Twitter事件檢測(cè)中的語義和情感分析.pdf

1、隨著社交網(wǎng)絡(luò)的快速發(fā)展，人們?cè)谏缃黄脚_(tái)上隨時(shí)隨地分享自己的所見所聞所想。許多研究者認(rèn)為社交網(wǎng)絡(luò)是一種反映真實(shí)世界的傳感網(wǎng)絡(luò)。社交媒體數(shù)據(jù)的分析具有廣泛的應(yīng)用，例如偵測(cè)犯罪活動(dòng)，預(yù)測(cè)公眾行為等。由于文本數(shù)據(jù)在社交媒體數(shù)據(jù)中所占比例高并且含有豐富信息，文本語義分析對(duì)社交媒體數(shù)據(jù)分析至關(guān)重要。過去的文本語義分析工作主要針對(duì)的是規(guī)范語言的文本數(shù)據(jù)，如新聞文本，維基百科等。然而，社交媒體文本長(zhǎng)度有限，包含大量的錯(cuò)誤拼寫，俚語，語法錯(cuò)誤等非規(guī)范語言

2、應(yīng)用。因此，傳統(tǒng)的文本語義分析技術(shù)在社交媒體文本上的直接應(yīng)用取得的效果并不理想。
　　針對(duì)推文中語義信息量和準(zhǔn)確度有限的特點(diǎn)，本文在現(xiàn)有的文本語義分析技術(shù)的基礎(chǔ)上，研究了一種語義和情感信息結(jié)合的推文特征學(xué)習(xí)方法，并將該推文特征應(yīng)用于推特事件檢測(cè)。本文的主要工作可概括為以下兩個(gè)部分：
　　1.構(gòu)建語義和情感結(jié)合的詞語表示。詞語的語義向量是文本語義分析的基礎(chǔ)。本文重點(diǎn)分析了目前最先進(jìn)的神經(jīng)網(wǎng)絡(luò)語言模型 word2vec。針對(duì) w

3、ord2vec詞向量近反義區(qū)分能力弱的缺點(diǎn)，本文提出了一種同時(shí)使用詞語語境的語義和情感信息構(gòu)建詞向量的方法，提升詞向量的近反義區(qū)分能力。具體地，本文使用遠(yuǎn)程監(jiān)督方法，利用推文中的表情符號(hào)作為弱情感標(biāo)簽，擴(kuò)展word2vec神經(jīng)網(wǎng)絡(luò)模型，將語境的語義和情感信息編碼到詞向量中。本文稱這種語義和情感結(jié)合的詞向量為senti-word2vec詞向量。
　　2.融合語義和情感信息的推特事件檢測(cè)。傳統(tǒng)的推特事件檢測(cè)把語義相似的推文組織起來表征

4、事件。然而，許多語義特征提取方法的近反義區(qū)分能力有限，因此同一事件簇中的推文對(duì)事件可能表達(dá)不同的情感態(tài)度。在情感信息的約束條件下，本文提出將推特事件簇進(jìn)一步劃分為事件支持簇，事件反對(duì)簇和事件中立簇。具體地，本文使用senti-word2vec詞向量生成語義和情感結(jié)合的推文特征，分析該推文特征對(duì)推文語義相似性判斷和情感分析的影響，最后運(yùn)用該推文特征進(jìn)行情感細(xì)分的事件檢測(cè)。
　　為了獲得大量準(zhǔn)確客觀的測(cè)試標(biāo)簽，本文使用公開的測(cè)試數(shù)據(jù)集