文本情感倾向分析若干问题研究
基于深度学习的文本情感分析方法研究
基于深度学习的文本情感分析方法研究随着社交媒体的兴起以及用户生成内容的爆炸增长，对大规模文本数据进行情感分析的需求与日俱增。
文本情感分析是一种将自然语言处理和机器学习相结合的技术，旨在自动识别和理解文本中的情感倾向。
近年来，深度学习模型在文本情感分析领域取得了显著的进展，并且成为了研究和应用的热点之一。
本文将就基于深度学习的文本情感分析方法进行综述，并对其研究现状和未来发展进行讨论。
一、基础知识介绍1.1 文本情感分析概述文本情感分析，又称为情感倾向分析，是指通过计算机技术对文本进行情感判断和分类的过程。
其目标是将文本分类为积极、消极或中性等情感类型。
情感分析可应用于情感监测、品牌舆情分析、用户评论情感分析等领域，对于企业决策和社会舆情分析起着重要作用。
1.2 深度学习简介深度学习是一种基于神经网络模型的机器学习方法，通过多层神经网络的构建和训练来解决复杂的模式识别和数据分析问题。
与传统机器学习方法相比，深度学习模型以其强大的非线性拟合能力和自动特征学习能力在文本情感分析任务中表现出色。
二、基于深度学习的文本情感分析方法2.1 卷积神经网络（CNN）卷积神经网络是一种常用的深度学习模型，具有一定的自然语言处理能力。
在文本情感分析领域，卷积神经网络通过卷积操作来捕捉文本中的局部特征，进而通过全连接层进行分类。
该方法在文本分类任务中取得了很好的效果。
2.2 循环神经网络（RNN）循环神经网络是一类具有记忆能力的神经网络，对于处理序列数据的任务特别有效。
在文本情感分析中，循环神经网络通过序列建模，能够较好地捕捉上下文信息，对于理解文本中的情感趋势非常有帮助。
然而，长时依赖问题限制了RNN模型的准确性。
2.3 长短期记忆网络（LSTM）为了解决长时依赖问题，研究者提出了长短期记忆网络。
LSTM模型通过引入记忆单元和门控机制，能够有效地记忆长期依赖关系，并且在文本情感分析中取得了较好的效果。
LSTM模型在多层结构的基础上，能够更好地处理文本中的复杂情感信息。
面向文本的情感分析研究
面向文本的情感分析研究一、引言随着社交媒体、新闻网站等文本源不断涌现，如何从众多的文本数据中获取有用的情感信息成为了重要的课题之一。
面向文本的情感分析通过计算机技术的手段对文本的情感进行分析，为企业、政府等提供可靠的决策参考。
本文将从文本情感分析的定义、研究现状以及未来发展等方面进行阐述。
二、文本情感分析的定义文本情感分析（Text Emotion Analysis，TEA）指对文本中表达出来的情感进行自动化的检测、抽取和分析的技术。
TEA的主要任务是为文本打上与情感相关的标签或者分类，并根据标签或分类结果，进一步抽取文本情感的相关特征，从而实现对文本情感的精细化分析。
三、文本情感分析的研究现状1. 情感分类情感分类是文本情感分析的核心任务之一，该任务旨在将文本分为不同的情感类别。
情感分类的方法主要分为传统机器学习方法和深度学习方法两种。
传统机器学习方法采用特征工程对文本进行处理，再使用SVM、NB等算法进行分类。
深度学习方法则采用神经网络进行情感分类，该方法不需要进行特征工程，可以自动学习文本中的特征，因此该方法在文本情感分析领域取得了很大的成功。
2. 情感词典情感词典是一种基于词典的情感分类方法，它对情感词和文本情感进行匹配，从而实现情感分类。
情感词典的优点是不依赖于训练样本，可以快速实现情感分析。
目前常用的情感词典有SentiWordNet、AFINN等。
3. 情感预测情感预测是文本情感分析的另一项任务，旨在在新闻资讯、社交媒体等文本源中预测特定事件或话题的情感倾向。
