基于词典与规则的新闻文本情感倾向性分析

通过对新闻类文体的结构分析,将新闻文体按段落划分,采用一种基于情感词典和语义规则相结合的情感关键句抽取方法,对段落内的句子进行情感分析。综合考虑情感、转折、否定、程度和归总等词语信息构建情感词典,根据规则切割新闻文本,将新闻划分为意群、句子、段落以及篇章,通过制定的规则计算情感关键句倾向值,最终获得段落以及整个篇章的情感倾向值,从而得出新闻的情感倾向。与情感词典和SVM情感分类方法的实验结果对比表明,本文方法在对新闻文本进行倾向判别时效果较好,方法具可行性。     

基于SVM与RNN的文本情感关键句判定与抽取

文本的情感倾向在很大程度上依赖于其中情感倾向性较高的关键句,对这些情感关键句正确判定有利于提高整个篇章情感分类的效果。传统的基于规则的情感倾向性分析的优点是情感词表和规则表达准确,缺点是完备性差,而统计的方法则相反。结合使用支持向量机(support vector machine,SVM)与递归神经网络(recursive neural netw ork,RNN)分别构造分类器,然后对整个篇章和单个句子进行情感二元分类,将分类结果进行比较投票后判定出篇章中的情感关键句。句子级情感特征不仅包含情感词、否定词等传统的文法信息,同时加入深度学习领域中词向量的统计信息,而在篇章特征中也抽取出句型、位置等宏观信息。通过参与COAE 2014评测任务1的结果显示,该方法的微平均F1值达到0.388,在同类评测系统中处于最高水平。     

面向新闻的情感关键句抽取与判定

情感倾向的分析已经成为当前研究的热点.面向新闻的情感关键句抽取与判定主要运用的技术有对文本进行预处理、计算文本中词项权重、提取情感关键句、用SVM分类器对情感关键句进行情感倾向性分析.实验结果表明:JXNUIIP系统对情感关键句提取问题有良好的效果.     

基于主体句和句法依赖的微博情感倾向性分析

情感倾向性分析是近年来中文信息处理领域的热点问题.通过对新浪微博进行情感的分析与研究,提出了一种基于主体句和句法依赖关系的微博情感倾向性分析方法.首先利用自定义规则和条件随机场模型进行主体句及主体评价对象的抽取;然后使用句法分析器对主体句进行依赖关系分析,可以准确的获得修饰评价对象的评价词;最后利用情感词典计算出句子的情感倾向.实验结果表明在精确获取评价对象的基础上再进行情感倾向性判别效果要优于对微博直接进行情感倾向性分析.     

基于双粒度模型的中文情感特征词提取研究

为了能够快速准确地提取出海量文本信息中的情感特征词,提出从情感词语集中通过人工筛选得到种子词并对其情感强度赋值,同时,以这些种子词为基准计算出情感词语集中其他词语的情感强度值,从而得到各特征词在词语级及句子级的倾向性贡献度值。然后,将特征词在词语级、句子级这2种不同粒度情况下计算出的情感倾向性贡献度值有机结合起来,构造出基于双粒度模型的中文情感特征词提取模型。该提取方法考虑了特征词在词语级和句子级2个方面的情感倾向,使最终提取出的情感词的准确率得到了提高。实验表明,只要有一个全面的情感词典系统和一组准确恰当的种子词,提出的方法可以获得良好的准确率和召回率。     

面向新闻的情感关键句抽取与极性判别

门户网站、博客和论坛中的新闻性文章很多具有倾向性,倾向性判别对了解社会动态和舆情状况有重要作用。在主题相关性的基础上,主要考虑了三类属性:位置属性、情感属性、特征词属性,提出了一种针对篇章级的情感关键句抽取方法,并通过集成学习判别情感关键句的极性。实验结果显示本文方法能够有效地挖掘出情感关键句并能对情感关键句进行较准确的极性判别,实现了情感关键句,抽取和极性判别的自动化,且具有较好的效果。     

基于情感依存元组的新闻文本主题情感分析

以情感依存元组(EDT)作为中文情感表达的基本结构,把新闻文本主题情感倾向性判别任务分成主题识别、情感倾向性分析和主客观分类三个逐层递进的子任务。在主题识别前先对TF-IDF方法进行改进,再结合基于交叉熵方法提取主题特征词,同时考虑了新闻文章标题的主题表征作用,将标题词纳入主题特征集;然后基于空间向量模型计算句子与主题特征向量的相似度,在此基础上考虑句子位置、长度及句子与标题的相似度,计算句子的主题相关度以抽取主题句;最后建立情感依存元组判别模型计算主题句的情感,采用主、客观分类规则筛选出新闻倾向关键句。本方法在COAE 2014评测中各项指标皆逼近最好成绩,表明基于情感依存元组的分类方法具有较高的分类性能。     

基于表情符分析的情感关键句提取方法

在情感计算中,提取情感关键句是简化分类过程、提高分类正确率的关键环节.近年来,人们的社交需求日趋旺盛,表情符相较于文字具有更为丰富的语义信息,在各交流系统中得以广泛应用.为提升情感关键句提取方法的性能,对表情符的情感极性进行深入分析,提出一种基于表情符分析的情感关键句提取方法.首先统计表情符的情感极性,再将其和纯文字句子情感极性进行对比分析,对于句子中词组的情感极性不一致的句子将采用类序列规则挖掘,得出句子的最终情感极性;然后再结合位置信息以及关键词等属性特征,作为衡量该句是否为情感关键句的重要依据;通过对比实验验证了所提方法相较于现有方法在正确率和召回率方面都有较大提高.     

基于证据推理的政府工程招标人与投标人合谋倾向强度测算方法

为了测算出政府工程招标人与投标人的合谋倾向强度,首先在分析招投标全过程的主要事项与关键节点的基础上,凝练出招标人与投标人的合谋行为类型,筛选出招标人与投标人合谋倾向强度的测算因素,包括审查条款的偏向性、审查标准的差异性、招标文件的指向性、招标人干预评标的暗示性和专家评标的倾向性。然后构建了证据推理模型,通过建立识别框架与测算因素层次结构,运用AHP-熵权法求出测算因素的综合权重,构建判断矩阵,并利用合成公式测算出招标人与各投标人的合谋倾向强度,根据评判准则识别出与招标人合谋倾向最强的投标人。最后通过一个工程实例验证了证据推理的测算方法,结果表明该方法是可行且合理的。     

基于双重注意力模型的微博情感倾向性分析

在现有的微博情感倾向性分析任务中,微博标签往往被视为噪声信息,在数据预处理阶段就被剔除.但微博标签蕴含着微博内容的关键信息,所以标签的剔除对于微博的情感倾向性分析是不利的.针对该问题,充分考虑微博的文本特点,提出一种基于双重注意力的情感分析模型.采用Bi-LSTM(Bi-directional Long Short-Term Memory)分别构建微博文本和微博标签的语义表示,采用双重注意力机制同时对微博的正文层和微博的标签层进行语义编码,提取出文本中的关键信息.最后,基于所构建的语义表示训练情感分类模型.实验结果表明,该模型在微博情感倾向性分析上取得了较好的效果.