基于机器学习的微博评论信息倾向性分析的研究

《基于机器学习的微博评论信息倾向性分析的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文基于机器学习的微博评论信息倾向性分析的研究RESEARCHONTHEANALYSISOFWEIBOCOMMENTSTENDENCYBAESDONMACHINELEARNINGMETHODS汪淳哈尔滨工业大学2016年6月国内图书分类号：TP393学校代码：10213国际图书分类号：621.3密级：公开工学硕士学位论文基于机器学习的微博评论信息倾向性分析的研究硕士研究生：汪淳导师：李东教授申请学位：工学硕士学科：计算机科学与技术所在单位：计算机科学与技术学院答辩日期：2016年6月授予学位单位：哈尔滨工业大学ClassifiedInde

2、x:TP393U.D.C:621.3DissertationfortheMasterDegreeinEngineeringRESEARCHONTHEANALYSISOFWEIBOCOMMENTSTENDENCYBAESDONMACHINELEARNINGMETHODSCandidate：WangChunSupervisor：Prof.LiDongAcademicDegreeAppliedfor：MasterofEngineeringSpeciality：ComputerScienceandTechnologyAffiliation：Schoolo

3、fComputerScienceandTechnologyDateofDefence：June,2016Degree-Conferring-Institution：HarbinInstituteofTechnology摘要摘要本文的重点研究对象是微博评论信息的倾向性分析，主要的研究内容是以新浪微博中的评论为研究对象并且对评论中的情感倾向进行研究。本研究是将几种特征进行提炼、融合通过改进的机器学习方法来增强分类效果。情感分析在舆论监控、商品检验有着广泛的应用。基于此，本文提出一个设想，把评论划分成三种类型：垃圾评论、主观评论、客观评论。针对不同类型

4、的评论选取相应的方式进行分析，主观评论褒贬倾向是此研究分析的重点。本文首先对评论数据进行清理，剥离垃圾评论以及客观性评论。其中利用几种特征的有效融合并结合朴素贝叶斯、阈值划分等技术方法判断垃圾评论、客观评论，大大降低了文本的噪声。其次，针对文本褒贬倾向性分析，通过比较几种特征提取方法，并在其基础上改进情感词的选取方式和权值计算方式，构成新的文本向量空间。通过集成学习方法以及投票方式将传统的机器学习算法进行融合，达到更好的分析效果。本文实现了针对情感词的特征提取和权值计算的性能提升，使用AdaBoost、RandomSubspace、融合分类器组合

5、方式提升传统机器学习方法，提高评论分析的准确率。最后，通过性能评估方法说明本文的方法对评论分析具有很好地效果，同时本文针对评论的情感转移以及情感载体进行分析，判断褒贬数据集的情感载体异同，起到舆情分析预警作用。关键词：微博评论；机器学习；情感分析；特征融合；集成学习-I-AbstractAbstractThispaperfocusesonresearchobjectoforientationanalysisofWeibocomment.ThemainresearchcontentisXinlangmicrobloggingreviewsforth

6、estudyandtheemotionaltendency.Theresearchrefinesseveralfeaturesofthestudyandthroughimprovedintegrationofmachinelearningmethodstoenhancetheaccuracyofclassification.Sentimentanalysishasbeenwidelyusedinmonitoringpublicopinionandcommodityinspection.Basedonthis,thepaperproposesani

7、deathatdividesthecommentintothreetypes,whichcontainsspamcomments,subjectiveorobjectivecomments,andappraiseorcriticalcomments.Toselecttheappropriatemodeforanalysingdifferenttypesofcommentsdifferenttypesofcomments.Firstly,thepapercleanupthedataofcommentthatpeelsoffthespamcommen

8、tsandobjectivecomments.Thepaperuseseffectiveintegrationofseveralfeat