CN106294326A - 一种新闻报道情感倾向分析方法 - Google Patents

一种新闻报道情感倾向分析方法 Download PDF

Info

Publication number
CN106294326A
CN106294326A CN201610707765.8A CN201610707765A CN106294326A CN 106294326 A CN106294326 A CN 106294326A CN 201610707765 A CN201610707765 A CN 201610707765A CN 106294326 A CN106294326 A CN 106294326A
Authority
CN
China
Prior art keywords
value
news report
report
word
emotion
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.)
Granted
Application number
CN201610707765.8A
Other languages
English (en)
Other versions
CN106294326B (zh
Inventor
罗鹰
赵劲松
林康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kelai Network Technology Co.,Ltd.
Original Assignee
CHENGDU COLASOFT Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CHENGDU COLASOFT Co Ltd filed Critical CHENGDU COLASOFT Co Ltd
Priority to CN201610707765.8A priority Critical patent/CN106294326B/zh
Publication of CN106294326A publication Critical patent/CN106294326A/zh
Application granted granted Critical
Publication of CN106294326B publication Critical patent/CN106294326B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开了一种新闻报道情感倾向分析方法，本方法是基于机器学习建模方式进行新闻报道情感倾向分析，它包括如下步骤：S11：抓取用于训练的新闻报道内容；S12：对用于训练的新闻报道进行特征提取；S13：根据用于训练的新闻报道特征以及机器学习算法模块进行训练并建立新闻报道情感倾向模型；S14：抓取待识别新闻报道内容；S15：对待识别新闻报道进行特征提取；S16：根据待识别新闻报道特征、新闻报道情感倾向模型判断新闻报道是属于正面报道、中性报道还是负面报道。本发明能够得出新闻报道情感倾向，区分出新闻报道是属于负面报道还是正面、中性的报道。

