摘要
随着当前的互联网产业飞速发展，各种网络应用如微博、电子商务、论坛、博客应运而生。伴随着这些应用而来的是海量的网络文本数据。这些数据中所蕴含的观点信息不仅对网络应用有丰富的价值，而且对用户来说也是很重要的。为了从海量文本数据中提取出有效的观点信息，情感分类这个研究领域应运而生。 本文使用有监督的机器学习方法，对中文短文本进行情感分类方法进行了研究和实现。基于机器学习方法本文使用了三种开源的工具，分别用于训练词向量，挖掘词语之间的浅层语义;提取语句结构特征中的核心词位置;进行情感分类和情感极性预测。本文的主要研究内容如下: 1)为了更近一步的提高分类的准确性，利用word2vec这一词向量工具，将海量文本数据转化为高维度空间中的向量值，通过向量之间的余弦值，获取词语之间语义的相近程度。通过实验可以验证，这种方法可以很好地提取出近义相似特征，将近义相似特征扩充到情感特征词典后，为后续的情感特征提取提供支持。 2)给出了基于句式结构的情感分类方法。通过分析网络文本中的的正负情感语句，可以发现语句都是有一定结构特征的。在句式结构一定的情况下，配合相应的情感词，就可以确定短文本的情感类型。本文使用情感特征词库以及特定的句式结构词作为情感特征，将情感特征输入到libsvm做分类。通过实验可以验证，这种方法有着很好的分类效果。 3)基于语义的情感分类，本文使用两种方式来进行。一种是进行回归预测，也就是进行情感极性值预测。另一种是进行情感二分类，在进行分类之前使用PCA方法对情感特征进行了降维处理。通过实验可发现，本文基于语义方法的情感分类有着很好的效果。 4)利用基于语义情感分类方法，对微博语料进行情感分类，将分析结果应用到舆情分析领域，开发实现了微博舆情分析系统。
NETL