基于word2vec和SVMperf的網(wǎng)絡(luò)中文文本評論信息情感分類研究.pdf

1、近些年來，隨著web2.0技術(shù)的產(chǎn)生和飛速發(fā)展，尤其是諸如電子商務(wù)、博客、論壇、微博等許多新興互聯(lián)網(wǎng)平臺的出現(xiàn)，越來越多的用戶習慣于在這些網(wǎng)絡(luò)平臺上發(fā)表自己的觀點，表達自己的感受。而隨著網(wǎng)絡(luò)用戶量的不斷增加，產(chǎn)生的用戶評論數(shù)量也呈爆炸式增長，僅憑用戶來翻看這些評論以獲取有價值的信息，變得不切實際。因此，一個新的用來幫助用戶對海量評論進行分析甄選，從中抽取出有價值的信息的研究方向應(yīng)運而生，即“情感分類”。
　　在情感分類研究中，用的

2、最多的也最有效的方法是基于機器學習的方法。在基于機器學習方法的情感分類研究中，最重要的環(huán)節(jié)是有效特征的提取。在前人的研究中，往往只考慮了淺顯的詞匯特征和句法特征，而忽略了對于隱含的語義特征的提取。針對此問題，本文主要進行了以下三個方面的研究:
　　1)本文利用word2vec可以獲取語義聯(lián)系的特性，首先對文本語料庫進行了相似特征聚類的實驗，將語料庫中描述同一個產(chǎn)品特征的詞語進行了聚類，方便后續(xù)的情感分類研究工作可以獲得良好的分析總

3、結(jié)。實驗結(jié)果表明，利用word2vec可以很好地將語料庫中的相似特征提取出來，并聚合為同一產(chǎn)品特征簇。
　　2)本文提出了基于word2vec和SVMperf的中文文本情感分類研究方法。方法利用word2vec的特性，將文本中的詞匯表示為向量空間中的高維向量，通過對這些詞向量進行余弦相似度的計算，從而獲得詞匯之間在語義上的相似度，然后將這些向量作為語義特征，用SVMperf分類模型進行訓練，得到最終的分類結(jié)果。實驗結(jié)果表明，此方法

4、可以獲得較好的分類結(jié)果。
　　3)為了進一步提升分類的正確率，本文又在上述情感分類方法的基礎(chǔ)上，在提取特征時，考慮了否定詞、程度詞和轉(zhuǎn)折詞等上下文結(jié)構(gòu)特征，再結(jié)合語義特征，一起作為有效特征用SVMperf訓練和測試。實驗結(jié)果表明，結(jié)合了上下文結(jié)構(gòu)特征的情感分類方法可以獲得更佳的分類效果。
　　最后，本文將情感分類算法與具體應(yīng)用相結(jié)合，開發(fā)了一套股票分析系統(tǒng)。系統(tǒng)主要通過對股民評論的情感指數(shù)與股票價格走勢的分析對比，判斷兩者有