Description

一种新闻报道情感倾向分析方法
技术领域
本发明涉及舆情分析领域，特别涉及一种新闻报道情感倾向分析方法。
背景技术
通过情感倾向性分析来对新闻材料信息进行分析和挖掘，用以获取公众舆论对某些热点问题的情感倾向，以便更好地掌握公众对政府政策、企业动态等热点问题的情感倾向，为政府、企业的战略决策方向提供科学依据。作为舆情系统需要同时分析新闻报道和新闻评论的情感倾向，才能正确的分析出公众对某项政策、企业动态等热点问题的态度。而目前现有的关于舆情情感分析系统主要侧重于微博、新闻评论等短文的情感分析，缺乏对新闻报道的情感倾向分析方法。
发明内容
针对上述问题，本发明的目的是提供一种对新闻报道进行情感倾向分析的方法，得出新闻报道情感倾向，区分出新闻报道是属于负面报道还是正面、中性的报道。
本发明的目的是通过以下技术方案来实现的：一种新闻报道情感倾向分析方法，本方法是基于机器学习建模方式进行新闻报道情感倾向分析，它包括如下步骤：
S11：抓取用于训练的新闻报道内容；
S12：对用于训练的新闻报道进行特征提取；
S13：根据用于训练的新闻报道特征以及机器学习算法模块进行训练并建立新闻报道情感倾向模型；
S14：抓取待识别新闻报道内容；
S15：对待识别新闻报道进行特征提取；
S16：根据待识别新闻报道特征、新闻报道情感倾向模型判断新闻报道是属于正面报道、中性报道还是负面报道。
作为优选方式，所述的新闻报道内容抓取是通过网络爬虫方式从新闻网站上抓取新闻报道的内容，之后提取新闻报道内容的特征。
作为优选方式，针对不同长度的新闻报道内容，将新闻报道内容的长度划分为章、段、句几种类型；对三种类型的文本分别采用单独的新闻报道情感倾向模型进行识别。
作为优选方式，提取文本特征依赖于静态情感词典、语料系统构建的动态情感词典和文本特征提取模块。
作为优选方式，所述的构建动态情感词典的方法是在计算词频的正负指数时，首先要根据标注好的语料样本构建动态词典情感指数，在训练时，每个词元组根据它在不同类型文本中出 现的次数计算其正负情感指数，
词的正面指数：
词的负面指数：
词的中性指数：
由于词的量非常大，在构建动态正负指数词典时，只选取名词、动词、形容词作为动态词典的构建。
作为优选方式，所述的静态情感词典是根据词的不同的情感属性构建静态基础词库，对每类词都做一个初始化值得到的。
作为优选方式，所述的文本特征提取模块包括词频正负指数比值的计算方法和基于语法规则的情感值计算方法；
词频正负指数比值的计算方法：
先对文本进行分词，分词后在已经构建好的动态情感词典中查询出各个词的正负指数，将正负情感指数值相加求比值：
词频正负指数比值＝(正面词指数之和+中性词指数之和)/(负面词指数之和+中性词指数之和)；
基于语法规则的情感值计算方法：
基于语法规则的情感值计算方法包括单句文本情感值计算方法和段文本情感值计算方法；
单句文本情感值计算方法包括如下步骤：
A、先对单句进行分词，
B、标明分词后的词在规则词库中的词性与分值，
C、判断是否有情感词，如果没有情感词则表明该句的情感值为0，句子的情感极性为中 性，流程结束，
如果有情感词出现，则以情感词为分界，计算每个情感词为分界的子句的情感值，并将情感值转换为数值的相乘得出各个子句的情感值，
D、将各个子句的情感值相加，
E、判断是否该单句有主张词，如果有主张词，把单句的情感结果值乘以主张词的权重；
段文本情感值计算方法：段是由句组成的，简单的算法是对段中每句的情感值进行相加，但是在段中往往首句和尾句所表达的情感倾向值较高，因此我们需要根据句子的所在位置的权重值来计算段的情感值，利用抛物线的公式来计算段的极性值(ax2+b＝y)；
根据标点符号来进行分句，根据单句文本情感值计算方法计算每句的情感值；
统计句数，计算句子数的中值：
e = n + 1 2
其中e为段的句数的中值，n为段的句数；
则段的情感值的计算公式如下：
y = Σ i = 1 n λ ( d i - e ) 2 a
其中di是每句的位置，e是句数中值，a每句的情感值，λ为修正参数。
作为优选方式，所述的文本特征提取模块包括针对不同文本类型所提取的特征值有所不同；句子特征：词频正负指数比值、基于语法规则的情感值；
