中文短文本多级情感分析

……………………Ｍ　吼　Ｅｃ０　ＡＴｌ０Ｎｓ　中文短文本多级情感分析　全湘溶　（中国信息通信研究院数据研究中心，北京１００１９１）　

摘要：多年来，文本情感分析精度不高和适用面窄等　问题一直是国内外专家研究的热点和难点。首先设　计了一种新的句子分割和关键信息抽取的算法，使　得一般评论能够得到较为理想的断句；其次，设计了　

一套适用于常规语言环境下中文句子情感细粒度分　析的框架模型，能够对微博等短文本语句通过简单　训练进行快速的初步分析，并提供有实质意义的相　关信息。　关键词：情感分析。文本挖掘，句子切割　

Ａｂｓｔｒａｃｔ：Ｆｏｒ　ｌｏｗ　ｐｒｅｃｉｓｉｏｎ　ａｎｄ　ｌｉｍｉｔｅｄ　ａｐｐｌｉｃａｂｉｌｉｔｙ，　ｔｅｘｔ　ｍｕｌｔｉ－ｌｅｖｅｌ　ｓｅｎｔｉｍｅｎｔ　ａｎａｌｙｓｉｓ　ｈａｓ　ｂｅｌｅｎ　ａ　ｈｅａｔｅｄ　船ｗｅｌｌ　ａ８　ｈａｒｄ　ｉｓｓｕｅ　ｒｏｕｎｄ　ｔｈｅ￣ｏｂｅ．Ｏｕｒ　ｐｒｏｐｏｓｉｔｉｏｎ　ｍａｋｅｓ　ｔｗｏ　ｃｏｎｔｒｉｂｕｔｉｏｎｓ　ｔｏ　ｉｔ．Ｆｉｒｓｔｌｙ，ｗｅ　ｄｅｓｉｇｎｅｄ　ａ　ｎｅｗ　ａｌｇｏｒｉｔｈｍ　ｔｏ　ｓｅｇｍｅｎｔ　Ｃｈｉｎｅｓｅ　ｓｅｎｔｅｎｃｅｓ　ａｎｄ　ｅｘ－　ｔｒａｃｔ　ｋｅｙ　ｉｎｆｏｒｍａｔｉｏｎ　ｆｒｏｍ　ｔｈｅｍ．Ｉｆ　ｔｈｅ　ｐａｓｓａｇｅ　ｉｓ　ｎｏｔ　ｔｏｏ　ｌｏｎｇ，ｔｈｅ　ｒｅｓｕｌｔ　ｓｅｅｍｓ　ｓａｔｉｓｆａｃｔｏｒｙ．Ｓｅｃｏｎｄｌｙ　ｗｅ　ｐｒｏｐｏｓｅ　ａｍｏｄｅｌｔｏ　ａｎａｌｙｚｅｔｈｅｐｏｌａｒｉｔｙ　ａｎｄｉｎｔｅｎｓｉｔｙ　ｏｆ　ｔｈｅ　ｓｅｎｔｉｍｅｎｔ　ｉｎ　ｃｏｎｔｅｘｔ，ｗｈｉｃｈ　ｃａｎ．ｗｏｒｋ　ｆａｓｔ　ｂｙ　Ｓｌ　ｍ—　ｐｉｅ　ｔｒａｉｎｉｎｇ　ａｎｄ　ｓｕｂｍｉｔ　ｖａｌｕａｂｌｅ　ｉｎｆｏｒｍａｔｉｏｎ．　Ｋｅｙｗｏｒｄｓ：ｓｅｎｔｉｍｅｎｔ　ａｎａｌｙｓｉｓ，ｄａｔａ　ｍｉｎｉｎｇ　ｉｎ　ｔｅｘｔ，　ｓｅｎｔｅｎｃｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　

