CN102323944A - 基于极性转移规则的情感分类方法 - Google Patents
基于极性转移规则的情感分类方法 Download PDFInfo
- Publication number
- CN102323944A CN102323944A CN201110258712A CN201110258712A CN102323944A CN 102323944 A CN102323944 A CN 102323944A CN 201110258712 A CN201110258712 A CN 201110258712A CN 201110258712 A CN201110258712 A CN 201110258712A CN 102323944 A CN102323944 A CN 102323944A
- Authority
- CN
- China
- Prior art keywords
- polarity
- emotion
- emotion speech
- speech
- text
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本发明实施例公开了一种基于极性转移规则的情感分类方法,其步骤包括:在待分类文本中找出情感词,并获取与所述情感词相对应的情感词极性;使用两个或两个以上的极性转移规则判断所述情感词是否发生极性转移;所述极性转移规则包括:基于否定结构的极性转移规则,或基于转折结构的极性转移规则,或基于语态结构的极性转移规则,或基于隐含结构的极性转移规则;根据获取的所述情感词极性及极性转移判断结果,计算出待分类文本的情感极性;根据待分类文本的情感极性对待分类文本进行分类。本发明方法避免了发生极性转移的情感词对文本分类结果带来的不利影响,有利于提高文本的分类效果。
Description
技术领域
本发明涉及本发明涉及自然语言处理技术领域及模式识别领域,是一种基于极性转移规则的情感分类方法。
背景技术
随着互联网的飞速发展,互联网上的信息越来越丰富,如何从海量数据中分析信息、并提取有用信息是一个关键问题。在实际生活中,人们越来越习惯于在网络上表达自己的观点和情感,在网络上存在大量的带有情感的文本,这类文本往往以商品评论、论坛评论、博客的形式存在,并且都能很好的反映人们的看法和意见。若从这些海量文本中提取这一类带有情感的文本,并对其进行文本情感的分析和研究,具有很强的应用价值,例如:用户可以根据商品的评论了解商品的信息,选择合适的品牌;商家根据用户的评论改进商品的品质,争取更大的市场;追踪社会舆论趋势,发现社会热点问题等。文本情感分析就是针对这些应用问题提出的一个新兴研究课题。
所谓文本情感分析,就是对说话人的态度(或称观点、情感)进行分析,也就是对文本中的主观性信息进行分析。文本情感极性分析属于自然语言处理研究领域的范畴。情感分类(Sentiment Classification)是情感分析中的一个基本任务。该任务旨在将文本按照情感极性进行分类。与传统基于主题的文本分类相比,情感分类被认为更具有挑战性。情感分类具体是指将文本分为正面文本或者负面文本。例如,“我非常喜欢这本书”,通过情感分类,这句话将被分为正面文本,而“这本书实在太烂了”,被分类为负面文本。
目前,现有的情感分类方法大致可以分为两种:第一种是基于机器学习的监督分类方法,该方法分为训练过程和分类过程。其中,在训练过程中,需要人工标注一定规模的正面文本和负面文本作为训练样本。这种方法的分类效果比较好,但是分类仅仅应用在与训练样本来自同一领域的待分类文本;第二种分类方法是基于情感词表的非监督学习方法,这种方法主要是指词计数(Term Counting)的方法。该方法使用情感词表去统计样本中正面情感词和负面情感词的数目,如果正面词的数目多于负面词的数目,则判断样本为正面样本,反之则为负面样本。该方法的实现非常简单和方便,执行效率很高,不足的地方就是分类的效果相对较差。一个影响分类效果的主要原因是,样本的文本中包括的情感词的极性往往同整个样本表达的极性并不一致,这种情感词的极性同整个文本极性不一致的情况称为情感极性转移现象。例如,“I do not like this boot at all.”这句话中,包括一个正面情感词“like”,但是整句话的情感极性为负面,由此可知,使用词计数的分类方法得到的分类结果正确率不高。
发明内容
本发明实施例提供了一种基于极性转移规则的情感分类方法,实现由情感词的极性准确地反应文本的情感极性,有利于进一步提高文本的分类效果。