段特征：基于语法规则的情感值、首句基于语法规则的情感值、尾句基于语法规则的情感值、正负情感极性句比例，词频正负指数比值；
章特征：词频正负指数比值、正负情感极性段比例值；
标题特征：词频正负指数比值、基于语法规则的情感值。
作为优选方式，所述的文本特征提取模块根据语料系统得出的动态情感词典和静态情感词典得出新闻报道的特征值；在训练步骤中将上述特征值结果输入机器学习算法模块进行情感倾向模型训练得到新闻报道情感倾向模型；在情感倾向识别过程将特征值输入新闻报道情感倾向模型，新闻报道情感倾向模型得出一个新闻报道的情感倾向值，根据该值判断新闻报道是属于正面报道、中性报道还是负面报道。
作为优选方式，所述的新闻报道情感倾向模型采用的分类器为SVM分类器，根据训练好的分类器模型得出指定的新闻报道的情感倾向值，根据该值判断新闻报道是属于正面报道、中性 报道还是负面报道。
本发明的有益效果是：本发明采用以上技术方案，实现对新闻报道的情感倾向进行分析。通过2000篇新闻报道的交叉验证方式，其准确率达到了83％。
附图说明
图1为本发明情感倾向性分析系统的流程模块划分示意图；
图2为本发明文本情感倾向判断流程示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1、图2所示，一种新闻报道情感倾向分析方法，本方法是基于机器学习建模方式进行新闻报道情感倾向分析，它包括如下步骤：
S11：抓取用于训练的新闻报道内容；
S12：对用于训练的新闻报道进行特征提取；
S13：根据用于训练的新闻报道特征以及机器学习算法模块进行训练并建立新闻报道情感倾向模型；
S14：抓取待识别新闻报道内容；
S15：对待识别新闻报道进行特征提取；
S16：根据待识别新闻报道特征、新闻报道情感倾向模型判断新闻报道是属于正面报道、中性报道还是负面报道。
优选地，所述的新闻报道内容抓取是通过网络爬虫方式从新闻网站上抓取新闻报道的内容，之后提取新闻报道内容的特征。
优选地，如图2所示，针对不同长度的新闻报道内容，将新闻报道内容的长度划分为章、段、句几种类型；对三种类型的文本分别采用单独的新闻报道情感倾向模型进行识别。首先通过段分隔符进行分段，并判断是否有多段，如果没有，寻找句分隔符，判断是否有多句，如果仅有一个句子，通过静态情感词典和动态情感词典分别计算按照情感规则计算句的情感值和基于动态词典计算词频的正负指数，如果有标题，标题的计算方法和单句一致，获得两类特征值后通过分类器进行分类，判断该句的报道属性(正面报道、中性报道、负面报道)。由于段由单句组成的，基于动态词典计算词频的正负指数与单句的计算方法一致，按照情感规则计算句的情感值则多了一个加权求和的过程，此外段的特征值还加上了首句基于语法规则的情感值、尾句基于语法规则的情感值、正负情感极性句比例这几个特征值。而章是由段构造，则章的特征值则取正负情感极性段比例值，其基于动态词典计算词频的正负指数与单句的计 算方法一致。
优选地，提取文本特征依赖于静态情感词典、语料系统构建的动态情感词典和文本特征提取模块。
优选地，所述的构建动态情感词典的方法是在计算词频的正负指数时，首先要根据标注好的语料样本构建动态词典情感指数，在训练时，每个词元组根据它在不同类型文本中出现的次数计算其正负情感指数，
词的正面指数：
词的负面指数：
词的中性指数：
由于词的量非常大，在构建动态正负指数词典时，只选取名词、动词、形容词作为动态词典的构建。
优选地，所述的静态情感词典是根据词的不同的情感属性构建静态基础词库，对每类词都做一个初始化值得到的，如下表所示：
优选地，所述的文本特征提取模块包括词频正负指数比值的计算方法和基于语法规则的情感值计算方法；
词频正负指数比值的计算方法：
先对文本进行分词，分词后在已经构建好的动态情感词典中查询出各个词的正负指数，将正负情感指数值相加求比值：
词频正负指数比值＝(正面词指数之和+中性词指数之和)/(负面词指数之和+中性词指数之和)；
基于语法规则的情感值计算方法：
基于语法规则的情感值计算方法包括单句文本情感值计算方法和段文本情感值计算方法；
单句文本情感值计算方法包括如下步骤：
A、先对单句进行分词，
B、标明分词后的词在规则词库中的词性与分值，