１国内外研究现状　自然语言的情感分析长期以来都是热门领域。但　是，目前无论是精度还是分析的可靠性和稳定性方　面，都存在较大的提升空间，国内外大量专家学者都　对此进行了探索。Ｖ．Ｓ．Ｓｕｂｒａｈｍａｎｉａｎ等人提出了一种　分析方法，该方法特别重视形容词、动词和副词的分　析，使用一个统一的手段，依赖于句子树把他们合起　来进行计算，取得了一定的成果ｆｌ１。但相对于中文句子　来说，英文句子更容易拆分句法，而且经验表明动词　在英文中的情感作用大于中文，中文中旬法形成的歧　义情况也多于英文，所以该方法不能简单迁徙到中文　领域。　Ｃｈｒｉｓ　Ｎｉｃｈｏｌｌｓ等人希望通过提高ＰＯＳ　（ｐａｒｔ—ｏｆ－ｓｐｅｅｃｈ）的权值精度，使用最大熵模型，从改　善标注的角度来提升模型性能［２］。但是，其相关文章涉　及的数据相对较小，其优势主要在于能够去除停用　词。在自然语言分析处理中，分词系统的误差一直是　影响系统分析能力很关键的因素。　Ｘｉｎｇｈｎａ　Ｈｕ等人的文章先把所有评论分为正负　

……一……～　警　曼　…　墅璧坚　Ｒ　塞　二：。＝。　：二　二………・　两部分，对两个集合中的句子进行关键词组抽取，然　后对关键词组进行比照，通过倾向性计算词组差值，　从而得到一个总体分析结果【３］。　Ｉ）ａｎｉｅｌａ　Ｏｅｌｋｅ等人首先使用一种新技术抽取正　负面评论的主体，然后使用逆距离评估方法把属性　映射到正负评论中。其文章还把相似的评论进行了　聚类，创造了一个词频一逆向类频（ＴＦ—ＩＣＦ，Ｃ代表　ｃｌａｓｓ）的排序方式。文章给出的一种情感强度打分方　式是基于统计频率的，合理性存在一定争议　。　Ｍｅｎｇ　Ｘ等人打算解决不同词语在不同环境下　语义变化的问题。论文中训练和测试的数据都是人　工标注的。其文章特征选择用的是朴素贝叶斯，以便　实现自动化和半监督。它在特征抽取的时候设计了　一个时间窗口，截取固定数量的词语。实际上这是一　种流行但是死板的方法。文章设计多种模板用于词　组选择，起到了一定的效果。他还测试了多种算法的　精度，均略高于贝叶斯算法＿５Ｊ。　Ｓｈｅｎｇ—Ｃｈｕｎ　Ｄｉｎｇ等人试图改进条件随机场　（ＣＲＦ），分两个层次两次使用ＣＲＦ方法。第一层对　文章进行了极性判断，第二层给出了５个级别的强　度分类，取得了相对不错的效果同。　Ｖ．Ｋ．Ｓｉｎｇｈ等人对电影评论和博客信息进行了　分析，其文章得出两条结论：一是ＳｅｎｔｉＷｏｒｄＮｅｔ对于　分析直白的和非直白的评论都有一定的效果；二是　形容词是最重要的情感词，副词对形容词的影响很　重要　。　