一种基于极性转移规则的情感分类方法,其步骤包括:在待分类文本中找出情感词,并获取与所述情感词相对应的情感词极性;使用两个或两个以上的极性转移规则判断所述情感词是否发生极性转移;所述极性转移规则包括:基于否定结构的极性转移规则,或基于转折结构的极性转移规则,或基于语态结构的极性转移规则,或基于隐含结构的极性转移规则;根据获取的所述情感词极性及极性转移判断结果,计算出待分类文本的情感极性;根据待分类文本的情感极性对待分类文本进行分类。
相对于现有技术,本发明实施例能充分考虑情感极性转移现象,使用四种不同类型的规则去组合判断情感是否发生极性转移,获得的分类效果远远高于直接使用情感词的传统词计数方法。这是由于每一种情感转移规则都有其独特的判断规则,而且在后续的分类过程中,发生极性反转的比例也是不一样的,更能真实反映情感极性转移的情况。本发明实施例提供的一种基于极性转移规则的情感分类方法避免了发生情感极性转移的情感词对文本分类结果带来的不利影响,有利于提高文本的分类效果。
附图说明
图1为本发明实施例提供的一种基于极性转移规则的情感分类方法的流程示意图。
具体实施方式
本发明实施例提供了一种基于极性转移规则的情感分类方法,充分考虑情感极性转移现象,实现由情感词的极性准确地反应文本的情感极性,提高文本的分类效果。
以下结合附图对本发明作出具体说明。
请参考图1,一种基于极性转移规则的情感分类方法,其步骤包括:
101、在待分类文本中找出情感词,并获取与情感词相对应的情感词极性;
具体地说,在找出情感词之前,先预置情感词与情感词极性的对应表,然后,在待分类的文本中查找出情感词的时候,对照预置的情感词与情感词极性的对应表,在待分类的文本中找出在情感词与情感词极性的对应表中出现的情感词,并同时,获取到与情感词相对应的情感词极性。
102、使用两个或两个以上的极性转移规则判断情感词是否发生极性转移;
使用两个或两个以上的极性转移规则,判断在待分类的文本中,且在预置情感词与情感词极性的对应表中查找出来的情感词,是否发生了情感转移,即极性转移。
在本实施例中,极性转移规则包括有基于否定结构的极性转移规则,或基于转折结构的极性转移规则,或基于语态结构的极性转移规则,或基于隐含结构的极性转移规则;
进一步地,基于否定结构的极性转移规则的内容如下:若情感词所在的那个句子中出现了功能型否定关键词,则情感词发生极性转移;和/或,若情感词所在的那个句子中出现了上下文型否定关键词,且所述情感词与所述上下文型否定关键词之间不超过5个单词,则情感词发生极性转移;
基于转折结构的极性转移规则的内容如下:若情感词所在的那个句子内前半句或者后半句中出现转折关键词,则情感词发生极性转移;
基于语态结构的极性转移规则的内容如下:若情感词所在的那个句子中,在情感词前出现了语态关键词,则情感词发生极性转移;
基于隐含结构的极性转移规则的内容如下:若情感词所在的句子中出现隐含关键词,则情感词发生极性转移;
需要提出的是,在这四种极性转移规则里提到的功能型否定关键词、上下文型否定关键词、转折关键词、语态关键词、隐含关键词已设定好的关键词,即先定义好这四类关键词包含了哪些单词,如表1,列举了一部分关键词及其包含的单词的对应关系,当然,这四类关键词及其包含的单词的对应关系不仅限于表中所举出。
表1
103、根据获取的情感词极性及极性转移判断结果,计算出待分类文本的情感极性;
首先,可根据情感词的词性,把情感词分为正面情感词和反面情感词,并确定了正面情感词的数目和反面情感词的数目;
然后根据使用了极性转移规则后的判断结果,确定发生了极性转移的情感词的数目和未发生极性转移的情感词的数目;
即,若在待分类的文本中,基于否定结构发生极性转移的正面情感词数目为基于转折结构发生极性转移的正面情感词数目为基于语态结构发生极性转移的正面情感词数目为基于隐含结构发生极性转移的正面情感词数目为未发生极性转移的正面情感词数目为
同时,基于否定结构发生极性转移的负面情感词数目为基于转折结构发生极性转移的负面情感词数目为基于语态结构发生极性转移的负面情感词数目为基于隐含结构发生极性转移的负面情感词数目为未发生情感转移的正面情感词数目为
接着,即可计算待分类文本的情感极性P,情感极性P的计算公式为:
其中,λ1,λ2,λ3,λ4分别是表示每种结构的转移强度的参数。
可以理解的是,在实际使用时,需要设置上面4个参数的具体值。这四个参数的值取值范围在0-1之间。数值的大小由对应的极性转移结构表达的极性转移的强弱来衡量。通过语言分析及实验结果验证,将它们分别设置为,λ1=0.6,λ2=0.5,λ3=0.3,λ4=0.6,取得较好的分类性能。