C、判断是否有情感词，如果没有情感词则表明该句的情感值为0，句子的情感极性为中性，流程结束，
如果有情感词出现，则以情感词为分界，计算每个情感词为分界的子句的情感值，并将情感值转换为数值的相乘得出各个子句的情感值，
D、将各个子句的情感值相加，
E、判断是否该单句有主张词，如果有主张词，把单句的情感结果值乘以主张词的权重；例子：
教练认为比赛的结果虽然不十分满意，但是队员表现还是值得肯定的。
a、分词并标明词性与分值：教练/认为(主张词，2)/比赛/的/结果/虽然/不(否定词，-1)/十分(程度副词，1.4)/满意(正面情感词，1)，但是(转载连词，2.5)/队员/表现/还(程度副词，1.1)/是/值得/肯定(正面词，1)/的。
b、以情感词为分界，计算每个子句的情感值(计算时不包括主张词)，以“满意”和“肯定”为分界计算：
-1*1.4*1+2.5*1.1*1＝1.35
c、乘上主张词的权重得到该句子的情感值：1.35*2＝2.7。
段文本情感值计算方法：段是由句组成的，简单的算法是对段中每句的情感值进行相加，但是在段中往往首句和尾句所表达的情感倾向值较高，因此我们需要根据句子的所在位置的权重值来计算段的情感值，利用抛物线的公式来计算段的极性值(ax2+b＝y)；
根据标点符号来进行分句，根据单句文本情感值计算方法计算每句的情感值；
统计句数，计算句子数的中值：
e = n + 1 2
其中e为段的句数的中值，n为段的句数；
则段的情感值的计算公式如下：
y = Σ i = 1 n λ ( d i - e ) 2 a
其中di是每句的位置，e是句数中值，a每句的情感值，λ为修正参数。
优选地，所述的文本特征提取模块包括针对不同文本类型所提取的特征值有所不同；
句子特征：词频正负指数比值、基于语法规则的情感值；
段特征：基于语法规则的情感值、首句基于语法规则的情感值、尾句基于语法规则的情感值、 正负情感极性句比例，词频正负指数比值；
章特征：词频正负指数比值、正负情感极性段比例值；
标题特征：词频正负指数比值、基于语法规则的情感值。
优选地，所述的文本特征提取模块根据语料系统得出的动态情感词典和静态情感词典得出新闻报道的特征值；在训练步骤中将上述特征值结果输入机器学习算法模块进行情感倾向模型训练得到新闻报道情感倾向模型；在情感倾向识别过程将特征值输入新闻报道情感倾向模型，新闻报道情感倾向模型得出一个新闻报道的情感倾向值，根据该值判断新闻报道是属于正面报道、中性报道还是负面报道。
优选地，所述的新闻报道情感倾向模型采用的分类器为SVM分类器，根据训练好的分类器模型得出指定的新闻报道的情感倾向值，根据该值判断新闻报道是属于正面报道、中性报道还是负面报道。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，应当指出的是，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种新闻报道情感倾向分析方法，其特征在于：本方法是基于机器学习建模方式进行新闻报道情感倾向分析，它包括如下步骤：
S11：抓取用于训练的新闻报道内容；
S12：对用于训练的新闻报道进行特征提取；
S13：根据用于训练的新闻报道特征以及机器学习算法模块进行训练并建立新闻报道情感倾向模型；
S14：抓取待识别新闻报道内容；
S15：对待识别新闻报道进行特征提取；
S16：根据待识别新闻报道特征、新闻报道情感倾向模型判断新闻报道是属于正面报道、中性报道还是负面报道。
2.根据权利要求1所述的一种新闻报道情感倾向分析方法，其特征在于：所述的新闻报道内容抓取是通过网络爬虫方式从新闻网站上抓取新闻报道的内容，之后提取新闻报道内容的特征。
3.根据权利要求2所述的一种新闻报道情感倾向分析方法，其特征在于：针对不同长度的新闻报道内容，将新闻报道内容的长度划分为章、段、句几种类型；对三种类型的文本分别采用单独的新闻报道情感倾向模型进行识别。
4.根据权利要求3所述的一种新闻报道情感倾向分析方法，其特征在于：提取文本特征依赖于静态情感词典、语料系统构建的动态情感词典和文本特征提取模块。
5.根据权利要求4所述的一种新闻报道情感倾向分析方法，其特征在于：所述的构建动态情感词典的方法是在计算词频的正负指数时，首先要根据标注好的语料样本构建动态词典情感指数，在训练时，每个词元组根据它在不同类型文本中出现的次数计算其正负情感指数，
