[发明专利]基于多特征融合的微博文本数据分类方法

说明书

本发明公开了一种基于多特征融合的微博文本数据分类方法，包括：步骤1，进行用户认证登录，获取微博文本数据信息，根据分类器获取特征信息并计算特征信息权重；步骤2，通过朴素贝叶斯方法对特征信息进行分类，对于分类结果进行权值计算；步骤3，将计算完成的分类结果进行分类融合，直到特征信息分类完毕，将分类完毕的特征信息进行展示操作。使用户获得有用信息的效率提高，从而实现数据的快速抓取，保证数据分类的准确性。

技术领域

本发明涉及计算机领域，尤其涉及一种基于多特征融合的微博文本数据分类方法。

背景技术

情感分析的目的是从文本中挖掘用户表达的观点以及情感极性。微博是一种新兴的社交网络平台，它具有多样性、实时性、短文本等特点。对中文微博进行情感识别，在网络舆情分析、信息过滤、用户兴趣发掘等领域都具有很好的应用前景。

现有的情感分类技术有机器学习方法及语义方法两类。Pang等人使用机器学习方法进行文本情感分类，比较了朴素贝叶斯、最大熵模型、和支持向量机方法的分类效果。此外以词频、二值和否定词为特征集的研究，在新闻评论中获得了较好的分类性能。语义方法方面，Turney提出了PMI-IR算法，其中短语的平均SO作为文本的情感倾向。朱嫣岚等提出了基于HowNet的语义相似度和语义相关场的计算方法。

目前，虽然国内外学者在情感分类方面已取得了一定的研究成果，但现有研究多是针对领域的评论性文本，对中文微博的情感倾向性分析研究仍然较少。另外，现有的文本情感分析多是识别情感的褒贬极性，较少涉及多情感类别的分析。与传统文本相比，中文微博具有长度短、情感层次丰富、文本表述不规范、存在大量网络新词汇等特点。因此，中文微博情感识别方法与传统文本还存在较大差异。同时由于微博情感语词不能很好的分类提取，对于用户在使用过程中造成了极大的困惑，降低了用户相关数据提取的效率。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于多特征融合的微博文本数据分类方法。

为了实现本发明的上述目的，本发明提供了一种基于多特征融合的微博文本数据分类方法，其关键在于，包括：

步骤1，进行用户认证登录，获取微博文本数据信息，根据分类器获取特征信息并计算特征信息权重；

步骤2，通过朴素贝叶斯方法对特征信息进行分类，对于分类结果进行权值计算；

步骤3，将计算完成的分类结果进行分类融合，直到特征信息分类完毕，将分类完毕的特征信息进行展示操作。

所述的基于多特征融合的微博文本数据分类方法，优选的，所述步骤1包括：

步骤1-1，确定情感特征词集，所述情感特征词集包括程度副词、否定副词集、表情符号集、转折词集和感叹词集；

步骤1-2，设置数据信息观察窗口[-X，+X]，对文中的任意情感词，分别观察其左、右两边距离为X的词语数据，所述X为整数，如有程度副词或否定副词，则将其与当前词相连形成短语；如不存在否定副词或程度副词，则将当前词形成短语，并收集得到特征w和类别c；

步骤1-3，以词频作为获取特征信息得到特征信息权值的计算基础，通过公式，进行特征信息提取的计算；

其中：A是特征w和类别c共现的次数，B是w出现但c不出现的次数，C是c出现但w不出现的次数，D是w和c都不出现的次数，N是文档总数。

所述的基于多特征融合的微博文本数据分类方法，优选的，所述步骤2包括：

步骤2-1，通过先验概率和类别的条件概率来估计文档d对于类别c_i的后验概率，以此实现文档的类别判断；

步骤2-2，朴素贝叶斯多项式模型的算法描述如下：