情感预测的主要方法有监督学习和半监督学习等。
四、文本情感分析的应用1. 品牌形象管理文本情感分析可以用于对企业品牌形象进行管理，根据消费者在社交媒体上对品牌的评价进行情感分析，及时发现消费者对品牌的不满意之处，并做出相应的调整，提高品牌的信誉度。
2. 舆情监测文本情感分析可以用于对热点话题、事件等的舆情监测，对社交媒体上的事件进行情感分析，快速了解公众对事件的态度，从而为政府、媒体等机构提供情感倾向分析。
基于文本挖掘的情感分析研究
基于文本挖掘的情感分析研究情感分析是指通过对文本内容进行分析和分类，确定其中所包含的情感倾向。
基于文本挖掘的情感分析研究主要通过挖掘文本中的情感信息，利用机器学习、自然语言处理等技术，识别和提取文本中的情感信息，并进行情感倾向分析和分类。
本文将从情感分析的意义、方法和应用等方面进行探讨。
一、情感分析的意义情感分析可以帮助人们更好地理解和解读文本，揭示其蕴含的情感信息，为人们提供更准确和全面的信息。
在商业领域中，情感分析可以帮助企业了解顾客的情感态度，了解产品的市场反馈，帮助企业制定更有效的营销策略。
在社交媒体中，情感分析可以帮助人们追踪公众的情感倾向，了解舆论动态。
在政治舆情分析中，情感分析可以帮助政府和政治人物了解民众的情感态度，从而采取更合适的政策措施。
二、情感分析的方法情感分析的方法主要包括基于词典的方法和基于机器学习的方法两种。
1.基于词典的方法：基于词典的方法主要是通过构建情感词典，将文本中的词语与情感词典进行匹配，计算文本中情感词的出现频率和权重，从而确定文本的情感倾向。
这种方法的优势在于简单快速，但不足之处是难以处理文本中的语义、语境和否定等问题。
三、情感分析的应用情感分析在各个领域都有广泛的应用。
在社交媒体中，情感分析可以帮助企业监测和分析用户评论和观点，了解用户对产品和服务的满意程度，从而改进产品和服务质量。
在推荐系统中，情感分析可以根据用户的情感倾向进行个性化推荐，提高推荐准确度。
在舆情监测中，情感分析可以帮助政府和企业了解公众的情感态度和舆论动向，制定更合适的应对策略。
在金融领域中，情感分析可以对市场情绪进行预测，帮助投资者更准确地判断市场走向。
总结起来，情感分析是一项非常有意义的研究工作，可以帮助人们更好地理解文本内容、追踪舆论动向、改进产品和服务质量，对于商业和社会的发展具有重要作用。
同时，我们也应该承认情感分析仍然存在一些挑战，如处理多义性、否定和语义等问题，未来还需要进一步研究和改进相应的方法和算法，以提高情感分析的准确度和可靠性。
文本情感分析与主题检测算法研究
文本情感分析与主题检测算法研究文本情感分析和主题检测是自然语言处理中的重要任务，对于理解和处理海量文本数据具有重要意义。
本文将针对文本情感分析和主题检测算法进行研究，探讨其相关领域的发展和应用。
一、文本情感分析算法研究1. 概述文本情感分析是通过计算机算法对文本中的情感信息进行自动化提取和分析的过程。
该技术可以帮助人们快速理解和分析大量的文本数据，并挖掘其中的情感倾向。
2. 主要方法文本情感分析的主要方法包括基于词典的方法、基于机器学习的方法和基于深度学习的方法。
基于词典的方法利用预定义的情感词典来计算文本中情感词的频率，从而得到情感分数。
基于机器学习的方法则通过对标注情感类别的训练样本进行特征提取和模型训练，来预测新文本的情感类别。
基于深度学习的方法则利用神经网络模型进行情感分类，通过学习文本的分布式表示来提高情感分析的准确度。
3. 发展趋势随着深度学习技术的快速发展，基于深度学习的文本情感分析算法在近年来取得了显著的进展。
例如，利用卷积神经网络和长短期记忆网络可以更好地捕捉文本中的语义信息，从而提高情感分类的准确率。