词的正面指数：
词的负面指数：
词的中性指数：
由于词的量非常大，在构建动态正负指数词典时，只选取名词、动词、形容词作为动态词典的构建。
6.根据权利要求4所述的一种新闻报道情感倾向分析方法，其特征在于：所述的静态情感词典是根据词的不同的情感属性构建静态基础词库，对每类词都做一个初始化值得到的。
7.根据权利要求4所述的一种新闻报道情感倾向分析方法，其特征在于：所述的文本特征提取模块包括词频正负指数比值的计算方法和基于语法规则的情感值计算方法；
词频正负指数比值的计算方法：
先对文本进行分词，分词后在已经构建好的动态情感词典中查询出各个词的正负指数，将正负情感指数值相加求比值：
词频正负指数比值＝(正面词指数之和+中性词指数之和)/(负面词指数之和+中性词指数之和)；
基于语法规则的情感值计算方法：
基于语法规则的情感值计算方法包括单句文本情感值计算方法和段文本情感值计算方法；
单句文本情感值计算方法包括如下步骤：
A、先对单句进行分词，
B、标明分词后的词在规则词库中的词性与分值，
C、判断是否有情感词，如果没有情感词则表明该句的情感值为0，句子的情感极性为中性，流程结束，
如果有情感词出现，则以情感词为分界，计算每个情感词为分界的子句的情感值，并将情感值转换为数值的相乘得出各个子句的情感值，
D、将各个子句的情感值相加，
E、判断是否该单句有主张词，如果有主张词，把单句的情感结果值乘以主张词的权重；
段文本情感值计算方法：段是由句组成的，简单的算法是对段中每句的情感值进行相加，但是在段中往往首句和尾句所表达的情感倾向值较高，因此我们需要根据句子的所在位置的权重值来计算段的情感值，利用抛物线的公式来计算段的极性值(ax2+b＝y)；
根据标点符号来进行分句，根据单句文本情感值计算方法计算每句的情感值；
统计句数，计算句子数的中值：
e = n + 1 2
其中e为段的句数的中值，n为段的句数；
则段的情感值的计算公式如下：
y = Σ i = 1 n λ ( d i - e ) 2 a
其中di是每句的位置，e是句数中值，a每句的情感值，λ为修正参数。
8.根据权利要求7所述的一种新闻报道情感倾向分析方法，其特征在于：所述的文本特征提取模块包括针对不同文本类型所提取的特征值有所不同；
句子特征：词频正负指数比值、基于语法规则的情感值；
段特征：基于语法规则的情感值、首句基于语法规则的情感值、尾句基于语法规则的情感值、正负情感极性句比例，词频正负指数比值；
章特征：词频正负指数比值、正负情感极性段比例值；
标题特征：词频正负指数比值、基于语法规则的情感值。
9.根据权利要求1或4所述的一种新闻报道情感倾向分析方法，其特征在于：所述的文本特征提取模块根据语料系统得出的动态情感词典和静态情感词典得出新闻报道的特征值；在训练步骤中将上述特征值结果输入机器学习算法模块进行情感倾向模型训练得到新闻报道情感倾向模型；在情感倾向识别过程将特征值输入新闻报道情感倾向模型，新闻报道情感倾向模型得出一个新闻报道的情感倾向值，根据该值判断新闻报道是属于正面报道、中性报道还是负面报道。
10.根据权利要求1或4所述的一种新闻报道情感倾向分析方法，其特征在于：所述的新闻报道情感倾向模型采用的分类器为SVM分类器，根据训练好的分类器模型得出指定的新闻报道的情感倾向值，根据该值判断新闻报道是属于正面报道、中性报道还是负面报道。
CN201610707765.8A 2016-08-23 2016-08-23 一种新闻报道情感倾向分析方法 Active CN106294326B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610707765.8A CN106294326B (zh) 2016-08-23 2016-08-23 一种新闻报道情感倾向分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610707765.8A CN106294326B (zh) 2016-08-23 2016-08-23 一种新闻报道情感倾向分析方法

