微博短文本细粒度情感分析推荐.docxVIP

题目：微博短文本细粒度情感分析摘 要微博作为是移动互联网起步最早也发展最快的业务之一，在经历了最初几年的高速增长和热捧之后，一度有些沉寂。但是，伴随着4G网络、WiFi网络大规模覆盖，移动终端智能设备的极速增长，越来越多的人频繁地使用微博。移动端用户的增长，让微博有了日活跃用户超过1亿的基础。基于该庞大的用户群体，利用微博文本对用户进行情感分析，不仅有利于新生代商业模式探索、社会舆情监控与分析，而且对人工智能发展的积极意义也不容小觑。文本情感分析为人工智能在人类情感领域的探索做出了积极的贡献。微博具有典型的网络语言特点，语法规范性差、口语化、新词汇层出不穷、大量的表情符号和文本噪声等。基于传统规范书面语言词典的微博情感分析效果差强人意。为了解决这个问题，本文一方面通过对传统情感词典进行网络语言的扩充，构建了新的适用于微博文本分析的词典，并通过实验验证了词典的有效性；另一方面，使用对特殊情感词汇依赖性小的RAE网络模型，性能得到了提高。含有否定词的文本情感判别较为复杂，否定词的加入可能使原文本情感极性发生转变，也可能极性保持不变，程度有所削弱。传统本文传统的情感分析方法通常对文本模型进行简化，假设一个词语仅和其前一个词语有关，对含有否定词的文本的积极/消极判别较差。RNTN模型没有进行类似简化，保持了词向量之间的强相关性。本文通过对 RNTN模型的训练，使其在含有否定词中文文本情感极性判别上有良好的表现。RNTN模型对词语或短语级细粒度情感分析上表现出色，而且不需要大量的人工标注；RAE模型作为较为成熟的深度学习模型，抛弃了传统的词袋模型，利用层次结构和成分语义来进行情感分类；SVM作为传统机器学习方法，通用性强，适用范围广。结合以上方法的特点以及情感分类的任务目标，本文设计了微博短文本的双极性、细粒度情感分类方案，首先使用SVM对微博篇章进行主客观分类，RAE和RNTN对判定为主观情感的文本的每一个句子进行正负极性判断，并选出极性最强的句子，该句子的情感极性即为整个微博的情感极性。若RAE和RNTN评判结果一致，即为最终结果。并通过实验证明了系统的可行性和高效性。关键词：微博短文本机器学习神经网络FINE GRAINED SENTIMENT ANALYSIS ABOUT MICRO BLOG SHORT TEXT ABSTRACTAs one of the earliest and fastest growing mobile Internet business, in the first few years of rapid growth and heat holding, once some quiet. However, with the 4G network, the WiFi network is a large scale, the rapid growth of mobile terminal intelligent devices, more and more people frequently use microblogging. The growth of mobile end users, so that microblogging has more than one hundred million active users in the day. Based on the huge user groups, the use of microblogging text sentiment analysis of the user, not only conducive to the new generation business model exploration, social public opinion monitoring and analysis and the positive significance to the development of artificial intelligence also should not be underestimated. Text sentiment analysis has made a positive contribution to the exploration of artificial intelligence in the field of human emotion.Micro blog has the typical characteristics of network language, such as poor grammar, spoken language, new vocabulary, a large number of