基于情感词典的中文微博情感分析模型研究

合集下载

基于极性词典的中文微博客情感分类

。（ＸｉｎｈｕａＮｅｔＣｏ．，Ｌｔｄ．，Ｂｅｉｊｉｎｇ１００１０１，Ｃｈｉｎａ）
ＡｂｓｔｒａｃｔＭｉｃｒｏｂｌｏｇｇｉｎｇｉｓｔｈｅｆｏｃｕｓｉｎｒｅｓｅａｒｃｈｉｆｅｌｄｏｆｎａｔｕｒａｌｌａｎｇｕａｇｅｐｒｏｃｅｓｓｉｎｇｒｅｃｅｎｔｌｙ．Ｏｕｒｓｔｕｄｙｉｎｔｈｉｓｐａｐｅｒｉｓｍａｉｎｌｙｉｎｒｅｇａｒｄ
２％。实验结果表明，提出的方法可以对中文微博进行较好的情感分类，有一定的应用价值。关键词
中图分类号ຫໍສະໝຸດ 微博客情感分类词典
语言学特征
ＡＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００ — ３８６ｘ．２０１４．Ｏ１．０１０
感词，同时考虑了情感词的极性情感强弱，构建四个词典，分别是基础情感词典、表情符号词典、否定词词典和双重否定词词典；在情感词典的基础上，融合汉语语言学特征和微博情感表达特征，提出一种新的基于极性词典的情感分类方法。实验准确率达到８２．
ｔｈｅｓｅｎｔｉｍｅｎｔｅｘｐｒｅｓｓｉｏｎｆｅａｔｕｒｅｓｉｎｍｉｃｒｏｂｌｏｇｇｉｎｇ，ｗｅｐｒｏｐｏｓｅａｎｅｗｓｅｎｔｉｍｅｎｔｃｌａｓｓｉｉｆｃａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｏｌｐａｒｉｔｙｌｅｘｉｃｏｎｓ．Ｔｈｅｐｒｅｃｉｓｉｏｎｉｎｔｈｅｅｘｐｅｒｉｍｅｎｔｓｒｅａｃｈｅｓ８２．２％．ＥｘｐｅｉｍｅｒｎｔａｌｒｅｓｕｌｔｉｎｄｉｃａｔｅｓｔｈａｔｔｈｅｍｅｔｈｏｄｐｒｏｐｏｓｅｄｉｎｔｈｅｐａｐｅｒｃａｎｃｏｎｄｕｃｔｔｈｅｓｅｎｔｉｍｅｎｔｃｌａｓｓｉｉｆｃａｔｉｏｎｏｎＣｈｉｎｅｓｅｍｉｃｒｏｂｌｏｇｗｅ１１，ａｎｄｈａｓｃｅｒｔａｉｎａｐｐｌｉｅｄｖａｌｕｅ．ＫｅｙｗｏｒｄｓＭｉｃｒｏｂｌｏｇｇｉｎｇＳｅｎｔｉｍｅｎｔｃｌａｓｓｉｉｆｃａｔｉｏｎＬｅｘｉｃｏｎｓＬｉｎｇｕｉｓｔｉｃｓｆｅａｔｕｒｅｓ