104、根据待分类文本的情感极性对待分类文本进行分类;
根据步骤103计算到的情感极性P值,对待分类文本进行分类,若计算出待分类文本的情感极性P大于零,则待分类文本为正面文本;若计算出待分类文本的情感极性P小于零,则待分类文本为负面文本。
需要说明的是,在使用了极性转移规则后,计算情感极性P值,进而对待分类文本进行分类,是基于传统的词计算情感分类方法提出的,是一种改进的词计数分类方法。
本实施例中,能充分考虑情感极性转移现象,使用四种不同类型的规则去组合判断情感是否发生极性转移,避免了发生情感极性转移的情感词对文本分类结果带来的不利影响,有利于提高文本的分类效果。
为了便于理解,以下举例对四个转移规则进行具体操作说明,在举例中应用到的功能型否定关键词、上下文型否定关键词、转折关键词、语态关键词、隐含关键词,请看考表1。
1、基于否定结构的极性转移规则;
否定结构是语言现象中普遍存在的现象,用于否定句子中的某个表达。这种结构是导致发生极性转移最常见的一种结构。在否定结构中,一个清楚明确的触发词,称之为否定关键词,在同一个句子中被用来转移情感词的极性。一般情况下,有两种类型的否定关键词:功能型否定关键词和上下文型否定关键词。不同于功能型否定关键词(如:“no”、“not”等),上下文型否定关键词本身包含有文本内容的意思或其可能是情感词(如:“fal”、“lack”等)。相应的,起否定作用的情况可以再分为两个群体,即功能上的否定和语境上的否定。
否定结构的转移规则的具体内容为若情感词所在的那个句子中出现了功能型否定关键词,则情感词发生极性转移;和/或,若情感词所在的那个句子中出现了上下文型否定关键词,且所述情感词与所述上下文型否定关键词之间不超过5个单词,则情感词发生极性转移;例如:
例1:This hotel is too far and it is not cheap to call ataxi.
酒店比较偏打车不方便。
例1句子中,若情感词为“cheap”,且所在句中出现了功能型否定关键词“not”,则情感词“cheap”发生了极性转移,且例1是属于功能上的否定。
例2:This hotel lacks efficient management.
该酒店缺乏有效的管理。
例2句子中,若情感词为“efficient”,且所在句中出现了上下文型否定关键词“lack”,且情感词“efficient”与上下文型否定关键词“lack”为相邻的两个单词,即它们之间不超过5个单词,则情感词为“efficient”发生了极性转移,此例是属于语境上的否定。
2、基于转折结构的极性转移规则;
转折结构是转换中一种特殊的类型,它可用于表达段与段之间,句子与句子之间,分句与分句之间,词与词之间的矛盾对比关系。它通过不同的关键词区别于其他的类型的转换结构。转折结构的转折关键词如:however、but等等。
否定结构和转折结构之间一个很明显的差异是关键词所引起的极性转移范围不同。在一个句子中,当一个转折型的关键词不但可以改变该一个句子中的情感词的词性,而且可以改变另外的句子甚至是不同段落的情感词的词性,而否定型关键词可能仅仅只是改变了本句中的情感词的词性。
因此,根据转折型关键词的影响范围,转折结构类型分为:句子内转折,句子间转折,段落间转折。基于转折结构的极性转移规则的内容如下:若情感词所在的那个句子内前半句或者后半句中出现转折关键词,则情感词发生极性转移。以下以句子内的转折结构为例说明,如:
例3:This hotel is good in its equipments,but it lacks efficient management.
该酒店有好的设施但缺乏有效的管理。
在例3句子中,若情感词为“good”,且所在句子内,即后半句中出现了转折关键词“but”,则情感词“good”发生了极性转移。
3、基于语态结构的极性转移规则;
语态与评论者的态度有关,接近于他/她在确定的程度,可靠的程度,主体程度,信息来源以及观点的程度上的表述。语态结构也是造成极性转移的一种很普遍的结构,是属于情感分类研究的一个范畴。
基于语态结构的极性转移规则的内容为,若情感词所在的那个句子中,在情感词前出现了语态关键词,则情感词发生极性转移。下面结合它的子类对规则进行分析。
1)时间类;
在这种状况下,评论者的观点不是现在产生的,而是在过去产生的。例如:
例4:I was thought the four-star standard room should be nice.