Publications (2)

Publication Number Publication Date
CN106294326A true CN106294326A (zh) 2017-01-04
CN106294326B CN106294326B (zh) 2018-11-09

Family

ID=57614770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610707765.8A Active CN106294326B (zh) 2016-08-23 2016-08-23 一种新闻报道情感倾向分析方法

Country Status (1)

Country Link
CN (1) CN106294326B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107368531A (zh) * 2017-06-14 2017-11-21 南昌航空大学 一种基于网站的中文新闻信息多维度分类的评分方法
CN107688651A (zh) * 2017-08-31 2018-02-13 平安科技（深圳）有限公司 新闻情感方向判断方法、电子设备及计算机可读存储介质
CN108228569A (zh) * 2018-01-30 2018-06-29 武汉理工大学 一种基于松散条件下协同学习的中文微博情感分析方法
WO2018188567A1 (zh) * 2017-04-13 2018-10-18 腾讯科技（深圳）有限公司 服务器信息推送方法、终端信息发送方法、装置、系统以及存储介质
CN109145215A (zh) * 2018-08-29 2019-01-04 中国平安保险(集团)股份有限公司 网络舆情分析方法、装置及存储介质
CN109492097A (zh) * 2018-10-23 2019-03-19 重庆誉存大数据科技有限公司 一种企业新闻数据风险分类方法
CN109933656A (zh) * 2019-03-15 2019-06-25 深圳市赛为智能股份有限公司 舆情极性预测方法、装置、计算机设备及存储介质
CN112612895A (zh) * 2020-12-29 2021-04-06 中科院计算技术研究所大数据研究院 一种主体话题态度指数的计算方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101634983A (zh) * 2008-07-21 2010-01-27 华为技术有限公司 一种文本分类方法和装置
CN102298589A (zh) * 2010-06-24 2011-12-28 腾讯科技（深圳）有限公司 情感倾向性模板的生成方法和装置以及应用方法和装置
CN103761239A (zh) * 2013-12-09 2014-04-30 国家计算机网络与信息安全管理中心 一种利用表情符号对微博进行情感倾向分类的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101634983A (zh) * 2008-07-21 2010-01-27 华为技术有限公司 一种文本分类方法和装置
CN102298589A (zh) * 2010-06-24 2011-12-28 腾讯科技（深圳）有限公司 情感倾向性模板的生成方法和装置以及应用方法和装置
CN103761239A (zh) * 2013-12-09 2014-04-30 国家计算机网络与信息安全管理中心 一种利用表情符号对微博进行情感倾向分类的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
陈培文: "采用SVM方法的文本情感极性分类研究", 《广东工业大学学报》 *
马刚: "《基于语义的Web数据挖掘》", 31 January 2014, 大连：东北财经大学出版社 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10924572B2 (en) 2017-04-13 2021-02-16 Tencent Technology (Shenzhen) Company Limited Information push method and apparatus, information sending method and apparatus, system, and storage medium
WO2018188567A1 (zh) * 2017-04-13 2018-10-18 腾讯科技（深圳）有限公司 服务器信息推送方法、终端信息发送方法、装置、系统以及存储介质
CN107368531A (zh) * 2017-06-14 2017-11-21 南昌航空大学 一种基于网站的中文新闻信息多维度分类的评分方法
WO2019041528A1 (zh) * 2017-08-31 2019-03-07 平安科技（深圳）有限公司 新闻情感方向判断方法、电子设备及计算机可读存储介质
CN107688651A (zh) * 2017-08-31 2018-02-13 平安科技（深圳）有限公司 新闻情感方向判断方法、电子设备及计算机可读存储介质
CN107688651B (zh) * 2017-08-31 2021-11-16 平安科技（深圳）有限公司 新闻情感方向判断方法、电子设备及计算机可读存储介质
CN108228569A (zh) * 2018-01-30 2018-06-29 武汉理工大学 一种基于松散条件下协同学习的中文微博情感分析方法
CN109145215A (zh) * 2018-08-29 2019-01-04 中国平安保险(集团)股份有限公司 网络舆情分析方法、装置及存储介质
CN109145215B (zh) * 2018-08-29 2023-11-07 中国平安保险(集团)股份有限公司 网络舆情分析方法、装置及存储介质
CN109492097B (zh) * 2018-10-23 2021-11-16 重庆誉存大数据科技有限公司 一种企业新闻数据风险分类方法
CN109492097A (zh) * 2018-10-23 2019-03-19 重庆誉存大数据科技有限公司 一种企业新闻数据风险分类方法
WO2020186627A1 (zh) * 2019-03-15 2020-09-24 深圳市赛为智能股份有限公司 舆情极性预测方法、装置、计算机设备及存储介质
CN109933656B (zh) * 2019-03-15 2023-08-15 深圳市赛为智能股份有限公司 舆情极性预测方法、装置、计算机设备及存储介质
CN109933656A (zh) * 2019-03-15 2019-06-25 深圳市赛为智能股份有限公司 舆情极性预测方法、装置、计算机设备及存储介质
CN112612895A (zh) * 2020-12-29 2021-04-06 中科院计算技术研究所大数据研究院 一种主体话题态度指数的计算方法