基于词典的中文微博情绪识别

基于词典的中文微博情绪识别基于词典的中文情绪识别是通过建立情感词典库，将待分类的文本与词典中的词汇进行匹配，从而确定文本的情感极性。

情感词典库通常由正面和负面情感的词汇组成，这些词汇被分配相应的权重，以表示其对情感极性的贡献程度。

当文本与词典中的词汇匹配时，计算其与所有词汇的相似度，并根据权重得出文本的情感极性。

基于词典的中文情绪识别的实现方法主要包括以下步骤：数据预处理：对中文进行分词、去停用词等预处理操作，以消除其对情感分析的影响。

建立情感词典库：收集正面和负面情感的词汇，并分配相应的权重。

文本与词典匹配：将待分类的文本与情感词典库中的词汇进行匹配，计算其与所有词汇的相似度。

情感极性分类：根据计算出的相似度和权重，确定文本的情感极性。

基于词典的中文情绪识别可以应用于以下场景：产品评价：企业和政府机构可以通过该技术了解公众对其产品和政策的情绪反应，从而做出相应的决策。

市场调查：商家可以利用该技术进行市场调查，了解消费者对其产品和竞争对手产品的态度和看法。

舆情监控：政府机构可以利用该技术进行舆情监控，及时掌握公众对其政策和行为的反应。

基于词典的中文情绪识别的优点主要包括以下几点：算法简单：基于词典的中文情绪识别算法相对简单，易于实现和理解。

高效快速：该算法的计算复杂度较低，可以快速对大量文本进行情感分类。

准确性较高：由于情感词典库中的词汇都是经过精心挑选和实验验证的，因此该算法的准确性较高。

扩展性不足：情感词典库中的词汇数量有限，无法涵盖所有的情感表达方式，因此该算法的扩展性不足。

忽略上下文信息：该算法仅对文本中的单个词汇进行匹配，忽略了上下文信息，因此可能会出现误判的情况。

对新词无法识别：由于情感词典库中的词汇都是经过人工挑选和实验验证的，因此该算法对新出现的词汇无法进行识别和分类。

基于词典的中文情绪识别是一种重要的情感分析技术，可以应用于多个场景。

然而，该算法也存在一些缺点需要改进和完善。

未来可以通过引入深度学习等技术来提高算法的准确性和扩展性。

基于情感词典的中文微博情感倾向分析研究

基于情感词典的中文微博情感倾向分析研究基于情感词典的中文微博情感倾向分析研究随着社交媒体的普及，微博成为了人们表达情感和观点的重要平台之一。

在海量的微博数据中，分析用户的情感倾向对于了解公众舆论和市场趋势具有重要价值。

因此，基于情感词典的中文微博情感倾向分析逐渐成为研究的热点。

首先，我们需要明确情感词典的概念和作用。

情感词典是指一类特殊的词典，其中记录了大量的情感词汇，包括积极、消极和中性的情感词汇。

这些情感词汇是通过人工标注和统计方法得到的，可以帮助我们识别和分析文本中的情感倾向。

情感词典在情感分析中起到了至关重要的作用，成为了研究和应用领域的基础。

在中文微博情感倾向分析中，研究者们通常采用两种常见的方法。

一种是基于词频统计的方法，另一种是基于情感词典的方法。

在基于词频统计的方法中，研究者会通过统计文本中出现的情感词的数量和频率来判断情感倾向。

然而，词频统计方法容易受到文本长度和词汇多样性的影响，无法准确捕捉情感信息。

因此，基于情感词典的方法逐渐受到研究者的青睐。

基于情感词典的中文微博情感倾向分析主要分为两个步骤：情感词典建立和情感倾向判别。

首先，我们需要建立一个适用于中文微博的情感词典。

这个过程中，我们可以通过分析大量的微博数据，人工标注其中的情感词汇，并结合统计方法不断完善词典。

