情感词典

摘要： 为帮助企业获得更多的信息,进一步了解客户,预测和增强客户体验,合理改进产品性能,通过情感词典来对汽车行业的网络舆情进行分析与预测.首先对预处理后的文本进行分词,提取关键词,绘制词云图,初步判定舆情中人们关注的热点.然后利用训练集数据对情感词典进行训练,提取文本特征,并采用基于情感词典的传统情感分类法进行文本情感识别分类.分类结果显示,训练集的预测准确率为85.73%,测试集的准确率为83.62%.最后利用LDA模型对文本进行主题分析,得到正面、负面文本数据的第一主题与第二主题.

摘要： 当前,社交媒体平台中表达的情绪对国内主流媒体、舆情生态和和谐社会倡导的主流文化具有重要影响作用。本研究采用文本情感分析的研究方法,参考波森语义分析系统下的情感词典,构建词典库,编写分类器,计算2018年4月到12月人民日报微信公众号健康专栏的标题及其相对应评论的情绪值,该分类器达到的平均准确率为85.05%,进一步对标题和评论情绪值进行了假设检验。研究发现,人民日报微信公众号健康专栏标题呈现通俗化、情感化趋势;人民日报微信公众号标题中蕴含的情感会显著性转移至评论者中。

摘要： 情绪原因对抽取任务是将情绪子句与原因子句同时抽取。针对该任务,现有模型的编码层未考虑强化情感词语义表示,且仅使用单一图注意力网络,因此,该文提出了一个使用情感词典、图网络和多头注意力的情绪原因对抽取方法(Sen-BiGAT-Inter)。该方法首先利用情感词典与子句中的情感词汇匹配,并将匹配的情感词汇与该子句进行合并,再使用预训练模型BERT(Bidirectional Encoder Representation from Transformers)对句子进行表示。其次,建立两个图注意力网络,分别学习情绪子句和原因子句表示,进而获取候选情绪原因对的表示。在此基础上,应用多头注意力交互机制学习候选情绪原因对的全局信息,同时结合相对位置信息得到候选情绪原因对的表示,用于实现情绪原因对的抽取。在中文情绪原因对抽取数据集上的实验结果显示,相比目前最优的结果,该文所提出的模型在F;值上提升约1.95。

摘要： [目的/意义]文本情感分析是自然语言处理的一大重要分支。论文结合了深度学习模型在特征提取方面的优势以及情感词典对网络词情感识别的敏感性,提出了一种将动态记忆网络和情感词典方法相结合的网络文本情感分类模型。[方法/过程]在传统的动态记忆网络中设计情感问题向量,利用基于注意力机制的多跳结构识别并提取句子情感特征,同时构建扩充网络情感词的情感词典并将情感分值与多跳记忆网络所得情感分类结果进行线性加权,减少了对于情感词库的完备性、判断规则质量以及事先标注语料的依赖,提升了训练效率。[结果/结论]在WEIBO_SENTI_100K和NLPCC2013两个数据集上进行实验,证明与单个模型相比,论文模型在两个数据集上都获得了更好的分类效果。

摘要： 随着智慧旅游的不断发展,以客户体验作为游客出行的重要标准,针对游客发表的旅游景点评论文本,研究了基于情感词典的旅游推荐算法,对景点评论文本进行预处理、文本分词、词云展示,对积极评论和消极评论进行分类后计算分值,并对情感分值求和,将景点分值较高的评论推荐给客户,使得游客精准掌握旅游产品信息。

摘要： 在对中文网络文本进行情感分析时,情感词典的完备性以及好坏对情感分析的效果有着至关重要的影响。虽然已经有了几个通用的中文情感词典,但是现实生活中电影领域有自身特有的领域词汇、领域词语的特殊使用方式等,现有的几个情感词典若用在电影评论的情感分析中使用,往往效果不佳。现今还没有学者发布行业认可的、官方的可用于分析电影评论的领域情感词典。因此,论文的重点工作是自主构建一个电影领域情感词典,并用其完成电影评论的情感分析任务。

摘要： 国产电影中,观众的影评是影响消费者观看某部影片的主要参考。文中以两部主题相近的国产电影影评数据为基础,对影评情感趋向进行了研究。首先,利用ROSTCM6统计软件构建两部电影的共词矩阵,将两部国产电影影评数据进行评论划分,作出语义网络图;其次,利用Python软件第三方Snow NLP情感分析库对两部国产电影的影评进行情感分数打分,绘制出情感分数图和情感波动图,为两个主题相近的国产电影进行电影特色的进一步辨别提供了有力依据。

