基于语义相关的网络文本情感分类研究

《基于语义相关的网络文本情感分类研究》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、分类号密级公开UDC编号20131010007硕士学位论文基于语义相关的网络文本情感分类研究申请人姓名王伟导师姓名及职称阳爱民，教授申请学位类别管理学学科专业名称管理科学与工程培养单位思科信息学院学位授予单位广东外语外贸大学年月日学位论文内封（扉页）分类号密级公开UDC编号20131010007广东外语外贸大学硕士学位论文基于语义相关的网络文本情感分类研究ResearchonSentimentAnalysisforWebTextsBasedonSemanticRelatedness申请人姓名王伟导师姓名及职称阳爱民，教授申请学位类别管理

2、学学科专业名称管理科学与工程论文提交日期2016年4月25日论文答辩日期2016年5月25日答辩委员会朱树人曾安姜灵敏李心广张倩生学位授予单位广东外语外贸大学独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得广东外语外贸大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文作者签名：签字日期：年月日学位论文版权使用授权书本

3、学位论文作者完全了解广东外语外贸大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权广东外语外贸大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。（保密的学位论文在解密后适用本授权书）学位论文作者签名：导师签名：签字日期：年月日签字日期：年月日摘要在Web2.0时代，人们能够主动地在网络上表达和传播自己的观点、态度、情感以及情绪等，由此产生了海量带有主观色彩的网络文本。面对如此大规模的网络文本数据，如果仅仅依靠

4、人工的方式进行分析显然不切实际，由此推动了文本情感分析技术的产生与发展。目前，该技术已经被成功运用到舆情分析、产品营销、股价预测等领域，具有十分重要的理论价值和实用价值。网络文本由于存在主题广泛、用词不规范、篇幅短和逻辑混乱等特点，给网络文本情感分析的研究带来了许多的困难与挑战。鉴于此，本文以网络评论文本和微博文本为研究对象，深入地讨论了语义相关性的概念，并将主题模型和词向量模型这两种语义挖掘方法引入到网络文本情感倾向的分析中，以此有效地提高网络文本情感分类的精度。具体内容如下：（1）对“相似”与“相关”两者概念之间的区别与联系进行介绍

5、与总结，指出“相关性”的概念涵盖了“相似性”的概念。然后进一步明确词语相关性的定义，对词语相关性的一系列计算方法进行总结，并阐述了主题模型和词向量模型的核心思想以及它们在挖掘词语背后语义关联方面的出色表现。（2）基于主题模型的网络文本情感分类研究，主要包括：①通过制定上下文与当前词两者之间搭配规则的方式构造情感单元，以此从文本中提取出对网络文本情感分类的研究有用的情感信息；②提出基于主题模型的算法从情感信息中抽取出关键特征，并以此构建向量空间模型，最后利用机器学习分类器实现网络文本情感的分类。实验结果证明了本文方法的有效性，并且其在降维

6、方面比一般的降维方法表现更佳。（3）面向微博的网络文本情感分类研究，主要进行两部分的研究。第一部分是表情符情感倾向自动标注方法的研究，主要是通过统计与人工结合的方法筛选得到种子词，并基于种子词设计算法实现对表情符的情感倾向进行自动标注。第二部分是基于word2vec的微博文本情感分类研究，主要包括：①利用情感词典提取文本中的情感特征，并提出通过定义的方式将特征分为种子特征、相似特征和剩余特征三大类；②提出基于word2vec的算法将特征合并成特征集的形式，以此构建基于特征集的文本向量，然后利用机器学习分类器实现微博文本情感的分类。实验结

7、果证明了本文提出的表情符情感倾向自动标注方法和微博文本情感分类方法的有效性，并且后者的降维效果表现出色。（4）在本文方法的基础上设计并实现实验系统，对文本情感分类进行探讨。系统包括了数据预处理、情感词典构建、文本情感分析和实验报告四个模块。关键词：网络文本；情感分类；语义相关性；主题模型；词向量模型IABSTRACTIntheWeb2.0era,peoplecantaketheinitiativetoexpressanddisseminatetheiropinions,attitudes,feelingsandemotionsonthe

8、network,generatingamassivewebtextwithsubjectivecolor.Itisnotunrealistictoanalyzesuchlarge-scalenetworkt