情感词典的质量对于情感分析的准确性具有决定性影响，所以需要不断迭代和改进。

在情感倾向判别的过程中，我们使用情感词典对微博文本进行情感判别。

首先，将微博文本进行分词，并将其中的情感词与情感词典进行匹配。

然后，考虑到情感词的前后语境对情感倾向的影响，我们通常会采用一定的上下文匹配规则，以提高情感判别的准确性。

最后，通过计算匹配到的情感词的数量和权重，我们可以得到微博的情感倾向。

然而，基于情感词典的中文微博情感倾向分析仍面临一些挑战。

首先，中文的语言特点使得情感词典的建立更加困难，因为中文中情感的表达方式更为隐晦和多样化。

基于领域情感词典的中文微博情感分析

ｔｈｅｅｍｏｔｉｏｎｌａｔｅｎｄｅｎｃｉｅｓｏｆａｉｆｅｌｄｍｏｒｅａｃｃｕｒａｔｅｌｙ，ｔｈｉｓｐａｐｅｒｂｕｉｌｄｓａｋｉｎｄｏｆｅｍｏｔｉｏｎａｌｄｉｃｔｉｏｎａｒｙｔｈｒｏｕｇｈｍｏｏｄｗｏｄｓｒｗｉｔｈａｕｔｏｍａｔｉｃｉｄｅｎｔｉｆｉｃａｔｉｏｎ，ｅｘｔｅｎｄｅｄｆｕｎｃｔｉｏｎ，ｒｅｄｕｃｅｓｃｕｍｂｅｒｓｏｍｅｍａｎｕａｌａｎｎｏｔａｔｉｏｎ．Ｃｏｎｓｉｄｅｒｉｎｇｔｈｅ ห้องสมุดไป่ตู้ ｉｎｆｌｕｅｎｃｅｏｆｅｍｏｔｉｏｎｌａａｄｖｅｒｂｓａｎｄｅｘｐｒｅｓｓｉｏｎｓｉｎｔｈｅｃｏｎｔｅｘｔ，ｗｅｂｕｉｌｄｔｈｅｅｍｏｔｉｏｎａｌａｄｖｅｒｂｓｄｉｃｔｉｏｎａｒｙａｎｄｍｉｃｒｏ－ｂｌｏｇｅｘｐｒｅｓｓｉｏｎｓｗｈｉｃｈｗｉｌｌ
标注的繁琐。同时考虑到上下文中情感副词等影响，构建了情感副词词典，更加全面的分析情感倾向。最后通过实验
表明本文提出的基于领域情感词典的分析策略有一定的可行性和准确率。

基于平滑SOPMI算法的微博情感词典构建方法研究

2、向量化：使用词嵌入技术（如Word2Vec或GloVe）将每个词表示为一个向量，从而将影评转换为向量序列。
3、卷积神经网络：使用卷积神经网络对向量化的影评进行分类。这种网络特别适合处理序列数据，并可以从数据中自动学习有用的特征。
4、训练与优化：使用收集到的标签数据训练CNN，并通过反向传播等技术优化网络的参数。
接下来，我们使用卷积神经网络（CNN）模型对词向量进行处理。CNN模型是一种深度学习模型，具有强大的特征提取能力，可以自动学习文本中的特征表示。我们通过将词向量作为输入，使用多个卷积层和池化层对文本进行特征提取，从而得到文本的特征表示。
最后，我们将得到的文本特征表示输入到一个多任务学习模型中进行训练。多任务学习模型可以将多个任务合并到一个模型中进行训练，从而使得模型能够学到更多的知识，提高模型的准确性和泛化能力。我们使用了两个任务：情感分类和词向量回归
二、学术特色
1、严谨的学术态度
《现代汉语大词典》的编纂者以严谨的学术态度对待每一个字、词的释义和用法。他们参考了大量的古代文献和现代语言资料，对每个字、词进行深入研究和分析，力求做到准确无误。此外，编纂者还广泛征求了语言学家、作家、教师等各领域专家的意见，反复推敲每个条目的解释和用法说明。
谢谢观看
2、全面性与系统性
词典编纂者认为，现代汉语词汇具有系统性，每个字、词都是整个词汇系统中的一个元素。因此，《现代汉语大词典》注重词汇的系统性，对每个字、词的释义都力求准确、全面，反映出词汇的系统性和规律性。
3、实用性与可读性
《现代汉语大词典》的编纂理念之一就是实用性。编纂者从读者的实际需要出发，注重词典的易用性和可读性。例如，该词典采用拼音排序，方便读者查找；采用简明扼要的解释方式，使读者一目了然；在词形、词义和用法等方面标注清楚，便于读者准确理解和使用。

