情感分类分析现状_基于情感词典的中文微博情感倾向分析研究_情感词典一般规模(4)

由可知，当特征组合为情感词典、网络用语词典、表情符号词典、连词词典、副词词典、“？”、“！”“//”时，SVM算法得到了最好的F1值，比其他特征组合的F1值略高，说明这组特征组合是有效的，因此采用该特征组合为实验的特征。链接特征只是引用了一组链接，没有明显的提供可区别的情感分类的有效信息。“@”符号后面跟着用户名，因此也没有提供分类的信息。虽然双引号的特征能够表明用户的态度，但是由于在微博中出现的次数极少，因此无法提供过多的分类信息。“#”代表了话题，但是话题一般是客观公正的，也无法进行情感分类。由于情感词典中的情感词大多数为动词和形容词，但是动词和形容词不一定都是情感词，因此动词和形容词作为特征也无法进行情感分类。经过以上的分析可知，本实验中选择的特征组合有效，可以用在微博的情感分类任务中。

4.2 情感词典对比实验

为了验证构建的情感词典的有效性，本实验利用4部基础情感词典、合并去重词典、扩展词典以及优化后词典等7部情感词典做对比实验。实验数据为COAE 2014微博标注数据集，采用2折交叉验证，实验结果用精确率、召回率和F1值，如所示。

由可知，在对比实验中，优化后的情感词典的F1值高于合并词典、扩展后的情感词典以及4部基础情感词典。4部基础情感词典由于包含的情感词语很少，在微博情感分类的时候无法覆盖整个微博数据集，导致F1值较低。扩展后的情感词典中的许多情感词语的情感倾向性值与实际值相反，因此F1值也很低。而合并词典在SVM分类算法中和优化后情感词典中情感词语的数量比较多，F1值也相对较高，但是词典中情感词语的数量仍然太少，在处理微博时，合并词典仍旧无法处理情感分析的任务。通过以上的实验结果及分析，文中构建的情感词典有效，并且能够处理情感分析的任务。

4.3 不同算法的对比实验

为了验证本文中构建的情感词典以及选择的特征组合有效，本论文选取了COAE 2014任务四中排名前二的方法作为baseline，2种方法具体的实现系统为：MI&TLAB和hit[]。使用4.1节中选择出的特征组合，使用LibSVM进行褒贬分类。

MI&TLAB在任务四中排名第一，有5项指标获得第一名。该系统首先构造了包含16 702个词语的情感词典；然后，根据情感词典筛选出带有情感词语的微博句子，并且将筛选出的句子组合成具有情感倾向的候选集；最后，针对候选集中的每一个微博句子判断情感倾向性，计算出概率，按照概率大小得到最终的结果；在实验阶段，选取词、词性、情感词典作为分类的特征，采用SVM_Multi进行分类。

hit在任务四中排名第二。该系统提出一个主客观分类和褒贬分类融合的评估情感倾向性的模型。首先，使用改进的LR模型构建一个能够判别主客观的分类模型，并结合情感词典构建褒贬模型；然后将主客观模型和褒贬模型进行融合，构建情感倾向性强度模型选出较强情感微博；最后使用褒贬分类模型判断微博最终的倾向性。

由可知，对于情感倾向为正的分类，基于SVM的方法在精确率和F1值略高于第二名而低于第一名，但是召回率却比第一名和第二名都低；对于情感倾向为负的分类，基于SVM的方法在精确率上比第一二名略高，但是召回率和F1值较低。对于宏平均和微平均，基于SVM的方法在精确率上低于第一名高于第二名，由于较低的召回率，导致微平均的F1值略低，但是宏平均的F1值高于第二名。本论文提出的方法获得较高的精确率，能够完成微博情感分析的任务，但是召回率较低，对整体指标F1值造成了一定的影响。

5 结束语

本论文利用同义词词林对4 部基础情感词典进行扩展形成一部情感词典，通过对比实验，证明本论文构造的情感词典有效。针对情感分析中特征选择的问题，利用不同的特征组合通过对比实验选取了有效的特征组合。经实验证明，选取的特征组合有效，能够有效提高微博情感分析的质量。基于情感词典的中文微博情感倾向分析研究

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-34678-4.html