２相关原理和流程设计　２．１朴素贝叶斯和贝叶斯信念网络　在机器学习的各种算法中，朴素贝叶斯具有很　强的独立性，而且被证明是一种简单、高效、可靠的　概率模型。它通常被用作比较基准，简要叙述如下。　假设　相互独立，变量ｃ的条件概率如文献【８］　所述：　竺　．．２　５　一　ｐ（ＣＩ　，　，．．．，　）？　ｐ（ｃ）？ｐ（　ｌ　ｃ）　（１）　厶　ｆ：１　其中Ｚ？Ｐ？　，．．．，　是一个仅与　，…，　有关　的数。因此，只需要ｐ？ｃ？？ｐ（　Ｉ　ｃ）取最大值即可。　ｆ＝ｌ　在进行判决时，使用最大后验概率准则，可以得　到一个判决式：　ｃｌａｓｓｉｆｙ（ｆ￣，．．．，，２）？ａｒｇｍａｘ　ｐ（Ｃ？ｃ）？ｐ（　？　Ｉ　Ｃ？ｃ）　（２）　利用这个条件，就可以对后续事件进行分类。在　不同的应用场景下，还会对以上算式进行调整，使得　计算更加方便，节约运算资源并提高运算效率，如引　进变量独立性假设等。　在朴素贝叶斯分类器无法胜任某些判决情形的　时候，可以考虑采用贝叶斯信念网络或简称贝叶斯　网络。设ｘ？？　，ｘ２…．，Ｘ　是变量或属性ｙｌ，　，…，ｙｎ　描述的数据元组。对于既定的双亲，每个变量都有条　件地独立于网络图中其非后代，令Ｐ　ｑ．ｘＩ，…，Ｘｎ　为ｘ　的值的特定组合的概率，Ｐ？　ＩＰａｒｅｎｔｓ？　的值对　应于ｙＪ的条件概率表的数值，那么可以把相应的联　合概率表示为：　Ｐ　，…，　？？？　（　ＩＰａｒｅｎｔｓ　？？　（３）　仁１　可以运用式子（３），经过多次迭代训练出对应的　贝叶斯网络分类器。在许多相关研究中，朴素贝叶斯　分类器和贝叶斯网络分类器经常作为基准分类器或　者对应模型中的重要组成部分，实践证明是一种普　遍适用的高效分类算法。　２．２基于朴素贝叶斯判决器和四元组运算器　的多级情感分析　多级情感分析系统的模型总体如图ｌ所示。将　新的语料先作分词标记处理，然后调用分句算法进　行句子分析，所分割的句子同时进行贝叶斯分类判　断和四元组词表计算，最终进行结果对比，得出该句　子的极性和强度值，进而确定强度等级。接下来将对　……………………‘Ｍ　Ｎ０Ｌ０ＧＹ　ＥＬＥ　ＵＮＩ　各个环节进行详细叙述，为了简便，将系统名称缩写　为ＢＱＭＳＡＳ（Ｂａｙｅｓ－Ｑｕａｔｅｍａｒｙ　Ｍｕｌｔｉ－ｌｅｖｅｌ　Ｓｅｎｔｉｍｅｎｔ　Ａｎａｌｙｓｉｓ　Ｓｙｓｔｅｍ）。　从图１的流程可知，先获取预处理过的语料，并　进行分词。然后使用句子类型判决器进行断句，分好　的句子同时都要经过贝叶斯判决器和四元组运算器　的处理，然后对结果进行比较，最终得到该句子的极　性和强度值。　断句算法和四元组聚合是多级情感分析非常重　要的基础条件。下一小节对这两个方面内容详细介　绍　语料　生一　分词　＜　兰　…　ｉ　责　朴套　…　丽　分类器Ｉ　Ｉ　】　｛　五　｛词表　形容词词　袁　图１多级情感分析整体流程示例　２．２．１断句算法和四元组的定义　（１）ＳＯｗ　ｓｅｇｍｅｎｔａｔｉｏｎ算法　受到ＰＯＳ　ｔａｇｇｉｎｇ结果的启发，考虑到中文句法　分析本身的困难和现实情况，本文创新了句子处理　方法。实践证明ＳＯＷ（ｓｅｑｕｅｎｃｅ　ｏｆｗｏｒｄｓ）ｓｅｇｍｅｎｔａｔｉｏｎ　算法对于陕速有效处理中文句子是可行的。　第一步，标点符号归一，即将所有涉及断句的标　点置为统一的断句符号。　第二步，按照统一断句符进行句子切分，生成子　句数组。　第三步，依照如下两种策略，重组步骤二生成的　子句数组。　策略一：复合句正则。　当前子句是否符合复合句式正则（如当前子句　中包含“不但…而且”），当即判定当前子句为一个断　句。　策略二：评价对象控位。这里的评价对象是使用　ＰＥＣＥ（ＬＤＡ＋ＰａｇｅＲａｎｋ＋Ｃｏｎｄｉｔｉｏｎ　Ｅｎｔｒｏｐｙ）系统抽　取的名词词组　。提取当前句中的评价对象，并按照　靠近原则，将没有评价对象出现的子句，与上一个已　经确定的断句合并，将出现评价对象的子句作为一　个新的断句。当出现２个甚至２个以上名词在同一　个句子中时，一般把最后一个名词作为最终评价对　

