Sentiment Analysis Based on Context Dependent Words

摘要

如今，网络是我们获得信息的一个重要平台，其中对用户评论的观点提取成为热点，例如:产品评论、论坛帖子和微博。本文主要研究买家对购买产品做出的评论，另外，我们又主要研究了产品评论的特点，以及在产品评论观点中的语义倾向性（正向、负向和中立）。
　　本文对此开展了如下研究:
　　(1)深入研究产品评论特征结构，对现有的情感分析传统学习方法如贝叶斯网络，支持向量机，K均值方法进行了对比分析。
　　(2)介绍了基于词典的方法，并用此方法对相关情感词的语义倾向性进行判断，观点词是一些表达好的方面（如great，amazing等）和不好的方面（如:bad，poor等）。此外，并将此算法运用于描述两个语义关系来判定正向或负向，找出相似语义倾向性词汇。
　　(3)观点词提取的处理研究，利用一些语义规则和互信息方法和其他的预处理技术进行词特征提取。
　　(4)用有效的数据集进行测试，同时显示实验结果和趋势分析以及该方法的约束条件。通过实验，我们得出的结论是:运用基于词典的方法可得到高精度的语义倾向性，利用机器学习方法，可得到高准确度的语义倾向性。

目录

声明

ABSTRACT

摘要

Contents

Chapter 1：INTRODUCTION

1．1．Early History

1．2．Motivation of the Thesis

1．3．Problem Definition

1．4．Objectives of Research

1．5．Expected Outcomes

1．5．1．Applications as a Sub-component Technology

1．5．2．Applications across Different Domains

1．6．Summary

Chapter 2：PRE-REQUISITES

2．1．Data Corpus

2．1．1．Dataset Includes

2．1．2．Why Exploit Mentioned Dataset?

2．2．Content Pre-processing

2．2．1．Transcription

2．2．2．Other Pre-processing Techniques

2．3．Sentiment and Subjectivity Classification

2．3．1．Methodology

2．3．2．Experimental Results on a Different Dataset

2．4．Classification Based on Supervised and Unsupervised Learning Methods

2．4．1．Features Used by Learning Algorithms

2．4．2．Existing Learning Methods

2．4．3．Why Choose Mentioned Learning Methods

2．5．Summary

Chapter 3：ANALYSIS OF LINGUISTIC TECHNIQUE FOR SEMANTIC ORIENTATION

3．1．Key Steps

3．1．1．Opinion Words，Phrases and Idioms

3．1．2．Aggregating Opinions for a Feature

3．1．3．Linguistic Rules

3．2．Algorithm

3．3．Experimentation

3．4．Comparisons and Results

3．4．1．Accuracy Measures

3．4．2．Precision Scores

3．4．3．Accuracy versus Log of Words

3．4．4．Time Consumption of Training and Testing Data

3．4．5．Classifier Strengths and Weaknesses

3．4．6．Execution Time versus Number of Feature Vectors

3．5．Comparative Interpretation

3．6．Summary

Chapter 4：CONCLUDING REMARKS

4．1．Discussion

4．2．Future Work

4．3．Recommendation

4．4．Summary

REFERENCES

DEDICATION

ACKNOWLEDGEMENT