微博话题的情感分析方法研究

微博话题的情感分析方法研究随着社交媒体的发展，微博已经成为了人们交流和获取信息的重要平台。

大量的用户在微博上发布各种话题，这些话题不仅反映了人们的兴趣和关注点，也涵盖了各种情感和态度。

情感分析是一种重要的技术，可以帮助我们准确地了解微博用户的情感和态度。

本文将从数据来源、情感分类和分析方法三个方面介绍微博话题的情感分析方法研究。

一、数据来源微博是一个大规模的社交媒体平台，每天都有数以亿计的用户在其中互动交流。

对于情感分析来说，数据来源是一个至关重要的问题。

目前，微博情感分析的数据来源主要有两种方式。

第一种是手动标注，这种方式需要大量的人力和时间成本。

实现手动标注需要选取一些语料样本，对每个样本进行情感标注。

然后通过人工阅读微博内容，对数据样本进行情感标注。

虽然这种方式可以确保情感分类的准确性，但时间成本和标注人员的标注一致性等问题限制了手动标注的普及和应用。

第二种是使用自动标注技术。

自动标注技术可以大量减少标注成本。

常见的自动标注技术包括基于情感词典的方法、基于词向量的方法等。

其中，情感词典是一种包含了各种情感词汇和其情感极性的词典。

基于情感词典的方法主要是将文本中的每个词汇与情感词典进行匹配，然后统计每个词汇的情感分数，最终通过加权和的方式将文本情感得分计算出来。

基于词向量的方法则采用机器学习算法对训练数据进行学习，然后对测试文本分词并生成词向量表示，再使用分类器进行情感分类。

二、情感分类情感分类是微博情感分析的核心部分。

情感分类主要是将文本分为积极、消极和中性三类。

其中，积极和消极类别是情感分类的两个重要方面。

情感分类的实现需要采用一些自然语言处理技术。

常见的情感分类技术包括基于词典的方法、机器学习算法和深度学习算法等。

基于词典的方法是应用最为广泛的情感分类技术。

该方法主要是将情感词典中的情感词汇与待分类文本进行词汇匹配，并计算每个词汇的情感极性得分，最后根据得分总和判断文本情感极性。

机器学习算法是一种基于数据驱动的情感分类技术。

基于情感语义词典与PAD模型的中文微博情感分析

＊＊文章编号：０２５３－２３９５（２０１４）０４－０５８０－０８基于情感语义词典与ＰＡＤ模型的中文微博情感分析孙晓１，叶嘉麒１，龙润田２，任福继１（１．合肥工业大学计算机与信息学院情感计算与先进智能机器安徽省重点实验室，安徽合肥２３０００９；２．加州理工学院工程与应用科学学院计算机与数学科学系，美国加利福尼亚州９１１２５）摘要：随着社交网络影响的不断增加，微博作为人类社会交流、发布观点信息的重要载体，其所包含的情感状态具有重要的研究意义。

文章通过对微博文本及其包含的情感词汇的分析研究，引入神经网络语言模型和语义向量，结合心理学、情感计算领域相关知识，采用心理学ＰＡＤ连续维度情感描述模型作为文本情感分析量化的基础，对微博文本所蕴含的情感状态进行分析研究，以获得更加精确的情感分析结果，达到情感分析的目的。

