發(fā)布時間：2025-02-07 13:05

　　近些年來互聯(lián)網(wǎng)技術(shù)的普及程度加深,在網(wǎng)絡平臺上發(fā)表自己對于熱點事件的看法和觀點成為人們表達自己見解的一個重要的渠道。為了更好地了解廣大民眾的想法,將社交網(wǎng)絡中的海量文本資源作為分析對象對輿情進行監(jiān)控和分析逐漸成為了研究者們的一個關注重心。目前針對短文本的情緒分析的研究很多依然停留在情感極性的層面,細粒度的情緒分析依然沒有統(tǒng)一的標準,單標簽分類結(jié)果往往無法全面的反應用戶的真實情緒。因此,多標簽下的社交網(wǎng)絡短文本情緒分析是具有很重要的社會意義和價值的一項研究。本論文主要是基于推特的內(nèi)容進行分析,研究從文字中識別用戶的情緒并進行分析的方法。本文的主要工作內(nèi)容及貢獻如下:(1)目前多標簽的互聯(lián)網(wǎng)短文本情緒標注語料庫比較匱乏,為更好的對多標簽情緒分類算法進行研究,本文設計了一種面向推特文本的情緒標注規(guī)則,根據(jù)標注規(guī)則完成了推特語料庫的標注工作。標注完成的語料包含6500條推特,11338條句子,其中推特層級為多標簽標注。(2)針對人工標注語料庫時間成本和人工成本過高的問題,提出了一種自動化短文本情緒標注的方法,通過機器完成對文本情感極性和情緒傾向的標注,并在其基礎上通過人工方式進行修正,大大降低了...

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

圖２－６?ｋＮＮ算法康理示意圖??

?篇二章文本情緒分析＿鎖???若采用ＴＦ向量對文本進行表示，文本何量的分量實際上是特征項在對應文本??中出現(xiàn)的頻次，即文本ｘ屬于類別Ｃ的概率如式２－１４所示。??ＰｉＣ＾ｆｌＰｉａｊｌＣｆ＾＾??Ｐ（Ｑｘ）＝?＾??（２－１４）??観５麵??ｙ＝ｉ??Ｐ（ａ＼Ｃ）＝?１＋＾（ａｉ....

圖３－１?Ｐｌｕｔｃｈｉｋ提出的檑緒輪??＿前針對文本的情緒分類體系存在著不統(tǒng)一的特點，英文方面應用比較廣泛??的是Ｅｋｍａｎ提出的６大情緒分類體系，將情感分為高興，悲傷，憤怒，恐懼，厭??

?第面向宜聯(lián)網(wǎng)短文本肘自動情緒標注???＼?ｒｒｚ＼＜７??ｗ／Ｃ＾Ｓｒ￣－??＿?＾＿Ｖｖｌｇｌｌａｎｃｅ＼?ａｄｍｉ?ｒａｔｉｏ＾—??，ｉ：ｍ〇ＶＨｎｃｅ?ａｎｇｅｒ?＿?，ｖ）ｒ?，?ｔｅｒｒｏｒ?ｔｅａｒ?ａｐｐｒｅｈｅｎｓｉｏｎ??ｖ?；??，乂１八一十??＼?ｄｉｓ....

圖４－１結(jié)合前后句與篇章特征的情緒分析算法流程??算法首先對訓練樣本中所有的句子進行統(tǒng)計，并由式４－４計算出情緒轉(zhuǎn)移概??率，接著通過公式４－１０計算推特整體與句子之間的情緒轉(zhuǎn)移概率；隨后通過公式??

?第四＿參標盤叛文：本情緒分析方Ｉｆｅ的改進???ＰｉＷ＾ｍ?＝?Ｐｉｓ＾ｌ）＝?—（ｌ（，）Ｈ?＝?ｌ）?（４．１３）??ｃｏｕｎｔｒｙｓ（ｌ）?＝１）??結(jié)合這蘭節(jié)的內(nèi)容，前后句和篇章特征相結(jié)合的推特情緒分析方法可以通過??公式４－１４進行表示：??（／）?＝?ａｒｇ?ｍａｘ....

圖４－２不同長度文本分類結(jié)果（ＦＩ值）??－

?電子科技太學碩士學位論文???＾■ａｍｏｕｎｔ■疆■?ＭＬｋＮＮ■魯－Ｓ－ＭＬｋＮＮ■?Ｌ－ＭＬｋＮＮ??４５０???１??４００??????＝４?０９??３５０?０８??ｄｉ??１－２０?２１－４０?４１－６０?６１－８０?８１－１００?１０１－１２０?＞１２０??圖４－２不....

本文編號：4030919