基于詞向量的短文本情感分類方法研究與應用.pdf

1、互聯網的日益普及和技術的快速發(fā)展，使社交平臺和電商平臺的數量越來越多，用戶在互聯網上發(fā)表評論、意見等成為了一種新的習慣。利用情感分析方法對網絡評論進行分析，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。
　　現有的基于機器學習的情感分析方法多采用人工提取特征和機器學習算法相結合構建分析系統(tǒng)，利用一些機器學習算法，對已

2、標注數據進行學習得到分類器，然而人工抽取特征需要專家知識，耗時耗力且適應性較差，近年來研究者使用深度學習方法自動抽取特征，其中深度學習在自然語言處理領域一個重要成果就是詞嵌入技術，又稱詞向量，但這些方法卻不能直接應用到情感分類，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習模型 CBOW-S，相關模型分為兩部分，語義部分是一個三層神經網

3、絡模型，通過非監(jiān)督學習方法學習到詞向量，情感部分使用有監(jiān)督的學習方法，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、不同領域的多個數據集下進行定量和定性的實驗，結果表明本文提出的情感詞向量模型能夠有效的學習到情感和語義信息，比LDA、skip-gram等模型更為有效。
　　為了使情感詞典更能適合網絡時代文本的情感分析，本文對現有

4、的情感詞典進行整合，剔除重復詞匯，并對詞語進行校正優(yōu)化；針對網絡評論，設計了新詞發(fā)現方法，再根據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，構建出基于CBOW-S模型的情感詞典。實驗表明，本文構建的的情感詞典彌補了傳統(tǒng)情感詞典不包含網絡情感詞的缺陷，不僅能夠發(fā)現情感新詞，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習模型 CBOW-S和基于該模型的情感詞典，對