Also Published As

Publication number Publication date
CN106294326B (zh) 2018-11-09

Similar Documents

Publication Publication Date Title
CN106294326A (zh) 一种新闻报道情感倾向分析方法
Liu et al. A dependency-based neural network for relation classification
CN106445998B (zh) 一种基于敏感词的文本内容审核方法及系统
CN104881402B (zh) 中文网络话题评论文本语义倾向分析的方法及装置
US7873584B2 (en) Method and system for classifying users of a computer network
Nguyen et al. Distinguishing antonyms and synonyms in a pattern-based neural network
CN106096664B (zh) 一种基于社交网络数据的情感分析方法
CN102236650B (zh) 用于修正和/或扩展情感词典的方法和装置
CN107133214A (zh) 一种基于评论信息的产品需求偏好特征挖掘及其质量评估方法
CN107609132A (zh) 一种基于语义本体库中文文本情感分析方法
CN108763204A (zh) 一种多层次的文本情感特征提取方法和模型
Benamara et al. Towards context-based subjectivity analysis
CN108268668B (zh) 一种基于话题多样性的文本数据观点摘要挖掘方法
CN106202584A (zh) 一种基于标准词典和语义规则的微博情感分析方法
CN102096680A (zh) 信息有效性分析的方法和装置
Al-Ghadhban et al. Arabic sarcasm detection in Twitter
CN108388554B (zh) 基于协同过滤注意力机制的文本情感识别系统
CN105183715B (zh) 一种基于词分布和文档特征的垃圾评论自动分类方法
CN104915443B (zh) 一种中文微博评价对象的抽取方法
CN106446147A (zh) 一种基于结构化特征的情感分析方法
Mansour et al. Feature selection for twitter sentiment analysis: An experimental study
Fatyanosa et al. Classification method comparison on Indonesian social media sentiment analysis
CN104199845A (zh) 基于主体模型的网上评论情感分类方法
CN104077274B (zh) 一种从文档集中抽取热词短语的方法和装置
Scholz et al. Opinion mining in newspaper articles by entropy-based word connections

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20210114

Address after: 41401-41406, 14th floor, unit 1, building 4, No. 966, north section of Tianfu Avenue, Chengdu hi tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu hi tech Zone, Sichuan 610041

Patentee after: Chengdu Kelai Network Technology Co., Ltd

Address before: B6-7, Tianfu Software Park, 99 Tianhua 1st Road, high tech Zone, Chengdu, Sichuan 610041

Patentee before: COLASOFT Co.,Ltd.

TR01 Transfer of patent right
CP03 Change of name, title or address

Address after: 610041 12th, 13th and 14th floors, unit 1, building 4, No. 966, north section of Tianfu Avenue, Chengdu hi tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu, Sichuan

Patentee after: Kelai Network Technology Co.,Ltd.

Address before: 41401-41406, 14th floor, unit 1, building 4, No. 966, north section of Tianfu Avenue, Chengdu hi tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu hi tech Zone, Sichuan 610041

Patentee before: Chengdu Kelai Network Technology Co.,Ltd.

CP03 Change of name, title or address