此外，结合多模态信息（如文本、图像、音频等）进行情感分析也成为研究热点。
二、主题检测算法研究1. 概述主题检测是对文本集合进行自动化分类和聚类的过程，旨在发现其中的主题和话题结构。
主题检测可以帮助人们理解大规模文本数据中的关键主题，从而进行精确的文本分类和信息提取。
2. 主要方法主题检测的主要方法包括基于概率图模型的方法、基于矩阵分解的方法和基于深度学习的方法。
其中，基于概率图模型的方法包括潜在狄利克雷分配（Latent Dirichlet Allocation，LDA）等模型，通过对文本的统计分布进行建模，来发现文本中的主题信息。
基于矩阵分解的方法则通过将文本的特征矩阵分解成两个低维矩阵，来提取文本的主题信息。
基于深度学习的方法则利用神经网络模型来进行主题分类和生成，通过学习文本的分布式表示来提高主题检测的效果。
文本情感分析算法研究与应用
文本情感分析算法研究与应用随着互联网的发展，我们越来越依赖于网络上的各种信息，而这些信息包括文本信息、图片信息、音视频信息等等。
其中，文本信息是最常见的一种，因为只要有文字的存在，我们就可以通过各种方式传递信息。
然而，文本信息虽然包含了很多的信息，却无法表达人们思想和情感的细微变化，这就需要一种文本分析技术来帮助我们抽取其中的情感信息。
本文将探讨文本情感分析算法的研究与应用。
一、文本情感分析的定义及意义文本情感分析，是一种基于自然语言处理技术的分析方法，它利用计算机算法来提取和分析文本中的情感信息，确定文本中的主要情感倾向。
情感分析技术能够自动判断文本中的情感，包括积极情感（例如喜欢、高兴、惊喜等）、消极情感（例如伤心、沮丧、愤怒等）和中性情感等。
文本情感分析在商业、政治和社会等领域有着广泛的应用，它可以帮助企业分析用户对产品和服务的评价、分析政治候选人的演讲效果、研究社会舆情等。
由于文本情感分析技术在解决社会实际问题中的应用具有广泛的价值，因此越来越多的研究者开始将其应用于实践中。
二、文本情感分析的相关算法1. 词典方法词典方法是文本情感分析中广泛使用的一种方法。
它的核心思想是通过构建一个包含情感词汇的词典，并根据词典的词性、程度和情感极性等属性来分析文本的情感倾向。
通过对文本中出现的情感词分数进行加权求和，最终确定文本的情感极性。
2. 机器学习方法机器学习方法是基于监督学习的文本情感分析方法之一。
它通过利用先前标注过的语料库的情感信息，训练一个情感分类器，用于对新的文本进行情感判断。
常见的机器学习算法包括朴素贝叶斯、支持向量机等。
3. 深度学习方法深度学习方法在文本情感分析中的应用还比较新，但它已经表现出了很好的效果。
深度学习方法主要是针对大规模数据和复杂模型的情况，通过构建深度神经网络模型，对文本进行特征提取和情感分类。
三、文本情感分析算法的应用1. 社交媒体情感分析社交媒体中积累了大量的用户评论和信息，这些评论和信息中包含了用户对产品或服务的评价。
基于文本挖掘的情感分析研究
基于文本挖掘的情感分析研究一、绪论随着大数据时代的到来，传统的情感分析方法已经无法胜任海量文本信息的处理。
因此，基于文本挖掘的情感分析方法成为目前研究的热点。
本文旨在对基于文本挖掘的情感分析方法进行一定的研究和探讨。
二、情感分析的基本概念情感分析是一种自然语言处理技术，它旨在识别和提取文本中表达的情感倾向。
情感分析可以分为两类：情感极性分类和情感强度计算。
情感极性分类是指将情感分为正面、中性和负面三种。
情感强度计算是指识别文本中所表达的情感强度大小。
三、基于文本挖掘的情感分析方法基于文本挖掘的情感分析方法主要包括词典方法、机器学习方法和深度学习方法。
