發(fā)布時間：2018-03-30 09:23

  本文選題：情感分析　切入點：文本分類　出處：《中國民航大學(xué)》2017年碩士論文

【摘要】：隨著微博等自媒體平臺的迅猛發(fā)展,互聯(lián)網(wǎng)傳播信息的速度已經(jīng)超越傳統(tǒng)媒體成為最具影響力的信息傳播途徑,因此社會熱點事件的傳播速度越來越快,影響范圍也越來越廣。民航業(yè)在其快速發(fā)展過程中不免暴露出各種問題,這些問題同樣經(jīng)由信息手段快速傳播,在社會上極易引起強烈反響。如何有效地從中抽取出我們想要的信息并進行數(shù)據(jù)分析,進而對這些社會熱點事件情感傾向做出分類并識別這些熱點事件中的評論對象,已經(jīng)成為輿情傳播的重要研究內(nèi)容之一。本文主要的研究對象為微博評論文本,我們從海量評論文本中抽取與民航相關(guān)的數(shù)據(jù),將其情感傾向進行人工標注后,研究基于支持向量機的情感分類方法。對于分類器而言,特征提取方案是否優(yōu)良,是決定訓(xùn)練結(jié)果的重要指標之一,因此本文考慮了兩種特征提取方案,分別為詞頻特征和詞語情感屬性特征,均得到了較好的分類結(jié)果,正確率達到百分之九十以上。針對負面評論,確定其中的指責對象具有重要的研究意義。本文研究了評論對象分類問題,由于傳統(tǒng)的信息增益方法只考慮類別對特征的影響,而大量短微博中的特征很可能會被忽略,影響分類效果,因此本文在信息增益方法的基礎(chǔ)上加入文本長度對特征的影響,在新浪微博上的實驗表明,新方法的分類準確度較傳統(tǒng)的信息增益方法有所提高。本文還研究了基于Labeled LDA模型的針對不同評論對象時所用的詞語,研究了基于吉布斯采樣結(jié)果的評論用語之間的關(guān)系,并構(gòu)建了針對不同評論對象的用語關(guān)系網(wǎng)絡(luò),形象地展示了這些評價詞語之間的關(guān)聯(lián)關(guān)系。
[Abstract]:With the rapid development of Weibo and other self-media platforms, the speed of information dissemination on the Internet has surpassed the traditional media and become the most influential way of information dissemination. Therefore, the speed of transmission of social hot events is getting faster and faster. The civil aviation industry, in its rapid development, inevitably exposed problems that also spread rapidly through information, How to effectively extract the information we want and analyze the data, and then classify the emotional tendency of these social hot events and identify the comment objects in these hot events. It has become one of the important research contents of public opinion communication. The main research object of this paper is Weibo comment text. We extract the data related to civil aviation from the massive comment text, and label its emotional tendency manually. This paper studies the emotion classification method based on support vector machine. For classifier, whether the feature extraction scheme is good or not is one of the important indexes to determine the training result. Therefore, two feature extraction schemes are considered in this paper. For word frequency feature and word affective attribute feature, good classification results are obtained, and the correct rate is more than 90%. In view of negative comments, It is of great significance to determine the target of accusation. In this paper, we study the classification of comment objects. Because the traditional information gain method only considers the influence of categories on features, a large number of features in short Weibo are likely to be ignored. The effect of classification is affected, so this paper adds the influence of text length to feature based on the information gain method, and the experiment on Sina Weibo shows that, The classification accuracy of the new method is higher than that of the traditional information gain method. This paper also studies the words used for different comment objects based on the Labeled LDA model, and studies the relationship between the comment terms based on Gibbs sampling results. A network of lexical relationships for different comment objects is constructed, which vividly shows the correlation between these appraised words.
【學(xué)位授予單位】：中國民航大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.1

【參考文獻】

相關(guān)期刊論文 前10條

1 李勝宇;高俊波;許莉莉;;面向酒店評論的情感分析模型[J];計算機系統(tǒng)應(yīng)用;2017年01期

2 程惠華;黃發(fā)良;潘傳迪;;基于產(chǎn)品評論情感分析的用戶滿意度挖掘[J];福建師范大學(xué)學(xué)報(自然科學(xué)版);2017年01期

3 唐曉波;蘭玉婷;;基于特征本體的微博產(chǎn)品評論情感分析[J];圖書情報工作;2016年16期

4 劉銘;昝紅英;原慧斌;;基于SVM與RNN的文本情感關(guān)鍵句判定與抽取[J];山東大學(xué)學(xué)報(理學(xué)版);2014年11期

5 陳培文;傅秀芬;;采用SVM方法的文本情感極性分類研究[J];廣東工業(yè)大學(xué)學(xué)報;2014年03期

6 賀飛艷;何炎祥;劉楠;劉健博;彭敏;;面向微博短文本的細粒度情感特征抽取方法[J];北京大學(xué)學(xué)報(自然科學(xué)版);2014年01期

7 歐陽純萍;陽小華;雷龍艷;徐強;余穎;劉志明;;多策略中文微博細粒度情緒分析研究[J];北京大學(xué)學(xué)報(自然科學(xué)版);2014年01期

8 林琛;王蘭成;;基于條件隨機場的網(wǎng)民評論對象識別研究[J];現(xiàn)代圖書情報技術(shù);2013年06期

9 郭紅鈺;;基于信息熵理論的特征權(quán)重算法研究[J];計算機工程與應(yīng)用;2013年10期

10 徐學(xué)可;程學(xué)旗;譚松波;劉悅;沈華偉;;面向顧客點評數(shù)據(jù)的屬性層次觀點挖掘研究(英文)[J];中國通信;2013年03期

，

本文編號：1685311