提高了文本分類的精確性。
　　2)結合集成學習理論解決不平衡數(shù)據集的情感分類問題
　　文本情感分類的大部分

4、研究中,進行分類的正負類樣本數(shù)量基本一致的,即正負類樣本是平衡的。然而在實際的應用場景中,常常出現(xiàn)分類樣本中一個類別的樣本數(shù)量是另一類別樣本數(shù)量的幾倍,多數(shù)類樣本的數(shù)量遠遠大于少數(shù)類樣本,這就是情感分類問題中“不平衡”問題。本文通過結合欠抽樣技術和集成學習理論對不平衡的情感分類數(shù)據進行分類,裝袋欠抽樣算法—BUS(Baggingand Under Sampling)與Stacking組合分類器器方法,提高其分類性能,將情感分類技術能真正