[发明专利]一种基于词项主客观偏向性的中文微博情感分析方法

摘要

本发明涉及一种基于词项主客观偏向性的中文微博情感分析方法。步骤如下：(1)获取待分析的目标微博数据集；(2)对每篇微博进行分词、词性标注、停用词过滤等预操作，并对前接否定词的情感词进行组合操作；(3)对预处理后的微博数据，引入情感先验知识和偏向性先验知识；(4)利用Gibbs采样算法采样每个词项的偏向性、情感和主题标号；(5)计算每篇微博的偏向性和情感联合分布变量；(6)计算每篇微博最终的情感极性概率分布，进而确定微博的情感极性。该方法针对微博数据提出词项的主客观偏向性(简称偏向性)的概念，使用Gibbs算法对偏向性、情感和主题的关系联合建模。该方法简单实用，能显著提高微博情感分类性能。

主权项

1.一种基于词项主客观偏向性的中文微博情感分析方法，其特征在于：包括以下步骤：步骤1、获取待分析的目标微博数据集；步骤2、对每篇微博进行分词、词性标注、停用词过滤等预操作，并对前接否定词的情感词进行组合操作；步骤3、对预处理后的微博数据，引入情感先验知识和偏向性先验知识，情感先验知识包括情感词和表情符号；词项的偏向性包括主观偏向性和客观偏向性，前者指的是偏向于表达主观情感，后者指的是偏向于描述客观事物；本方法使用表情符号作为主观偏向性先验知识，时间词、地点词和代词作为客观偏向性先验知识；引入情感和偏向性先验知识的过程具体为：步骤3a、构建空的S×V的情感转移矩阵λ、K×V的偏向性转移矩阵η、K×S×T×V的β矩阵和最终先验矩阵F(β,η,λ)；其中S、T、K、V分别表示情感个数、主题个数、偏向性个数和数据集中不同词项个数；步骤3b、ηK×V和λS×V的元素初始化为1；步骤3c、对于每个词项w∈{1,...,V}、每种偏向性标记c∈{1,...,K}和每种情感标记l∈{1,...,S}，如果w为偏向性先验知识，ηK×V中的元素ηcw更新如下：如果w为情感先验知识，λS×V中的元素λlw更新如下：其中，K(w)为w对应的偏向性标号，S(w)为w对应的情感标号；步骤3d、对于每个词项w∈{1,...,V}、每种情感标记l∈{1,...,S}、每种偏向性标记c∈{1,...,K}和每个主题z∈{1,...,T}，最终先验Fc,l,z,w(β,η,λ)为：Fc,l,z,w(β,η,λ)＝ηc,w·βc,l,z,w·λl,w步骤4、根据预处理后的微博数据以及先验知识，利用Gibbs采样算法采样每个词项的偏向性、情感和主题标号，对数据集中每个位置i的词项wi的偏向性标号ci、情感标号li和主题标号zi采样如下： P ( c i = k , l i = s , z i = t | w , c - i , l - i , z - i , ϵ , γ , α , β , η , λ ) ∝ N d , k - i + ϵ N d - i + K · ϵ · N d , k , s - i + γ N d , k - i + S · γ · N d , k , s , t - i + α k , s , t N d , k , s - i + Σ t T α k , s , t · N k , s , t , w i - i + F k , s , t , w i N k , s , t - i + Σ v V F k , s , t , v ]]>其中，Nd表示wi所在文本d的词项数，Nd,k表示文本d中属于偏向性k的词项数，Nd,k,s表示文本d中属于偏向性k和情感s的词项数，Nd,k,s,t表示文本d中属于偏向性k、情感s和主题t的词项数，Nk,s,t表示数据集中属于偏向性k、情感s和主题t的词项个数，Nk,s,t,w表示数据集中属于偏向性k、情感s和主题t的词项w的个数；此外，ε、γ为偏向性和情感标记的先验计数，为经验值，α为主题的先验计数，由最大似然估计学习得到，-i表示不包括当前词项；步骤5、经过一定迭代次数的采样，计算每篇微博的偏向性和情感联合分布变量，微博d的偏向性和情感联合分布变量计算如下： π d , k , s = N d , k , s + γ N d , k + S · γ ]]>步骤6、计算每篇微博最终的情感概率分布，选择概率最大的情感极性作为微博的情感极性，微博d的最终情感概率分布计算如下： Π d , s = W s u b · N d , k s u b , s + γ N d , k s u b + S · γ + W o b j · N d , k o b j , s + γ N d , k o b j + S · γ , W s u b > W o b j > 0. ]]>