同时实现了从个性角度的微博文本情感的可计算性。

实验表明，所述方法能较好地提高微博文本情感分析的准确性和精确度，在不同主题不同情感特征中均能够得到很好的应用。

关键词：情感词；ＰＡＤ情感模型；情感量化；中文微博；情感分析中图分类号：ＴＰ３９１文献标志码：ＡＤＯＩ：１０．１３４５１／ｊ．ｃｎｋｉ．ｓｈａｎｘｉ．ｕｎｉｖ（ｎａｔ．ｓｃｉ．）．２０１４．０４．０１７ＳｅｎｔｉｍｅｎｔＡｎａｌｙｓｉｓｏｆＣｈｉｎｅｓｅＭｉｃｒｏｂｌｏｇｂａｓｅｄｏｎＥｍｏｔｉｏｎａｌＳｅｍａｎｔｉｃＷｏｒｄｓＤｉｃｔｉｏｎａｒｙａｎｄＰＡＤＭｏｄｅｌＳＵＮＸｉａｏ１，ＹＥＪｉａｑｉ１，ＬＯＮＧＲｕｎｔｉａｎ２，ＲＥＮＦｕｊｉ１（１．ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＡｆｆｅｃｔｉｖｅＣｏｍｐｕｔｉｎｇａｎｄＡｄｖａｎｃｅｄＩｎｔｅｌｌｉｇｅｎｔＭａｃｈｉｎｅｓ，ＨｅｆｅｉＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈｅｆｅｉ２３０００９，Ｃｈｉｎａ；２．ＳｃｈｏｏｌｏｆＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｅｄＳｃｉｅｎｃｅ，ＣｏｍｐｕｔｅｒａｎｄＭａｔｈｅｍａｔｉｃａｌＳｃｉｅｎｃｅｓ，ＣａｌｉｆｏｒｎｉａＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｐａｓａｄｅｎａ９１１２５，ＵＳＡ）Ａｂｓｔｒａｃｔ：Ｗｉｔｈｔｈｅｉｎｃｒｅａｓｉｎｇｉｍｐａｃｔｏｆｓｏｃｉａｌｎｅｔｗｏｒｋｓ，Ｍｉｃｒｏｂｌｏｇｂｅｃｏｍｅｓｉｍｐｏｒｔａｎｔｃａｒｒｉｅｒｏｆｉｎｆｏｒｍａ－ｔｉｏｎａｎｄｓｏｃｉａｌｉｎｔｅｒａｃｔｉｏｎｆｏｒｈｕｍａｎｂｅｉｎｇｓ，ｗｈｉｃｈｃｏｎｔａｉｎｓｅｍｏｔｉｏｎａｌｓｔａｔｅｓｔｈａｔｈａｖｅｉｍｐｏｒｔａｎｔｒｅｓｅａｒｃｈｓｉｇｎｉｆｉｃａｎｃｅ．