原想四星级的标房应该很不错的。
在例4句子中,若情感词为“nice”,且所在句子中,在情感词“nice”前出现了语态关键词“be thought”和“should be”,则情感词“nice”发生了极性转移;
2)假设类;
在此情况下,表示“设想”或者“假设”的情况会被考虑到。例如:
例5:It will be beautiful if the color is red.
要是颜色是红色的就好了。
在例5句子中,若情感词为“beautiful”,且所在句子中,在情感词“beautiful”前出现了语态关键词“will be”,则情感词“beautiful”发生了极性转移;
3)可能性类;
表示评论者的语气不肯定。例如:
例6:It perhaps be better.
它可能会更好。
在例6句子中,若情感词为“better”,且所在句子中,在情感词“better”前出现了语态关键词“perhaps be”,则情感词“better”发生了极性转移。
4、基于隐含结构的极性转移规则;
隐含结构的情感表现是情感分类的一个特殊表现。一般情况下,是评论的作者对某一个具体的事物进行的评论。有时候评论中,某一个句子的评论这或者评论对象,可能不是整篇评论的评论人或者评论对象,但是这个句子却隐含了对整篇评论的评论对象的看法。即,表达了情感的人可能不是评论的作者本人,而是其他人,或者被评论的对象不是整篇评论所关注的主要对象,而是其他的同类的事物。
基于隐含结构的极性转移规则比较简单,其内容为,若情感词所在的句子中出现隐含关键词,则情感词发生极性转移。例如:
例7:The only goodness is its fine traffic.
唯一可取之处就是交通还行。
在例7句子中,若情感词为“fine”,且所在句子中,出现了隐含关键词“theonly”,则情感词“fine”发生了极性转移。
在本发明实施例中,在使用了极性转移规则后,计算情感极性P值,进而对待分类文本进行分类,是基于传统的词计算情感分类方法提出的,是一种改进了的词计数分类方法。而传统的词计算情感分类方法的思想是,正面文本中所出现的情感词基本上是正面的,负面文本中所出现的情感词基本上是负面的。首先,从待分类文本中提取出带有情感的词;其次,区分这些词的情感极性,即正面(褒义,如:好、很好、漂亮等)或者负面(贬义,如:坏、差、丑陋等)。最后,根据所提取出的词检测文本中正面情感词和负面情感词的比重,若正面情感词的多于负面情感词,则认为该文本为正面文本,反之则为负面文本。
为了将本发明提供的一种基于极性转移规则的情感分类方法,与传统的词计算情感分类方法进行比较,这里采用了一些领域内的评论语料作为待分类文本,分别对这两种分类方法进行测试。
测试中使用的语料共有5个领域的数据,分别为书籍(Book),DVD,电子(Electronic),厨房(Kitchen)和电影(Movie)评论,每个领域各有褒义和贬义评论1000篇,我们选择400篇正面评论和400篇负面评论作为测试语料。实验选用的评价标准是准确率(Accuracy),准确率是评价一般分类问题的综合评价标准,准确率的计算为分类正确的文本的样本总数与待分类文本的总样本数的比例。
需要说明的是,准确率的计算需要对分类结果的正确性进行判定,即对已分类文本的极性的正确性进行判定,具体判定内容是,在正面文本中,若正面情感词数目比负面情感词数目多,则分类正确;若正面情感词数目比负面情感词数目少,则分类不正确;若正面情感词数目与负面情感词数目一样多,则分类不正确;在负面文本中,若负面情感词数目比正面情感词数目多,则分类正确;若负面情感词数目比正面情感词数目少,则分类不正确;若负面情感词数目与正面情感词数目一样多,则分类不正确。如表2所示,为采用传统的词计算情感分类方法,与采用本发明方法进行比较,得出的准确率的计算结果如下:
表2
其中参与比较的分类方法包括:“传统的词计数”,表示计算每个样本中褒义词和贬义词出现的比例,如果褒义词多于贬义词则认为样本属于正类否则属于负类;“否定结构”,表示仅使用基于否定结构的情感极性转移规则,计算文本情感极性P值进行文本分类;“转折结构”,表示仅使用基于转折结构的情感极性转移规则,计算文本情感极性P值进行文本分类;“语态结构”,表示仅使用基于语态结构的情感极性转移规则,计算文本情感极性P值进行文本分类;“隐含结构”,表示仅使用基于隐含结构的情感极性转移规则,计算文本情感极性P值进行文本分类;“两种结构(取平均值)”,表示从上述四种结构中组合使用两种结构,得到的六组数据取平均值方法,“四种结构”,表示同时使用上述四种结构的情感极性转移规则,计算文本情感极性P值进行文本分类。
从表2数据可以看出,组合使用极性转移结构的方法得到的准确率,要远远高于使用传统的词计数分类方法和单独使用一种极性转移结构的准确率,提高的幅度最大的超过4个百分点,再次证明本实施例提供的情感分类方法,使用四种不同类型的规则去组合判断情感是否发生极性转移,避免了发生情感极性转移的情感词对文本分类结果带来的不利影响,有利于提高文本的分类效果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上对本发明所提供的一种基于极性转移规则的情感分类方法进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (11)
