基于情绪知识的中文微博情感分类方法

doi:10.3969/j.issn.1000-3428.2012.13.046

计算机工程 ›› 2012, Vol. 38 ›› Issue (13): 156-158,162. doi: 10.3969/j.issn.1000-3428.2012.13.046

基于情绪知识的中文微博情感分类方法

庞磊^1,2，李寿山^1,2，周国栋^1,2

(1. 苏州大学计算机科学与技术学院，江苏苏州 215006；2. 江苏省计算机信息处理技术重点实验室，江苏苏州 215006)

收稿日期:2011-08-31 出版日期:2012-07-05 发布日期:2012-07-05
作者简介:庞磊(1985－)，男，硕士研究生，主研方向：自然语言处理；李寿山，副教授；周国栋，教授、博士生导师
基金资助:
国家自然科学基金资助项目(61003155, 60873150)

Sentiment Classification Method of Chinese Micro-blog Based on Emotional Knowledge

PANG Lei ^1,2, LI Shou-shan ^1,2, ZHOU Guo-dong ^1,2

(1. School of Computer Science and Technology, Soochow University, Suzhou 215006, China; 2. Provincial Key Lab of Computer Information Processing Technology of Jiangsu, Suzhou 215006, China)

Received:2011-08-31 Online:2012-07-05 Published:2012-07-05

摘要/Abstract

摘要： 通过对新浪微博文本进行情感信息方面的分析与研究，提出一种基于情绪知识的非监督情感分类方法。利用情绪词和表情图片 2种情绪知识对大规模微博非标注语料进行筛选并自动标注，用自动标注好的语料作为训练集构建微博情感文本分类器，对微博文本进行情感极性自动分类。实验结果表明，该方法对微博文本的情感极性分类达到较好的效果。

关键词: 中文信息处理, 无监督学习, 情绪知识, 微博, 情感分类

Abstract: This paper proposes an unsupervised method of sentiment classification and applies it to perform sentiment classification on Sina micro-blog. The approach employs emotional images and emotional words as the emotional knowledge to extract pseudo-labeled samples, and uses them to train a classifier for automatically classification on polarities of the miro-blog. Experimental results show that the method achieves a decent performance on sentiment classification for Chinese micro-blog.

Key words: Chinese information processing, unsupervised learning, emotional knowledge, micro-blog, sentiment classification

中图分类号:

TP391

庞磊, 李寿山, 周国栋. 基于情绪知识的中文微博情感分类方法[J]. 计算机工程, 2012, 38(13): 156-158,162.

LONG Lei, LI Shou-Shan, ZHOU Guo-Dong. Sentiment Classification Method of Chinese Micro-blog Based on Emotional Knowledge[J]. Computer Engineering, 2012, 38(13): 156-158,162.

http://www.ecice06.com/CN/Y2012/V38/I13/156

参考文献

[1] Pang Bo, Lee L, Vaithyanathan S. Thumbs up? Sentiment Classification Using Machine Learning Techniques[C]//Proc. of Conference on Empirical Methods in Natural Language Processing. [S. l.]: ACM Press, 2002.
[2] Kim Soo-Min, Hovy E. Automatic Detection of Opinion Bearing Words and Sentences[C]//Proc. of International Joint Conference on Natural Language Processing. Jeju Island, Korea: [s. n.], 2005.
[3] Yu Hong, Hatzivassiloglou V. Towards Answering Opinion Questions: Separating Facts from Opinions and Identifying the Polarity of Opinion Sentences[C]//Proc. of Conference on Empirical Methods in Natural Language Processing. Sapporo, Japan: [s. n.], 2003.
[4] Hu Minqing, Liu Bing. Mining and Summarizing Customer Reviews[C]//Proc. of Conference on Knowledge Discovery and Data. [S. l.]: ACM Press, 2004.
[5] Cui Hang, Mittal V, Datar M. Comparative Experiments on Sentiment Classification for Online Product Reviews[C]//Proc. of the 21st National Conference on Artificial Intelligence. [S. l.]: ACM Press, 2006.
[6] Kim Soo-Min, Hovy E. Automatic Identification of Pro and Con Reasons in Online Reviews[C]//Proc. of the 21st International Conference on Computational Linguistics and the 44th Annual Meeting of the Association for Computational Linguistics. Sydney, Australia: [s. n.], 2006.
[7] Zhao Jun, Liu Kang, Wang Gen. Adding Redundant Features for CRFs-based Sentence Sentiment Classification[C]//Proc. of Conference on Empirical Methods in Natural Language Processing. [S. l.]: ACM Press, 2008.
[8] 李寿山, 黄居仁. 基于Stacking组合分类方法的中文情感分类研究[J]. 中文信息学报, 2010, 24(5): 56-61. (下转第162页)
[9] 潘宇, 林鸿飞. 基于语义极性分析的矮馆评论挖掘[J]. 计算机工程, 2008, 34(17): 208-210.
[10] 宋光鹏. 文本的情感倾向分析研究[D]. 北京: 北京邮电大学, 2008.
[11] Go A, Bhayani R, Huang Lei. Twitter Sentiment Classification Using Distant Supervision[Z]. 2009.
[12] Pak A, Paroubek P. Twitter as a Corpus for Sentiment Analysis and Opinion Mining[C]//Proc. of Language Resources and Evaluation Conference. Lisbon, Portugal: [s. n.], 2010.

