面向文本情感分析的中文情感词典构建方法

山东大学学报(工学版) ›› 2013, Vol. 43 ›› Issue (6): 27-33.

面向文本情感分析的中文情感词典构建方法

周咏梅1，杨佳能2,阳爱民2

1. 广东外语外贸大学思科信息学院, 广东广州 510006;
2. 广东外语外贸大学国际工商管理学院,广东广州 510006

收稿日期:2013-04-30 出版日期:2013-12-20 发布日期:2013-04-30
作者简介:周咏梅(1971- ),女,湖南永州人,教授,硕士,主要研究方向为文本情感分析.Email: yongmeizhou@163.com
基金资助:
国家社科基金资助项目(12BYY045);教育部人文社会科学研究青年资助项目(10YJCZH247);广东省科技计划资助项目(2010B031000014)

A method on building Chinese sentiment lexicon for text sentiment analysis

ZHOU Yong-mei1, YANG Jia-neng2, YANG Ai-min1

1. Cisco School of Informatics, Guangdong University of Foreign Studies, Guangzhou 510006, China;
2. School of Management, Guangdong University of Foreign Studies, Guangzhou 510006, China

Received:2013-04-30 Online:2013-12-20 Published:2013-04-30

摘要/Abstract

摘要：

提出了构建基于HowNet和SentiWordNet的中文情感词典方法。将词语自动分解为多个义元后计算其情感倾向强度,并且使用词典校对方法对词语情感倾向强度进行优化。将所构建词典应用到文本情感分析任务中,使用支持向量机构建文本情感分类器进行实验。实验结果表明,该词典优于一般极性情感词典,为情感分析研究提供了有效的词典资源。

关键词: 中文文本, 情感强度, 情感词典, 情感分析, 支持向量机

Abstract:

A method on building Chinese sentiment lexicon based on HowNet and SentiWordNet was proposed,in which sentiment intensity of the word was automatically calculated by decomposing it into multiple semantic units and a lexicon proofreading technique was used to optimize the value of sentiment intensity of the word. The building lexicon was applied to the task of sentiment analysis, in which the support vector machine was used to build the sentiment classifier. The experiment results showed that the built sentiment lexicon was more effective than the general polar sentiment lexicon,and provided an effective dictionary resource for the research of sentiment analysis.

周咏梅1，杨佳能2,阳爱民2. 面向文本情感分析的中文情感词典构建方法[J]. 山东大学学报(工学版), 2013, 43(6): 27-33.

ZHOU Yong-mei1, YANG Jia-neng2, YANG Ai-min1. A method on building Chinese sentiment lexicon for text sentiment analysis[J]. JOURNAL OF SHANDONG UNIVERSITY (ENGINEERING SCIENCE), 2013, 43(6): 27-33.

参考文献

相关文章 15

[1]	叶明全,高凌云,万春圆. 基于人工蜂群和SVM的基因表达数据分类[J]. 山东大学学报(工学版), 2018, 48(3): 10-16.
[2]	林江豪,周咏梅,阳爱民,陈锦. 基于词向量的领域情感词典构建[J]. 山东大学学报(工学版), 2018, 48(3): 40-47.
[3]	沈冀,马志强,李图雅,张力. 面向短文本情感分析的词扩充LDA模型[J]. 山东大学学报(工学版), 2018, 48(3): 120-126.
[4]	韩学山,王俊雄,孙东磊,李文博,张心怡,韦志清. 计及空间关联冗余的节点负荷预测方法[J]. 山东大学学报(工学版), 2017, 47(6): 7-12.
[5]	刘岩,李幼军,陈萌. 基于EMD和SVM的抑郁症静息态脑电信号分类研究[J]. 山东大学学报(工学版), 2017, 47(3): 21-26.
[6]	李素姝,王士同,李滔. 基于LS-SVM与模糊补准则的特征选择方法[J]. 山东大学学报(工学版), 2017, 47(3): 34-42.
[7]	刘杰, 杨鹏, 吕文生, 刘阿古达木, 刘俊秀. 基于气象因素的PM_2.5质量浓度预测模型[J]. 山东大学学报(工学版), 2015, 45(6): 76-83.
[8]	刘晓勇. 一种基于树核函数的半监督关系抽取方法研究[J]. 山东大学学报(工学版), 2015, 45(2): 22-26.
[9]	周哲, 商琳. 一种基于动态词典和三支决策的情感分析方法[J]. 山东大学学报(工学版), 2015, 45(1): 19-23.
[10]	浩庆波, 牟少敏, 尹传环, 昌腾腾, 崔文斌. 一种基于聚类的快速局部支持向量机算法[J]. 山东大学学报(工学版), 2015, 45(1): 13-18.
[11]	李发权, 杨立才, 颜红博. 基于PCA-SVM多生理信息融合的情绪识别方法[J]. 山东大学学报(工学版), 2014, 44(6): 70-76.
[12]	徐晓丹, 段正杰, 陈中育. 基于扩展情感词典及特征加权的情感挖掘方法[J]. 山东大学学报(工学版), 2014, 44(6): 15-18.
[13]	周咏梅1,阳爱民1,林江豪2. 中文微博情感词典构建方法[J]. 山东大学学报(工学版), 2014, 44(3): 36-40.
[14]	卢玲1,王越2,杨武1. 一种基于朴素贝叶斯的中文评论情感分类方法研究[J]. 山东大学学报(工学版), 2013, 43(6): 7-11.
[15]	王昊,华继学,范晓诗. 基于双联支持向量机的入侵检测技术[J]. 山东大学学报(工学版), 2013, 43(6): 53-56.

多维度评价

Viewed

Full text

Abstract

Cited

Shared

Discussed