1.一种基于极性转移规则的情感分类方法,其特征在于,包括步骤:
在待分类文本中找出情感词,并获取与所述情感词相对应的情感词极性;
使用两个或两个以上的极性转移规则判断所述情感词是否发生极性转移;所述极性转移规则包括:基于否定结构的极性转移规则,或基于转折结构的极性转移规则,或基于语态结构的极性转移规则,或基于隐含结构的极性转移规则;
根据获取的所述情感词极性及极性转移判断结果,计算出待分类文本的情感极性;
根据待分类文本的情感极性对待分类文本进行分类。
2.根据权利要求1所述的分类方法,其特征在于,所述在待分类文本中找出情感词,并获取与所述情感词相对应的情感词极性包括:
对照预置的情感词与情感词极性的对应表,在待分类文本中找出情感词,并根据所述对应表,获取与所述情感词相对应的情感词极性。
3.根据权利要求1所述的分类方法,其特征在于,所述基于否定结构的极性转移规则包括:
若情感词所在的句子中出现功能型否定关键词,则所述情感词发生极性转移;
和/或,
若情感词所在的句子中出现上下文型否定关键词,且所述情感词与所述上下文型否定关键词之间不超过5个单词,则所述情感词发生极性转移;
所述功能型否定关键词和上下文型否定关键词为预设定的关键词。
4.根据权利要求1所述的分类方法,其特征在于,所述基于转折结构的极性转移规则包括:
若情感词所在的句子内前半句或者后半句中出现转折关键词,则所述情感词发生极性转移;
所述转折关键词为预设定的关键词。
5.根据权利要求1所述的分类方法,其特征在于,所述基于语态结构的极性转移规则包括:
若情感词所在的句子中,在所述情感词前出现了语态关键词,则所述情感词发生极性转移;
所述语态关键词为预设定的关键词。
6.根据权利要求1所述的分类方法,其特征在于,所述基于隐含结构的极性转移规则包括:
若情感词所在的句子中出现隐含关键词,则所述情感词发生极性转移;
所述隐含关键词为预设定的关键词。
7.根据权利要求1所述的分类方法,其特征在于:
所述情感词包括正面情感词和负面情感词;
所述情感词极性包括正面和负面。
8.根据权利要求7所述的分类方法,其特征在于,所述根据获取的所述情感词极性及极性转移判断结果,计算出待分类文本的情感极性,具体包括:
根据获取的所述情感词极性及极性转移判断结果,确定发生和未发生极性转移的情感词的数目;
若待分类文本中,基于否定结构发生极性转移的正面情感词数目为基于转折结构发生极性转移的正面情感词数目为基于语态结构发生极性转移的正面情感词数目为基于隐含结构发生极性转移的正面情感词数目为未发生极性转移的正面情感词数目为基于否定结构发生极性转移的负面情感词数目为基于转折结构发生极性转移的负面情感词数目为基于语态结构发生极性转移的负面情感词数目为基于隐含结构发生极性转移的负面情感词数目为未发生情感转移的正面情感词数目为
则待分类文本的情感极性P的计算公式为:
其中,λ1,λ2,λ3,λ4分别是表示每种结构的转移强度的参数。
9.根据权利要求1所述的分类方法,其特征在于,所述根据待分类文本的情感极性对待分类文本进行分类包括:
若计算出待分类文本的情感极性P大于零,则待分类文本为正面文本;
若计算出待分类文本的情感极性P小于零,则待分类文本为负面文本。
10.根据权利要求1所述的分类方法,其特征在于,所述根据待分类文本的情感极性对待分类文本进行分类之后进一步包括:
对分类结果的正确性进行判定。
11.根据权利要求10所述的分类方法,其特征在于,所述对分类结果的正确性进行判定包括:
在正面文本中,若正面情感词数目比负面情感词数目多,则分类正确;若正面情感词数目比负面情感词数目少,则分类不正确;若正面情感词数目与负面情感词数目一样多,则分类不正确;
在负面文本中,若负面情感词数目比正面情感词数目多,则分类正确;若负面情感词数目比正面情感词数目少,则分类不正确;若负面情感词数目与正面情感词数目一样多,则分类不正确。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110258712A CN102323944A (zh) | 2011-09-02 | 2011-09-02 | 基于极性转移规则的情感分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110258712A CN102323944A (zh) | 2011-09-02 | 2011-09-02 | 基于极性转移规则的情感分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102323944A true CN102323944A (zh) | 2012-01-18 |
Family
ID=45451687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110258712A Pending CN102323944A (zh) | 2011-09-02 | 2011-09-02 | 基于极性转移规则的情感分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102323944A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682130A (zh) * | 2012-05-17 | 2012-09-19 | 苏州大学 | 一种文本情感分类方法及系统 |