摘要： 社交媒体舆论事件中用户大量的情感显现成为一种普遍现象,情感在舆论事件传播特别是网络传播的过程中发挥了重要的作用。选择长生生物“假疫苗”事件作为案例,采集事件相关微博223903条和微博账号166739个,进行三级细粒度情感分析。研究发现微博信息传播的两个主要渠道评论和转发中均存在情感相关性,但情感传递的关系是一种弱关系。对比微博评论,微博转发过程中情感相关性的特征更明显,且对于更细粒度的情感测量,这种相关性更显著。在同级别情感中“慌”“惧”和负向情感在传播的过程中相关性最明显。不同情感在社交媒体平台传播的过程中快速迭代,迅速达到稳定状态,即产生情感趋同的结果。

摘要： 探究了评分和文本评论之间的关系,检验了两者是否表达出一致的情感倾向。从携程网采集酒店评论和评分数据,利用情感词典,计算了评论文本的特征情感评分及总体得分,通过线性回归和二元回归方法,研究了其与用户实际评分的相关性。实验结果显示,文本情感倾向与评分的相关系数是0.522,为中等程度相关。鲁棒性检验发现,采用不同的情感强度计算方法和不同平台的评价数据,相关系数变化不大。评分与文本评论表达的情感倾向并非完全一致。

摘要： 基于情感分析的引证行为研究通过揭示科研论文引用情感的普遍规律,进而探究引证行为的规律。本研究以OpinionFinder英文情感词典为基础,借助SO-PMI算法计算引文文本中词语的点互信息值来判断词语之间的语义相似度,从而构建了优化的引文领域情感词典。本研究从PLOS ONE期刊数据库收集了信息检索领域1045篇文献的65976处引用进行实证分析。结果表明,这些引用中有84.02%为中性引用,13.11%为正向引用,2.87%为负向引用。本研究可以为其他引文领域情感词典的构建,以及在更大规模引文数据中的应用提供借鉴。

摘要： 本文章梳理了国内外词典构建研究现状,在现有情感词典构建的基础上,提出了具有营销效应情感词典的构建思路,为营销效应情感词典的建立提供了良好的理论基础.

摘要： 细粒度意见挖掘的主要目标是从观点文本中获取情感要素并判断情感倾向.目前现有方法大多基于序列标注模型,但很少利用情感词典资源.本文提出一种基于领域情感词典特征表示的细粒度意见挖掘方法,使用领域情感词典在观点文本上构建特征表示并将其加入序列标注模型的输入部分.首先构建一份新的电商领域情感词典,然后在电商评论文本真实数据上,分别为条件随机场(CRF)和双向长短期记忆-条件随机场(BiLSM-CRF)这两种常用序列标注模型设计基于领域情感词典的特征表示.实验结果表明,基于电商领域情感词典的特征表示方法在两种模型上都取得了良好的效果,并且超过其他情感词典.

摘要： 社交媒体及电子商务网站评论的兴起促进了文本情感分析的发展.其中,情感词典构建是文本情感分析的重要内容,然而现有的通用情感词典和词典构建方法,具有领域适用性问题,且不能处理一词多情感.本文提出的方法,利用转折词和否定词对文本极性造成的翻转,将语料中的情感词进行极性分类.实验结果显示,我们的方法能够有效构造领域特定的中文情感词典,与现有的通用情感词典和常见的情感词典构建方法相比,本文方法在篇章级、属性级文本情感分析上表现出了更好的性能.

摘要： 情感词典研究是文本情感分析领域的一个重要内容;基于情感词典的文本情感分析方法是一种非常有效的方法.互联网上的新闻评论包含评论人的情感,对其情感进行自动分析研究是非常有意义的.借鉴图排序模型的原理,提出一种新闻评论情感词典构建方法,该方法首先通过新闻评论语料和基础情感词典获得评论情感词集和种子词,然后根据提出的基于PageRank算法的方法判定评论情感词集的极性并计算其强度,进而构建新闻评论情感词典.实验从情感词判定的准确性和基于构建的情感词典的分类性能两个方面验证了所提方法的有效性.

摘要： 目的：提出一种基于情感分析技术自动识别特定领域谣言的方法. 方法：界定高、低质量信息源,在假设高质量信息源信息更可靠的情况下,通过基于情感词典的情感分析方法,量化高质量信息源与低质量信息源对特定对象的情感差异,判定低质量信息源提供的信息是否属于谣言. 结果：将该方法应用于“食品养生”、“医学健康”两个领域进行谣言识别.在30个疑似谣言案例中准确识别出23个谣言案例,准确率为76.67％.本文提出的谣言识别方法在谣言预测方面的F值为83.34％,查全率为71.42％,查准率为100％;在非谣言文本预测上的F值为72.73％,查全率为100％,查准率为57.14％. 局限：未实现不同信息源数据自动抽取,每个谣言案例下的人工收集的谣言数量有限. 结论：本文基于情感分析的谣言识别方法对特定类型的谣言是有效的.

