發(fā)布時間：2018-03-20 01:27

  本文選題：微博　切入點：情感詞　出處：《計算機工程》2017年12期 　論文類型：期刊論文

【摘要】：為提高微博情感分類識別的正確率,以網絡微博數據作為研究對象,提出一種基于圖的情感基準詞選擇方法。結合知網相似度知識,構建圖模型,以圖中節(jié)點中介性的值為依據,選擇出高質量和高覆蓋率的情感基準詞。根據得到的基準詞構建情感分析中所需的情感詞典,并給出情感詞極性。同時將情感詞應用于挖掘短句情感特征,加入到傳統(tǒng)支持向量機(SVM)模型中,對微博句子挖掘更多的語義信息從而獲取更合理的語義合成函數,捕捉句子情感變化以更好地把握微博整句情感。采用具有特征約束特性的條件隨機場(CRF)模型對短句進行分類。實驗結果驗證了CRF模型短句分類的有效性,與多種特征的SVM分類方法相比,在不同數據集上具有更好的分類效果。
[Abstract]:In order to improve the correct rate of Weibo's emotion classification and recognition, a graph-based affective benchmark word selection method is proposed, which is based on the online Weibo data, and the graph model is constructed by combining the knowledge of the knowledge of knowledge and network similarity. Based on the intermediate values of the nodes in the map, the emotional reference words with high quality and high coverage are selected. The emotion dictionary needed in the emotional analysis is constructed according to the obtained reference words. The polarity of affective words is also given. At the same time, affective words are applied to mining the affective features of short sentences and are added to the traditional support vector machine (SVM) model to mine more semantic information for Weibo sentences in order to obtain more reasonable semantic composition functions. In order to grasp Weibo's whole sentence emotion better, we use the conditional random field (CRF) model with characteristic constraints to classify short sentences. The experimental results show that the CRF model is effective in short sentence categorization. Compared with the SVM classification method with various features, it has better classification effect on different data sets.
【作者單位】： 武漢大學計算機學院;武漢大學軟件工程國家重點實驗室;
【分類號】：TP391.1

【相似文獻】

相關期刊論文 前10條

1 楊凌霄;武建平;;機器學習方法在人臉檢測中的應用[J];計算機與數字工程;2008年03期

2 ;第十屆中國機器學習會議征文通知2006年10月13～15日,海口[J];計算機研究與發(fā)展;2005年10期

3 邵平;;機器學習與人臉識別方法概述[J];玉林師范學院學報;2006年03期

4 ;第12屆中國機器學習會議征文通知 2010年8月6—8日 濟南[J];計算機研究與發(fā)展;2009年11期

5 ;第12屆中國機器學習會議征文通知[J];計算機研究與發(fā)展;2009年12期

6 ;第12屆中國機器學習會議征文通知 2010年8月6-8日 濟南[J];計算機研究與發(fā)展;2010年01期

7 柏宏權;韓慶年;;機器學習在適應性教學系統(tǒng)中的應用研究[J];南京師范大學學報(工程技術版);2007年04期

8 吳肖炎;郭瑞;;基于機器學習的計算機安全技術綜述(上)[J];保密科學技術;2013年03期

9 楊升;常勝;侯麗;;機器學習在計算機免疫中的應用[J];微計算機信息;2007年30期

10 ;《軟件學報》統(tǒng)計學習研究與應用�？魑耐ㄖ猍J];軟件學報;2012年11期

相關會議論文 前4條

1 李剛;郭崇慧;林鴻飛;楊志豪;唐煥文;;基于詞典法和機器學習法相結合的蛋白質名識別[A];大連理工大學生物醫(yī)學工程學術論文集（第2卷）[C];2005年

2 周軍;何力;韓偉紅;鄧璐;;基于機器學習的中文評論傾向性分類實證研究[A];第28次全國計算機安全學術交流會論文集[C];2013年

3 陳文亮;朱靖波;姚天順;張宇新;;基于Bootstrapping的領域詞匯自動獲取[A];語言計算與基于內容的文本處理——全國第七屆計算語言學聯合學術會議論文集[C];2003年

4 陳振興;賁可榮;;機器學習在軟件預測與評估中的應用[A];2006年全國理論計算機科學學術年會論文集[C];2006年

相關重要報紙文章 前3條

1 百度公司技術副總監(jiān) 多媒體部負責人 余凱;深度學習與多媒體搜索技術演進[N];中國信息化周報;2013年

2 本報記者 余建斌;機器學習與互聯網搜索[N];人民日報;2011年

3 本報記者 張曄邋通訊員 李瑋;周志華：永不墨守成規(guī)[N];科技日報;2008年

相關博士學位論文 前8條

1 杜宇;基于深度機器學習的體態(tài)與手勢感知計算關鍵技術研究[D];浙江大學;2017年

2 劉章林;基于機器學習的編譯優(yōu)化適應性研究[D];中國科學院研究生院（計算技術研究所）;2006年

3 杜偉;機器學習及數據挖掘在生物信息學中的應用研究[D];吉林大學;2011年

4 王秉卿;基于機器學習的查詢優(yōu)化研究[D];復旦大學;2012年

5 劉全超;面向中文微博的觀點挖掘與傾向性分析研究[D];北京理工大學;2015年

6 江騰蛟;基于句法和語義挖掘的Web金融評論情感分析[D];江西財經大學;2015年

7 楊亮;面向社交媒體的文本情感分析關鍵技術研究[D];大連理工大學;2016年

8 董喜雙;基于免疫多詞主體自治學習的情感分析研究[D];哈爾濱工業(yè)大學;2013年

相關碩士學位論文 前10條

1 陳國蘭;基于突發(fā)詞和情感分析的微博突發(fā)事件監(jiān)測研究[D];南京郵電大學;2015年

2 陳鵬;基于深度語義特征的情感分析研究[D];哈爾濱工業(yè)大學;2016年

3 唐明霜;基于翻譯模型的網絡評論情感分析研究[D];電子科技大學;2016年

4 張春艷;電商網站中面料商品的情感自動分類研究[D];北京服裝學院;2017年

5 趙一昕;基于情感分析的公交輿情分析系統(tǒng)研發(fā)及應用[D];浙江大學;2017年

6 劉燕輝;基于主題模型的無監(jiān)督情感分類研究[D];吉林大學;2015年

7 毛海斌;基于半監(jiān)督機器學習的情感分類領域適應問題研究[D];南京理工大學;2015年

8 王成;基于半監(jiān)督機器學習的文本情感分析技術[D];南京理工大學;2015年

9 孫科;基于Spark的機器學習應用框架研究與實現[D];上海交通大學;2015年

10 劉江龍;基于機器學習的射頻指紋定位方法研究[D];電子科技大學;2015年

，

本文編號：1636905