CN102880600A (zh) * | 2012-08-30 | 2013-01-16 | 北京航空航天大学 | 基于通用知识网络的词语语义倾向性预测方法 |
CN102929861A (zh) * | 2012-10-22 | 2013-02-13 | 杭州东信北邮信息技术有限公司 | 一种文本情感指数计算方法和系统 |
CN102929860A (zh) * | 2012-10-12 | 2013-02-13 | 浙江理工大学 | 一种基于上下文语境的中文分句情感极性判别方法 |
CN103020249A (zh) * | 2012-12-19 | 2013-04-03 | 苏州大学 | 分类器的构建方法及装置、中文文本情感分类方法及系统 |
CN104317965A (zh) * | 2014-11-14 | 2015-01-28 | 南京理工大学 | 基于语料的情感词典构建方法 |
CN104809232A (zh) * | 2015-05-11 | 2015-07-29 | 苏州大学 | 一种基于句子间情绪转移概率的句子级情绪分类方法 |
CN106610990A (zh) * | 2015-10-22 | 2017-05-03 | 北京国双科技有限公司 | 情感倾向性分析的方法及装置 |
CN108563617A (zh) * | 2018-03-12 | 2018-09-21 | 北京云知声信息技术有限公司 | 汉语句子混合模板的挖掘方法及装置 |
CN108573025A (zh) * | 2018-03-12 | 2018-09-25 | 北京云知声信息技术有限公司 | 基于混合模板抽取句子分类特征的方法及装置 |
CN108664469A (zh) * | 2018-05-07 | 2018-10-16 | 首都师范大学 | 一种情感类别确定方法、装置及服务器 |
CN109446404A (zh) * | 2018-08-30 | 2019-03-08 | 中国电子进出口有限公司 | 一种网络舆情的情感极性分析方法和装置 |
-
2011
- 2011-09-02 CN CN201110258712A patent/CN102323944A/zh active Pending
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682130B (zh) * | 2012-05-17 | 2013-11-27 | 苏州大学 | 一种文本情感分类方法及系统 |
CN102682130A (zh) * | 2012-05-17 | 2012-09-19 | 苏州大学 | 一种文本情感分类方法及系统 |
CN102880600B (zh) * | 2012-08-30 | 2015-10-28 | 北京航空航天大学 | 基于通用知识网络的词语语义倾向性预测方法 |
CN102880600A (zh) * | 2012-08-30 | 2013-01-16 | 北京航空航天大学 | 基于通用知识网络的词语语义倾向性预测方法 |
CN102929860B (zh) * | 2012-10-12 | 2015-05-13 | 浙江理工大学 | 一种基于上下文语境的中文分句情感极性判别方法 |
CN102929860A (zh) * | 2012-10-12 | 2013-02-13 | 浙江理工大学 | 一种基于上下文语境的中文分句情感极性判别方法 |
CN102929861A (zh) * | 2012-10-22 | 2013-02-13 | 杭州东信北邮信息技术有限公司 | 一种文本情感指数计算方法和系统 |
CN102929861B (zh) * | 2012-10-22 | 2015-07-22 | 杭州东信北邮信息技术有限公司 | 一种文本情感指数计算方法和系统 |
CN103020249A (zh) * | 2012-12-19 | 2013-04-03 | 苏州大学 | 分类器的构建方法及装置、中文文本情感分类方法及系统 |
CN104317965A (zh) * | 2014-11-14 | 2015-01-28 | 南京理工大学 | 基于语料的情感词典构建方法 |
CN104317965B (zh) * | 2014-11-14 | 2018-04-03 | 南京理工大学 | 基于语料的情感词典构建方法 |
CN104809232B (zh) * | 2015-05-11 | 2018-06-01 | 苏州大学 | 一种基于句子间情绪转移概率的句子级情绪分类方法 |
CN104809232A (zh) * | 2015-05-11 | 2015-07-29 | 苏州大学 | 一种基于句子间情绪转移概率的句子级情绪分类方法 |
CN106610990A (zh) * | 2015-10-22 | 2017-05-03 | 北京国双科技有限公司 | 情感倾向性分析的方法及装置 |