Ｂａｓｅｄｏｎｔｈｅａｎａｌｙｓｉｓｏｆｍｉｃｒｏｂｌｏｇｔｅｘｔｔｈａｔｃｏｎｔａｉｎｓｔｈｅｅｍｏｔｉｏｎａｌｖｏｃａｂｕｌａｒｙ，ｃｏｍｂｉｎｉｎｇｄｏ－ｍａｉｎｋｎｏｗｌｅｄｇｅｏｆｐｓｙｃｈｏｌｏｇｙａｎｄａｆｆｅｃｔｉｖｅｃｏｍｐｕｔｉｎｇ，ｃｏｎｔｉｎｕｏｕｓｄｉｍｅｎｓｉｏｎｏｆｅｍｏｔｉｏｎｐｓｙｃｈｏｌｏｇｙＰＡＤｍｏｄｅｌｉｓａｄｏｐｔｅｄａｓｂａｓｉｓｏｆｓｅｎｔｉｍｅｎｔａｎａｌｙｓｉｓｑｕａｎｔｉｆｉｅｄｆｏｒｔｅｘｔｓｅｎｔｉｍｅｎｔａｎａｌｙｓｉｓ，ａｎｅｌｅｍｏｔｉｏｎａｌｓｔａｔｅｉｎｈｅｒｅｎｔｉｎｔｈｅｔｅｘｔｉｓａｎａｌｙｚｅｄｔｏｏｂｔａｉｎａｍｏｒｅａｃｃｕｒａｔｅｒｅｓｕｌｔａｎｄａｃｈｉｅｖｅｐｕｒｐｏｓｅｓｏｆｅｍｏｔｉｏｎａｌａｎａｌｙｓｉｓ．Ａｔｓａｍｅｔｉｍｅ，ｅｍｏｔｉｏｎａｌＭｉｃｒｏｂｌｏｇｔｅｘｔｃｏｍｐｕｔａｂｉｌｉｔｙｉｓａｃｈｉｅｖｅｌｆｒｏｍｔｈｅａｓｐｅｃｔｏｆｐｅｒｓｏｎａｌｃｈａｒａｃｔｅｒｉｓ－ｔｉｃｓ．ＥｘｐｅｒｉｍｅｎｔｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍｅｔｈｏｄｃａｎｉｍｐｒｏｖｅｔｈｅＭｉｃｒｏｂｌｏｇｔｅｘｔｓｅｎｔｉｍｅｎｔａｎａｌｙｓｉｓａｃｃｕｒａｃｙａｎｄｐｒｅｃｉｓｉｏｎ．Ｉｎｔｈｅｄｉｆｆｅｒｅｎｔｔｈｅｍｅｓａｎｄｄｉｆｆｅｒｅｎｔｅｍｏｔｉｏｎａｌｆｅａｔｕｒｅｓ，ｔｈｅｍｅｔｈｏｄｉｓａｂｌｅｔｏｇｅｔａｇｏｏｄａｐ－ｐｌｉｃａｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：ｅｍｏｔｉｏｎａｌｗｏｒｄ；ＰＡＤｅｍｏｔｉｏｎａｌｍｏｄｅｌ；ｅｍｏｔｉｏｎａｌｑｕａｎｔｉｆｉｃａｔｉｏｎ；Ｃｈｉｎｅｓｅｍｉｃｒｏｂｌｏｇ；ｓｅｎｔｉｍｅｎｔ收稿日期：２０１４－０８－２７；修回日期：２０１４－０９－１７基金项目：国家自然科学基金（６１２０３３１５）；国家高新科技发展计划（８６３，Ｎｏ２０１２ＡＡ０１１１０３）；安徽省科技攻关项目（１２０６ｃ０８０５０３９）作者简介：孙晓（１９８０－），山东龙口人，工学博士，副教授，研究领域为自然语言处理，机器学习，人机交互，Ｅ－ｍａｉｌ：ｓｕｎ－ｔｉａｎ＠ｇｍａｉｌ．ｃｏｍ孙晓等：基于情感语义词典与ＰＡＤ模型的中文微博情感分析５８１ａｎａｌｙｓｉｓ引言０微博（Ｍｉｃｒｏｂｌｏｇ）作为数字信息时代的产物，是一种新兴的依靠社交网络的信息传播平台。

