基于情感词汇的文本极性分类研究综述.docVIP

基于情感词汇的文本极性分类研究综述

一、情感词汇资源的构建与演化

情感词汇是文本极性分类的核心基础，其资源建设经历了从人工标注到自动生成、从通用领域到垂直场景的迭代过程。早期情感词典以人工构建为主，最具代表性的包括普林斯顿大学开发的WordNetAffect，该词典基于认知语言学理论，将情感词汇划分为喜悦、愤怒、悲伤、惊讶等6大类基本情感，每个词条附带情感强度标注，为早期极性分类提供了标准化的语义资源。与之类似，国内知网发布的Hownet情感词典将情感词分为正面、负面两大类，同时标注了褒贬程度、情感倾向性等多维属性，成为中文情感分析领域的基础性资源。这类人工构建的词典优势在于标注精度高、语义解释性强，但存在覆盖范围有限、更新速度滞后、领域迁移性差等问题，难以应对网络环境下不断涌现的新词、热词和隐喻表达。

随着社交媒体的爆发式增长，基于大规模语料的自动情感词典构建技术逐渐成为主流。该类方法首先通过种子词扩展策略，以少量人工标注的核心情感词为基础，利用词向量模型在海量未标注语料中计算语义相似度，挖掘潜在的情感词汇。例如Word2Vec、GloVe等预训练词嵌入模型能够捕捉词汇的上下文语义关联，将“种草”“拔草”“破防”等网络新兴词汇纳入情感词表。此外，基于依存句法分析的方法可以通过词汇间的修饰关系识别情感倾向，比如“性价比高”“续航差”等搭配组合中的属性情感关联。为了适配不同领域的应