CN108563617A (zh) * | 2018-03-12 | 2018-09-21 | 北京云知声信息技术有限公司 | 汉语句子混合模板的挖掘方法及装置 |
CN108573025A (zh) * | 2018-03-12 | 2018-09-25 | 北京云知声信息技术有限公司 | 基于混合模板抽取句子分类特征的方法及装置 |
CN108573025B (zh) * | 2018-03-12 | 2021-07-02 | 云知声智能科技股份有限公司 | 基于混合模板抽取句子分类特征的方法及装置 |
CN108664469A (zh) * | 2018-05-07 | 2018-10-16 | 首都师范大学 | 一种情感类别确定方法、装置及服务器 |
CN108664469B (zh) * | 2018-05-07 | 2021-11-19 | 首都师范大学 | 一种情感类别确定方法、装置及服务器 |
CN109446404A (zh) * | 2018-08-30 | 2019-03-08 | 中国电子进出口有限公司 | 一种网络舆情的情感极性分析方法和装置 |
CN109446404B (zh) * | 2018-08-30 | 2022-04-08 | 中国电子进出口有限公司 | 一种网络舆情的情感极性分析方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102323944A (zh) | 基于极性转移规则的情感分类方法 | |
Oliveira et al. | Stock market sentiment lexicon acquisition using microblogging data and statistical measures | |
Mansouri et al. | Named entity recognition approaches | |
Wulff | A multifactorial corpus analysis of adjective order in English | |
Martineau et al. | Delta tfidf: An improved feature space for sentiment analysis | |
Sehgal et al. | Sops: stock prediction using web sentiment | |
CN103631961B (zh) | 一种情感词与评价对象的关系识别方法 | |
CN102682130B (zh) | 一种文本情感分类方法及系统 | |
CN102929861B (zh) | 一种文本情感指数计算方法和系统 | |
CN106503049A (zh) | 一种基于svm融合多种情感资源的微博情感分类方法 | |
CN104915443B (zh) | 一种中文微博评价对象的抽取方法 | |
Hong et al. | An extended keyword extraction method | |
CN101599071A (zh) | 对话文本主题的自动提取方法 | |
CN102279890A (zh) | 基于微博的情感词提取收集方法 | |
CN106202584A (zh) | 一种基于标准词典和语义规则的微博情感分析方法 | |
CN101770580A (zh) | 一种跨领域的文本情感分类器的训练方法和分类方法 | |
Zhao et al. | Stock market prediction exploiting microblog sentiment analysis | |
CN110472203B (zh) | 一种文章的查重检测方法、装置、设备及存储介质 | |
CN101739430A (zh) | 一种基于关键词的文本情感分类器的训练方法和分类方法 | |
CN103020249A (zh) | 分类器的构建方法及装置、中文文本情感分类方法及系统 | |
CN105183808A (zh) | 一种问题分类方法及装置 | |
Van Hee et al. | Monday mornings are my fave:)# not exploring the automatic recognition of irony in english tweets | |
Murray et al. | Subjectivity detection in spoken and written conversations | |
Sanchez-Perez et al. | Adaptive algorithm for plagiarism detection: The best-performing approach at PAN 2014 text alignment competition | |
CN110321434A (zh) | 一种基于词义消歧卷积神经网络的文本分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120118 |