摘要： 目的:对微博进行细粒度情感分析,将情感分为8类,并计算其情感强度值,从而尽可能还原微博用户情感. 方法:通过微博语料分析构建疑问词词表,在大连理工大学情感词汇本体DUTIR的7类情感基础上,丰富一类情感“疑”,并利用点互信息法构建表情符号词典,还综合考虑否定词和程度副词对情感表达的影响,利用Python从新浪微博上获取数据,并用R语言的jiebaR包进行分词,对情感进行分类并计算其强度. 结果:得到微博用户对于糖尿病7类常用药物的8类情感占比及情感强度,并通过正确率、召回率、F值对结果进行验证,其中“怒”和“哀”的正确率最高,分别为85.73％和83.05％,而“乐”和“好”的召回率与F值均最高,为81％以上.本文新增情感“疑”的正确率、召回率、F值分别为77.33％、78.58％、77.95％,均值在8类情感中排名前列,说明其情感识别较好. 局限:由于本文依赖于情感词典进行情感分析,因此为了更好的分析结果,情感词典仍需进一步完善. 结论:本方法具有较高的识别率和可靠性,能够更好地对微博上的情感分类进行细粒度分析.

摘要： 针对由微博短文本特征规模大、自身特征较少等特点导致的数据稀疏性,提出一种基于特征簇的微博情感分类方法.提出的分类方法以大规模语料库为基础,利用word2vec模型学习词语之间潜在的语义关联,将单个词语表示成多维向量的形式;结合情感词典,提取出微博文本的情感特征集,在基于词向量计算词语相似度方法的基础上,将情感特征合并为特征簇,以此构造低维的文本向量;最后利用机器学习算法,构建情感分类器,实现微博短文本的情感分类.实验结果表明,本文提出的方法对情感特征的降维是可行和有效的,并且取得很好的情感分类效果.

摘要： 针对某一类产品的文本倾向性分析成为了现在研究的热点。该文以搜索引擎的媒体报道为出发点,使用已有的情感词典集合,以及通过信息熵的方法从训练集合中提取特征词,采用贝叶斯分类方法对文本进行倾向性分析,将媒体新闻分为正面报道、负面报道和无倾向性3类,得到了比较理想的正确率。

摘要： 随着互联网整体水平的提高,大量基于维吾尔语的网络信息不断建立,引起了对不同领域的信息进行情感倾向性分析的迫切需要.本文考虑到维吾尔文没有足够的情感训练语料和完整的情感词典,结合机器学习方法和词典方法的优点,构建一个分类器模型LCUSCM(Lexicon-based and Corpus-based Uyghur Text Sentiment Classification Model),先用自己构建的维吾尔文情感词典对语料进行高质量的情感分类,分类过程中对词典进行递归扩充,再根据每条句子的情感得分,从词典分类的结果中选择一部分语料来训练一个分类器并改进第一步的分类结果.结合方法的正确率比单独使用机器学习方法提高了9.13％,比词典方法提高了1.82％.

摘要： 本发明涉及一种结合At_GRU神经网络与情感词典的旅游评价情感分类方法，用以根据游客对该旅行全程的评价文本实现旅游用户对旅游整体的评价语义分类，包括以下步骤：1)情感特征处理阶段：通过构建复合型旅游专用情感词典对旅游评论中的情感特征进行向量化处理；2)数据预处理阶段：对原始评论文本训练词向量并进行上下文向量拼接，将拼接后的向量与向量化后的情感特征进行融合，作为双向GRU神经网络的输入；3)双向GRU文本语义分类模型阶段：训练双向GRU神经网络并对旅游评价情感进行分类。与现有技术相比，本发明具有精确度高、考虑情感词典的准确度和机器学习的鲁棒性等优点。

摘要： 本发明提供一种嵌入情感词典的注意力机制循环神经网络文本情感分析法。该发明主要根据获取的英文评论，对其情感极性进行标注。通过爬虫或其他软件获取需要的语料集，首先进行去除停用词的操作，接着采用word2vec算法对处理后的语料进行训练来得到相应的词向量。将训练集输入到基于注意力机制的循环神经网络(RNN/LSTM)结构中，在实现注意力权重训练的过程中，将词语的情感极性程度嵌入进去，使模型的关注点更接近于人类的理解，最终提高了文本情感分析的准确度。

摘要： 本发明提供了一种基于情感词典和支持向量机的文本情感分析方法。所述基于情感词典和支持向量机的文本情感分析方法包括如下步骤：将新闻文本数据向量化，对训练新闻数据进行类别和情感倾向标注；对新闻文本的不同类别建立分类模型；根据新闻类别和对应的情感词典来提取新闻文本中的情感词特征数据；对添加了情感词特征数据的不同类别的新闻文本建立情感倾向分类模型；将测试新闻文本数据向量化并通过类别分类器进行分类，然后提取情感词特征，最后在对应的情感分类模型上计算得到新闻的情感倾向信息。所述基于情感词典和支持向量机的文本情感分析方法在对新闻文本进行学习的过程中加入了情感特征信息，有利于提高新闻情感分析的准确度。