1. 词典方法词典方法是利用情感词典、程度副词和否定词等进行情感分析的方法。
情感词典是指一个包含情感词和对应情感极性的词典。
程度副词用来表达情感的强度大小。
否定词则会反转文本中的情感倾向。
词典方法的优点是易于实现，缺点是对于新词汇的处理不够准确。
2. 机器学习方法机器学习方法是通过训练一个学习模型来进行情感分析的方法。
机器学习方法可以分为有监督学习和无监督学习两种。
有监督学习是指利用标注好的文本数据进行训练，无监督学习则是通过分类算法来对未标注文本进行分类。
机器学习方法的优点是可以处理新词汇，缺点是需要大量的标注数据进行训练。
3. 深度学习方法深度学习方法是一种基于神经网络的情感分析方法。
深度学习方法的优点是准确性高，可以自动提取文本中的特征。
深度学习方法的缺点则是需要大量的计算资源和数据集支持。
四、基于文本挖掘的情感分析应用基于文本挖掘的情感分析可以应用于用户评论分析、舆情分析、产品推荐和情感监控等方面。
1. 用户评论分析在电商领域，基于文本挖掘的情感分析可以对用户评论进行分析。
通过分析用户评论，可以了解用户对产品的情感倾向和态度，从而改进产品和服务。
2. 舆情分析基于文本挖掘的情感分析可以应用于舆情分析领域。
通过分析社交媒体和新闻报道等文本信息，可以了解公众对某个事件的情感倾向和态度。
文本情感分析方法研究综述
内容摘要
结论：文本情感分析作为一种强大的文本数据分析方法，可以帮助我们更好 地理解和识别文本中所表达的情感信息。然而，该方法也存在一些挑战和限制。 例如，对于不同领域和场景的情感分析，需要定制化的解决方案；数据清洗和预 处理对结果影响较大；模型训练和调优过程较为复杂等。未来，需要进一步研究 和改进文本情感分析方法，以适应更多场景和应用需求。
3、研究成果与不足
然而，文本情感分析仍存在一些不足。首先，情感词典的构建和维护需要大 量的人力和物力，成为制约文本情感分析发展的重要因素。其次，虽然深度学习 在文本情感分析中取得了显著成果，但大多数模型仍依赖于手工设计的特征，如 何自动地学习有效的特征是亟待解决的问题。此外，如何处理非情绪性文本和非 规范语言表达方式，以及如何处理不同语言和文化的情感分析问题，也是需要进 一步探讨的问题。
内容摘要
引言：随着社交媒体和在线平台的快速发展，人们产生和分享文本数据的数 量大幅增加。这些文本数据中蕴含着人们的观点、情感和态度，对于理解和引导 消费趋势、改善客户服务、预测市场变化具有重要的商业价值。文本情感分析作 为一种有效的文本数据分析方法，旨在挖掘这些文本数据中的情感信息，对于企 业决策、产品优化等方面具有广泛的应用。
内容摘要
目前，研究人员在情感分析方面已经取得了显著的成果。例如，利用机器学 习和深度学习算法，研究人员可以实现对文本的高效情感分类。此外，研究人员 还开发了多种情感词典和工具，如褒义词典、贬义词典和情感极性词典等，以帮 助更好地进行情感分析。
内容摘要
然而，尽管前人研究取得了不少成果，但仍存在一些不足之处。首先，情感 分析的准确性仍需进一步提高。尽管现有的机器学习和深度学习算法在许多情况 下能够取得较好的效果，但在处理某些复杂情感时仍存在一定的局限性。其次， 现有的情感词典和工具大多基于英语语言，对于其他语言尤其是小语种的情感分 析支持不够。因此，针对不同语言的特点开发相应的情感词典和工具是未来的研 究方向之一。
基于深度学习的文本情感分析研究
3
情感分类
将商品评价分为好评、中评或差评等情感类别， 并分析消费者对商品的情感态度和购买意愿。
社交媒体文本情感分析
数据集
使用社交媒体平台上的文本数据，如Twitter、微博等，进行训练和测试。