[13] Jiang Long, Yu Mo, Zhou Ming, et al. Target-dependent Twitter Sentiment Classification[C]//Proc. of the 49th Annual Meeting of the Association for Computational Linguistics. Portland, USA: [s. n.], 2011: 151-160.
[14] Davidov D, Tsur O, Rappoport A. Enhanced Sentiment Learning Using Twitter Hashtags and Smileys[C]//Proc. of the 23rd International Conference on Computational Linguistics. Beijing, China: [s. n.], 2010: 241-249.

[1]	王书朋, 何引弟. 融合特征注意力机制的非均匀光照图像增强算法[J]. 计算机工程, 2023, 49(8): 232-239.
[2]	王松, 买日旦·吾守尔, 古兰拜尔·吐尔洪, 薛源. 基于知识架构的持续学习情感分类方法[J]. 计算机工程, 2023, 49(2): 112-118.
[3]	何悦, 陈广胜, 景维鹏, 徐泽堃. 基于深度多相似性哈希方法的遥感图像检索[J]. 计算机工程, 2023, 49(2): 206-212.
[4]	吴迪, 王梓宇, 赵伟超. ELMo-CNN-BiGRU双通道文本情感分类模型[J]. 计算机工程, 2022, 48(8): 105-112.
[5]	唐佳敏, 韩华, 黄丽. 行人再识别中基于无监督学习的粗细粒度特征提取[J]. 计算机工程, 2022, 48(4): 269-275,283.
[6]	高永兵, 黎预璇, 高军甜, 马占飞. 基于用户意图的微博文本生成技术研究[J]. 计算机工程, 2022, 48(1): 119-126.
[7]	张显炀, 朱晓宇, 林浩申, 刘刚, 安喜彬. 基于高斯混合-变分自编码器的轨迹预测算法[J]. 计算机工程, 2020, 46(7): 50-57.
[8]	王义, 沈洋, 戴月明. 基于细粒度多通道卷积神经网络的文本情感分析[J]. 计算机工程, 2020, 46(5): 102-108.
[9]	许春杰, 吴蒙, 杨立君. 一种基于分层聚合的分布式异常数据检测方案[J]. 计算机工程, 2020, 46(4): 213-219.
[10]	胡均毅, 李金龙. 基于情感评分的分层文本表示情感分类方法[J]. 计算机工程, 2020, 46(3): 46-52,59.
[11]	李妍慧, 郑超美, 王炜立, 杨昕. 一种混合语种文本的多维度多情感分析方法[J]. 计算机工程, 2020, 46(12): 113-119,141.
[12]	陈健,唐俊遥,朱生光,周兆钊. 深度堆栈自编码网络在船舶重量估算中的应用[J]. 计算机工程, 2019, 45(5): 315-320.
[13]	陈景霞,郑茹,张鹏伟,贾小云. 基于数据空间自适应与共空间模式的脑电情感分类[J]. 计算机工程, 2019, 45(4): 296-301.
[14]	周锦峰,叶施仁,王晖. 基于深度卷积神经网络模型的文本情感分类[J]. 计算机工程, 2019, 45(3): 300-308.
[15]	刘姝君,李艳婷. 基于深度高斯过程的多元类别数据分布估计[J]. 计算机工程, 2019, 45(2): 160-166.

选择文件类型/文献管理软件名称

选择包含的内容

基于情绪知识的中文微博情感分类方法

Sentiment Classification Method of Chinese Micro-blog Based on Emotional Knowledge

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

基于情绪知识的中文微博情感分类方法

Sentiment Classification Method of Chinese Micro-blog Based on Emotional Knowledge

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价