摘要： 本发明提供了一种基于新型情感词典的网络平台短文本混合情感分类方法，该方法将已经标记好情感的样本中的文本进行分词处理；统计每个词在某个情感的所有样本中的词频；并利用每个词的词频计算出每个词所对应的情感权重；将每个词的情感权重记录下来，得到一个新型的情感词典；利用新型情感词典对待分类的样本进行情感权重计算，得到一个包含了每种情感的情感权重的情感向量；将该情感向量输入到深度学习模型中，作为深度学习模型输入层的特征表示；最终得到混合情感分类结果。该方法将网络平台的短文本中的情感浓缩到了一个简短的情感向量之中，从而提升了利用深度学习实现混合情感分类的训练速度以及减少了模型在训练时的内存占用量。

摘要： 本发明涉及计算机领域，具体是基于情感传播的隐式情感词典生成方法，包括如下步骤：步骤一、通过网络爬虫技术提取出社交媒体中的文本数据，并对非正式文本数据进行处理，恢复成自然语言；步骤二、通过词法与句法分析将句子构成句法树，将句法树中的名词、动词以及形容词提取出来构建成为完全图；步骤三、在完全图中进行情感传播，当情感传播结束后即可获得隐式情感词典，解决了隐式情感词典的构建通过人工标注数据，耗费人力物力以及时间的问题。

摘要： 本发明提供一种基于情感词典实体的情感得分的分析处理方法，属于自然语言处理领域，本发明包括6个步骤：1)词典准备；2)建立定义实体的结构，3)建立实体比较器；4)根据建立的实体遍历待分析文本，产生所有的候选实体；5)筛选候选实体；6)计算情感得分。本方法使用情感词典等四个词典创建实体，在实体的遍历上进行了细粒度的处理，减小了误差。

摘要： 本发明公开了一种基于SOPMI算法的情感词典扩充方法及情感极性分析方法，包括以下步骤：收集舆情文本数据；收集褒义词贬义词作为种子词；利用SOPMI算法计算词语的情感分数并生成情感词典；利用jieba对文本数据进行分词，并提取其中的名词和动词；利用名词和动词的分数加权对文本信息进行打分。解决了大多数情感极性分析智能基于现有情感词典，无法生成自己项目专有的情感词典。

摘要： 一种基于情感词典的情感增强装置，其特征在于：包括功能模块如下：第一功能模块是数据抓取和存储，在本服务器上采取数据抓取方式，情感词典的情感词语与其情感标签；第二功能模块是构造知识图谱三元组；第三功能模块是获得情感增强向量矩阵；第四功能模块是获得预测的情感标签；第五功能模块是训练情感增强向量；第六功能模块是获得情感增强后的词向量，提取出所述训练好的情感增强矩阵R’，并与所述词向量矩阵X相加，得到所述情感增强后的词向量E。

摘要： 本发明公开了一种基于金融情感词典的情感倾向性分析与评价模型，包括专有词汇白名单、中文分词器、情感词词典、否定词词典、程度副词词典、情感词位置词典、否定词位置词典、程度副词位置词典、情感分数输出模块和等级判断模块，通过中文分词器读取文本并进行分词，所述情感分数输出模块计算文本的情感分数，并通过等级判断模块输出文本等级，即可得出文本情感倾向水平。本发明中，本发明的情感倾向性分析模型是服务于聊天机器人的，想区分的不是传统模型所致力的区分真正的情感，而是区分一个是否问题，并且重点也需要区分出客户转移话题的意图，通过对用户回复进行两次等级判断，并给出对应的结果，更好地提升了用户体验度和聊天机器人的交互性。

摘要： 本发明公开了一种基于情感词典加权的酒店评论情感极性分类方法，使用中文酒店评论语料公开数据集，然后将酒店评论文本数据进行清理和提取后，送入基于情感词典加权的朴素贝叶斯情感极性分类器模型中进行训练与测试，预测结果以精确率、召回率和F1值等指标进行评估，为消费者和商家提供更精确的决策支持。本发明提供的一种基于情感词典加权的酒店评论情感极性分类方法，是针对消费者对符合自身兴趣以及酒店服务质量的优质酒店入住需求的应用方法，解决了酒店特定领域语料库的缺乏、朴素贝叶斯算法的独立性假设问题带来的影响，满足了消费者主观选择的正确性，应用情感词典提高了情感极性分类模型时效性和针对性，满足实际应用需求。