深度学习模型
采用卷积神经网络（CNN）或循环神经网络（RNN）等深度学习模型进行训练和预测。
情感分类
将社交媒体文本分为积极、消极或中性等情感类别，并分析用户对特定话题或事件的情感态度和观点。 同时，可以结合社交媒体的特点，如表情符号、话题标签等，进一步提高情感分析的准确性和细粒度。
06
总结与展望
研究工作总结
01 02 03
深度学习模型在文本情感分析中的有效性
通过大量实验验证，深度学习模型如卷积神经网络（CNN ）、循环神经网络（RNN）及其变体在文本情感分析任务 中取得了显著成果，相较于传统机器学习方法有更高的准 确率和效率。
02
深度学习相关理论
神经网络基本原理
01 神经元模型
神经网络的基本单元，模拟生物神经元的结构和 功能。
02 前向传播
输入信号经过神经元处理后向前传递的过程。
03 反向传播
根据误差调整神经元权重的过程，实现网络学习 。
深度学习模型及算法
卷积神经网络（CNN）
循环神经网络（RNN）
通过卷积操作提取局部特征，适用于图像 处理等领域。
采用词袋模型、TF-IDF、Word2Vec等文本表示方法 将文本转换为向量形式。
输入层设计
将文本向量作为输入层的输入，通过嵌入层将单词映 射为低维稠密向量。
隐藏层设计及特征提取
- 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)。
复旦大学
硕士学位论文
文本情感倾向分析若干问题研究
姓名：朱嫣岚
申请学位级别：硕士
专业：计算机应用技术
指导教师：吴立德
20070520
为０．００００００，即Ｓ（ｃｌ，ｃ２）＝０．００００００。
第四步，对于语义动态角色为“对应之事件”（ＣｏＥｖｅｎｔ）或“之材料”（ＭａｔｅｒｉａｌＯｆ）的义原，只抽取ＣｏＥｖｅｎｔ，ＭａｔｅｒｉａｌＯｆ中的那部分义原进行相似度计算。
例如，词语‘‘慈善事业”的义项为ＤＥＦ＝｛ａｆｆａｉｒｓｌ事务：ＣｏＥｖｅｎｔ＝｛ＴａｋｅＣａｒｅＩ照料：ｍａｎｎｅｒ＝｛ｖｏｌｕｎｔａｒｙＩ自愿｝）｛ｈｅ｜ｐＩ帮助：ｍａｎｎｅｒ＝｛ｖｏｌｕｎｔａｒｙｌ自愿））），当需要计算“慈善事业”与其他词相似度时，只考虑｛ＴａｋｅＣａｒｅＪ照料：ｍａｎｎｅｒ＝（ｖｏｌｕｎｔａｒｙＩ自愿｝｝｛ｈｅｌｐＩ帮助：ｍａｎｎｅｒ＝｛ｖｏｌｕｎｔａｒｙｌ自愿）））这部分义原。
第五步，对于不能满足１～４的词语。
根据具体情况，使用公式ｓ（朋，Ｐ２）＝—生进行义原间的相似度计算，综合结果并得到义项的相似度。
具体“干“
过程在这罩不做详细的介绍。
ＨｏｗＮｅｔ语义相似度的计算功能是根据刘群的论文【２９】中的原理编写的词汇语义相似度计算程序，实现了义项之间语义相似度的计算。
图一为ＨｏｗＮｅｔ语义相似度功能界面。
通过输入两个词语并分别选取确切的义项，在结果显示框中即可得到相似度的数值。
举个简单的例子，输入词语“好”、“差”，并分别选择相应的义项为“｛ＨｉｇｈＱｕａｌｉｔｙｌ优质）”、“｛ｕｎｑｕａｌｉｆｉｅｄＩ不合格｝”，得到的输出结果为０．０２１０５３，即这两个词语在相应义项下的相似度。
语义相似度主要反映的是词语含义的相似程度。
ＨｏｗＮｅｔ相似度值被定义为０到１之问的一个实数。
至于词与词之间的语义相似度，我们使用了词语两两义项相似度的最大值，希望最大限度的保留词语之间相似性信息。
图２．ＨｏｒＮｅｔ语义相似度计算功能界面
万富翁、财ｔ、百万富翁、财阀等。
第三步，通过ｄｏｍａｉｎ、ＲｅｌａｔｅＴｏ标签，获得输入词属于同一领域的词语和相关词。
例如：“跳球”的义项为ＤＥＦ＝｛ｐｈｅｎｏｍｅｎａＩ现象：ｄｏｍａｉｎ＝｛ｂａｓｋｅｔｂａ…篮球）），根据其中的领域信息ｄｏｍａｉｎ＝｛ｂａｓｋｅｔｂａ…篮球），可以获得同领域的一组词：篮球、篮坛、职业篮球、持球等。