微博网络数据的情感分析方法及效果评估

微博网络数据的情感分析方法及效果评估随着社交媒体的兴起和迅猛发展，微博成为了人们获取信息、表达情感以及交流观点的重要途径之一。

在微博平台上，大量用户通过撰写和发布微博来表达自己的情感和观点，这些信息蕴含着丰富的情感内容。

因此，情感分析成为了研究者们关注的热点领域之一。

本文将探讨微博网络数据的情感分析方法以及评估效果的指标和方法。

一、微博网络数据的情感分析方法1. 基于词典的方法基于词典的情感分析方法是最简单和常见的方法之一。

该方法假设每个词语都有情感倾向，通过构建情感词典并根据每个词语的情感倾向对微博文本进行情感判别。

常用的情感词典有Liu等人的情感词典和HowNet的情感词典等。

2. 基于机器学习的方法基于机器学习的情感分析方法能够自动学习和捕捉微博文本中的情感特征。

常用的机器学习算法包括支持向量机（SVM）、朴素贝叶斯（Naive Bayes）和随机森林等。

这些算法需要先将微博文本进行特征提取，如n-gram模型和词袋模型等，然后训练分类器进行情感分析。

3. 基于深度学习的方法随着深度学习的广泛应用，基于深度学习的情感分析方法逐渐兴起。

深度学习方法能够通过构建深层神经网络模型，利用词嵌入和注意力机制等技术对微博文本进行情感分析。

常用的深度学习模型有卷积神经网络（CNN）和循环神经网络（RNN）等。

二、效果评估指标为了评估情感分析方法的效果，研究者们通常采用以下指标进行评估。

1. 精确度（Precision）精确度是指情感分析准确判别的正例（情感类别为正）的比例。

计算公式为：精确度 = 正确判别的正例个数 / （正确判别的正例个数 + 错误判别的正例个数）。

2. 召回率（Recall）召回率是指情感分析正确判别的正例（情感类别为正）占总的正例个数的比例。

计算公式为：召回率 = 正确判别的正例个数 / （正确判别的正例个数 + 未能正确判别的正例个数）。

3. F1值F1值是精确度和召回率的加权调和平均值，能够综合考虑二者的指标。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Ｄｉｃｔｉｏｎａｒｙ
ＵＡＮＧＹａ — ｗｅｉ
（ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｉｒｎｇ，ＳｈａｎｇｈａｉＭａｒｉｔｉｍｅＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２０１３０６）
ＡｂｓｔｒａＣｔ：
Ｔｈｅｃｏｒｅｏｆｍｉｃｒｏｂｌｏｇｓｅｎｔｉｍｅｎｔａｎａｌｙｓｉｓｉｓｔｏｄｅｔｅｒｍｉｎｅｔｈｅｍｉｃｒｏｂｌｏｇｓｔａｔｅｍｅｎｔ＇ｓｅｍｏｔｉｏｎａｌｔｅｎｄｅｎｃｙ．Ｂａｓｅｄｏｎｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｍｉ —
２０００ＷｏｒｋｓｈｏｐａｔｔｈｅＡＣＭＳＩＧＫＤＤ２０００．Ｂｏｓｔｏｎ，ＵＳＡ：２０００：１４２￣１５１
【１３］ＭｅｇｅｒｉａｎＳ，ＫｏｕｓｈａｎｆａｒＦ，ＱｕＧ，ｅｔａ１．ＥｘｐｏｓｕｒｅｉｎＷｉｒｅｌｅｓｓＳｅｎｓｏｒＮｅｔｗｏｒｋｓ：ＴｈｅｏｒｙａｎｄＰｒａｃｔｉｃａｌＳｏｌｕｔｉｏｎｓ．ＷｉｒｅｌｅｓｓＮｅｔｗｏｒｋｓ，
２００２，１２（５）：４４３～４５４【１４］赵妍妍，秦兵，刘挺．文本情感分析【Ｃ】．软件学报，２０１０，２１（８）：１８３４１８），男，河南鹿邑人，硕士研究生，研究方向为数据挖掘
参考文献：
【１］新浪微博数据中心．２０１４年微博用户发展报告．ｈｔｔｐ：／／ｄａｔａ．ｗｅｉｂｏ．ｃｏｍ／ｒｅｐｏｒｔ／ｒｅｐｏｒｔＤｅｔａｉｌ？ｉｄ＝２１５
收稿日期：２０１５ — ０４ — ２８修稿日期：２０１５ — ０５ — １５
ＲｅｓｅａｒｃｈｏｎＣｈｉｎｅｓｅＭｉｃｒｏｂｌｏｇＳｅｎｔｉｍｅｎｔＡｎａｌｙｓｉｓＭｏｄｅｌＢａｓｅｄｏｎＳｅｎｔｉｍｅｎｔ
『７】李钝，曹付元，曹元大等．基于短语模式的文本情感分类研究．计算机科学，２００８，３５ｆ４）：１３２ — １３４
『８］邬智慧．中文微博的语体特征研究『Ｄ１．武汉：华中师范大学，２０１２．０５［９】黄萱菁，张奇，吴苑斌．文本情感倾向￣Ｊ／ｉｆ：［Ｊ］．中文信息学报，２０１２，２５（６）：１１８￣１２６『１０１７：力．中国现代语法『Ｍ１．北京：商务印刷馆，１９８５
［１１］ＦａｂｒｉｚｉｏＳｅｂａｓｔｉａｎｉ．ＭａｃｈｉｎｅＬｅａｒｎｉｎｇｉｎＡｕｔｏｍａｔｅｄＴｅｘｔＣａｔｅｇｏｉｒｚａｔｉｏｎ．ＡＣＭＣｏｍｐｕｔｉｎｇＳｕｒｖｅｙｓ，２００２，３４（１）：１１－１２．３２ — ３３【１２］ＭｏｂａｓｈｅｒＢ，ＤａｉＨ，ＬｕｏＴ，ｅｔａ１．ＤｉｓｃｏｖｅｒｙｏｆＡｇｇｒｅｇａｔｅＵｓａｇｅＰｒｏｉｆｌｅｓｆｏｒＷｅｂＰｅｒｓｏｎｌａｉｚａｔｉｏｎ．ｉｎ：ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＷｅｂＫＤＤ
［５】王素格，杨安娜，李德玉．基于汉语情感词表的句子情感倾向分类研究【Ｊ】．计算机工程与应用，２００９，４５（２４）
【６】党蕾，张蕾．一种基于知网的中文句子情感倾向判别方法［Ｊ１．计算机应用研究．２０１０，２７（４）
【２］谢丽星，周明，孙茂松．基于层次结构的多策略中文微博情感分析和特征抽取【Ｊ１．中文信息学报，２０１２（Ｏ１）．
［３１Ｎ彬，何婷婷，罗乐等．基于语义理解的文本情感分类方法研究．计算机科学，２０１０，３７（６）：２６１２６４ｆ４】王贺，刘呈祥等．否定句和比较的情感倾向性分析ＣＯＡＥ２０１２：５２．ＣＯＡＥ２０１２：５２～６７