在断句或者情感分析的词汇处理中，有不少人　喜欢运用窗口截取的办法。比如按照每组５个词截　取包括评价对象、情感词等。这样做的好处就是快　捷，在分词器可靠而且预处理良好的情况下，能有效　处理信息。但是，缺点也十分明显，即一旦中途发生　

……………曼　曼警蔓曼　辑…　皇堡　！　Ｒ　：　……・　采集错误，后续窗口中采集到的信息就会连续出错。　而且计算机程序无法自动判断出错点的位置并进行　修正，句子之间的一些关联关系也没有得到充分考　虑。采用ＳＯＷ　ｓｅｇｍｅｎｔａｔｉｏｎ算法，比起时间窗口的方　法而言更具有灵活性。　一个普通评论，如“酒店卧室太脏了，早餐既难　吃，又贵。而且服务员态度不仅不好，还十分恶劣”。　分词系统处理后，句子呈现如下形式“酒店／ｎ卧室　／ｎ太／ｄ脏／ａ了，ｖ早餐／ｎ既／ｃ难吃／ａ／Ｗ又，ｄ贵／ａ　而且，ｃ服务员／ｎ态度／ｎ不仅／ｃ不／ｄ好／ａ，ｗ还，ｄ　十分／ｍ恶劣／ａ”。如果根据一个机械的窗口截取，　则出现如下分句“酒店／ｎ卧室／ｎ太／ｄ脏／ａ了／ｖ”、　“早餐／ｎ既／ｃ难吃／ａ／ｗ又／ｄ贵／ａ”、“而且，ｃ服务　员，ｎ态度／ｎ不仅／ｃ不／ｄ”、“好／ａ／ｗ还／ｄ十分／ｍ　恶劣／ａ”。在这个句子中，可以看到，分出来的四句　话，前２句是完整的，但是后两句并不能进行独立分　析。且如果按照这样的截取方式，会直接导致后续可　能的评论残缺，这是因为需要向上补足五个窗口值。　又比如“这／ｒ家／ｑ酒店／ｎ的／ｕ卧室，ｎ太，ｄ脏／ａ　了，ｙ，每天／ｒ的／ｕ早餐／ｎ既／ｃ难吃／ａ，又／ｄ贵／ａ　，服务员／ｎ态度／ｎ不仅／ｃ不／ｄ好／ａ，还／ｄ十分／ｍ　恶劣／ａ”。如果按照标点符号进行简单的断句，遇到　“又贵”、“还十分恶劣”这句话就找不到主题词，可能　会被舍弃相关信息。如果出现类似“房间很大，明亮，　没有异味，看上去很整洁”这样的话，就能快速按照　评价对象“房间”进行归类，所有形容词以评价对象　为核心集结在一起，进行统一计算。　ＳＯＷ　ｓｅｇｍｅｎｔａｔｉｏｎ算法主要的关注点就在于通　过评价对象的控位作用，在特定的商品服务类短评　论中，忽略一些极少出现的被字句或者宾语作为评　价对象的情况，而快速地从短文本中归纳关键信息，　提供给情感分析系统进行极性和强度的判断　（图２）。　（２）四元组定义　四元组包括作为评价对象的名词、描述评价对　象并表达情感的形容词、增强情感的程度副词和反　转情感的否定副词四种重要词汇，是综合考虑效率　和可行性后，提出的一种关键信息的组合。有必要把