而根据词语“主页”的义项ＤＥＦ＝｛ｒｅａｄ．ｎ９ｓｌ读物：ＲｅｌａｔｅＴｏ＝｛ｉｎｔｅｒｎｅｔｌ［］特网））中的“相关”（ＲｅｌａｔｅＴｏ）属性，可以获得一组相关词，如：超文本传输协议、上传、上载、通信协议等。
第四步，对以上三步获得的词集，根据实体、事件、属性、属性值分成四个大类。
图３为ＨｏｗＮｅｔ语义相关场计算功能界面。
通过输入一个词语并选取词语的某一义项，可以获得与该义项语义相关的一组词，例如，对于“好”这个词，若选择其义项为“｛ＨｉｇｈＱｕａｌｉｔｙｌ优质）ｆ’，即可获得一组语义相关的词语，包括“优良”、“优质”、“良好”、“佳境”、“完好”等。
同时语义相关场的范围（即语义相关词语的数量）可通过参数调整（分三级，从小到大分别是Ｒａｎｋｌ～Ｒａｎｋ３）。
图３．ＨｏｗＮｅｔ语义相关场功能界面
理的临界值，它应该在各个测试集下都表现稳定，并且对于词语的情感倾向判别准确率应高ｊ二使用默认值时的情况。
蚓５是对测试集１和测试集２的实验结果数据进行闽值调整后取得的效果。
这咀所使用的实验结果数掘都是利用ＨｏｗＮｅｔ语义相似度方法，使用４０对基准词进行计算所得到的结果。
图５．阈值调整对实验效果的影响（测试集３）
根掘图５我们发现，判别褒贬倾向的临界值虽然较原始临界值Ｏ有偏大的倾向，但即使在最好的情况下，阂值调整仅仅能使判别准确率比ｌ｜缶界值为０时的情况提高不到１％，对总体性能的改善并没有起到显著的作用。
而且在各个测试集上，产生最好结果的闽值也并不稳定。
因此我们认为，阈值的调整对准确率的提高并不具有显著的作用。
另外，利用在实验中得到的词语情感倾向值列表，我们在中文语料上进行了简单的篇章情感倾向判断实验，该实验所使用的情感倾向值列表共包括测试集１中的６４４５个词语，倾向值计算方法基于ＨｏｗＮｅｔ语义相似度方法，使用基准词的数目为４０对。
在３．１节中已经提到，如果我们仅仅利用倾向词表中词的褒贬倾向，而不涉及具体倾向值，就可以用比较简单的方法计算篇章情感倾向。
有了文档中每个词
复口＾学坝ｆ学位论义义奉情感倾向分析若十问题研究字代表其对应的评价对象，数字代表了对应的评论词的个数。
图８．品牌信誉度分析系统的比较界面４．１．４．信息抽取任务
系统的主要工作是搜集、整理网络上与汽车相关的评论，并对相关评论文章进行情感倾向分析。
系统的核心模块是评论分析模块，它的主要任务就是从评论文章中，分析出这篇评论描述的对象是什么，并且判断出针对该评论对象的情感倾向，通过整理归纳将结果提交给用户。
因此，在信息抽取过程中，对于．』每篇评论，不但耍能够得到情感倾向，即抽取评价词，同时要抽取出其相应的评价对象。
对于评价词，我们可以利用第三章所提到的词汇情感倾向值列表，因为列表中的情感词是领域无关的。
但是由于该词表规模较小，应该根据实际情况进行扩充，构建适用于该系统的评价词Ｏｎｔｏｌｏｇｙ；而对于评价对象，由于汽车领
复ｆ１人。
’＃坝ｔ学位论文立奉情感倾向分析若十问题研究
图１２．使用工具编辑同义词Ｏｎｔｏｌｏｇｙ的示意图
４．３．Ｏｎｔｏｌｏｇｙ扩展
在领域相关的系统中，Ｏｎｔｏｌｏｇｙ中包含的信息大都需要人工收集整理，但是人力毕竟有限，通过人工的方式获得的信息，相对于网络上的海量文本，仍然是少之又少，其信息涵盖面无法满足实际应用的要求，很多评论中出现的评价对象名称、评价词在人工构建的信息中找不到，也就无法被抽取出柬，这对情感倾向分析系统的性能将会造成严重的影响。
因此，我们设计了一些自动或半自动的方法，对０ｎｔｏｌｏｇｙ进行扩展，期望扩展后的Ｏｎｔｏｌｏｇｙ能够匹配更多的评论内容。