中文微博情感资料.ppt

基于情感词典的中文微博情感倾向分析研究 导师：何婷婷 华中师范大学 NLP实验室 内容提要 情感分析的研究背景 情感分析的研究现状 微博情感分析的相关概述和理论 微博情感分析的研究内容和方法 微博情感倾向分析具体实践 1.情感分析的研究背景 在Web2.0 时代，最具有影响力的产品无疑是微博，它实现了把信息发布与社会网络紧密结合在一起。自2006 年问世至今，微博作为一个新兴的科技信息产物，目前在全球已成为一个能高度互动的信息转播平台。 在国内，短短几年时间里，微博从互联网的新秀跃升为互联网的基础应用之一，以微变革的力量，打开了一个大时代之门。 庞大的微博信息流揽括了众多话题，也许这些信息看似琐碎，而且非常不 规则，可事实上蕴藏着巨大的潜在价值。微博平台上的各种互动，往往与用户的心理有关，用户一旦在微博中发言，便有了立场和倾向，这就可以对其做情感分析。 2.情感分析的研究现状 通过目前收集到的国内外刊物及会议论文来看，关于文本情感分析方法的文献大致分为两类： （1）使用情感词典及与其关联信息分析文本情感 （2）使用机器学习方法分析文本情感 2.1使用情感词典及与其关联信息分析文本情感 使用情感词典及与其关联信息来分析文本情感，其优点是应用在词语特征级，句子级，粒度细，分析精准。但受到自然语言处理技术及相关抽取技术的限制，该方法容易丢失数据集中隐藏着的重要模式，使得未来研究工作中还有很大的提高空间。 徐琳宏、林鸿飞等从句子的词汇和结构作考虑，提取影响语句情感的9个语义特征，采用手工与自动获取相结合的方法，构建情感词汇本体库，对情感分析研究做了初步的尝试。 李钝、曹付元等从语言学的角度出发，采纳“情感倾向定义”权重优先的计算方式得到短语中词语语义倾向度，并分析词语的组合方式特点，提出中心词概念对词语的倾向性做计算，从而识别出短语的倾向性及其强度。 闻彬，何婷婷等提出一种基于语义理解的文本情感分类方法，通过在情感词识别中引入情感义原，赋予概念情感语义，对概念的情感相似度重新定义，得到词语情感语义值。 2.2使用机器学习方法分析文本情感 这类方法常用的机器学习模型有：中心向量分类法，朴素贝叶斯(Naive Bayes)，最大熵(Maximum Entropy)，K最近邻分类和支持向量机(SVM)。 国外有用机器学习的方法对电影评论进行情感极性分类的实验，分为正向情感和负向情感，分别采用了朴素贝叶斯、最大熵、支持向量机三种分类方法做实验，并将之与手工分类结果做比较，发现支持向量机方法在这种机器学习方法中效果最好，分类精确度达到80%。由此，可见机器学习方法在情感分析中展示出了一定的优势。 3.微博情感分析的相关概述和理论 微博的相关概述 文本预处理技术 特征选择算法 3.1 微博的相关概述 3.1.1 微博的定义和发展 微博是微型博客的简称，英文名称为MicroBlog。它是一个基于用户关系的信息传播、分享以及获取的平台，用户可以通过多种渠道（如WEB，WAP 以及各种客户端组件，即时通讯等）即时更新信息，每次更新内容将限制在一定数目内（中文微博通常为140 字左右），它具有便捷性、原创性、互动性、传播速度快及内容碎片化等特点。 2009 年8 月，新浪率先推出了“新浪微博”内测版，随后国内几大综合门户网站网易、搜狐、腾讯等相继推出。一时间微博呈现出井喷式发展，中国也真正进入了微博时代。 3.1.2 微博文本中的符号 1．网页链接：通常在用户分享后的文本末尾会跟随出现一个以“http”开头的地址，提供了分享视频、网页、图片等功能，这类文本符号在本文的情感倾向分析中是没有用处的，应该在文本预处理阶段过滤掉。 2．标签符号：通常微博应用最广泛的标签符号有四类。下面将作分别介绍： @：代表at，意思是“对某人说”或者“需要引起某人的注意”。 #：两个#框起来的文字，可以理解为“话题”。 //：一般是由微博系统自动添加的，出现在再一次转发已转发并带有评论的微 博时，主要起分隔针对同一微博的多人多次评论的作用。 V：代表该用户是通过微博官方认证的，是特殊身份的象征。 3．表情符号。 很多微博用户喜欢使用表情符号来表达自己当时的心情。例如：表情符号 经抓取后转变为了[哈哈]，表情符号在本文情感倾向分析中起着重要作用。 3.1.3 微博情感分析研究的困难 1.微博文本的特点 中文微博的文本内容都限制为140个字，，用户可以发布更有深度的内容（评论、新闻、分析等），微博用语多为非书面语言，口语化严重，大多不规范、语句结构杂乱，这在自然语言理解上给情感分析带来难度。