【每日一题】基于文本的文本情感倾向研究

文章范 2022-01-11

1990年代后期,外文情感分析已经开始。早期,Riloff 和 Shepherd [2] 对基于文本数据的语义词典构建进行了相关研究。McKeown[3]发现连词限制了大规模文本数据集中形容词的语义表达,进而对英语中形容词和连词的情感倾向进行了研究。此后,越来越多的研究开始考虑特征词和情感词之间的关系。Turney [4] 等方法利用点互信息扩展正负情感词典,在分析文本情感时使用极性语义算法,在处理一般语料数据时达到 74%。苗[5]等近年来的研究,在前人研究的基础上,实施了基于特征级别的分析,并详细阐述了产品评论的四重提取概念。25177 Narayanan [6] 等人结合各种特征及其相关信息,提出了一种基于分句、结果句和整句的分类方案,取得了良好的效果。庞等人。[7, 8] 使用机器学习方法将具有正面和负面情绪的电影评论分类为文本。他分别使用支持向量机、最大熵和朴素贝叶斯算法进行分类实验。通过对分类结果的分析,他发现支持向量机的分类准确率达到了80%。最佳性能。可见,机器学习在外语情感分析方面有着理想的应用前景。纸网 25177 Narayanan [6] 等人结合各种特征及其相关信息,提出了一种基于分句、结果句和整句的分类方案,取得了良好的效果。庞等人。[7, 8] 使用机器学习方法将具有正面和负面情绪的电影评论分类为文本。他分别使用支持向量机、最大熵和朴素贝叶斯算法进行分类实验。通过对分类结果的分析,他发现支持向量机的分类准确率达到了80%。最佳性能。可见,机器学习在外语情感分析方面有着理想的应用前景。纸网 25177 Narayanan [6] 等人结合各种特征及其相关信息,提出了一种基于分句、结果句和整句的分类方案,取得了良好的效果。庞等人。[7, 8] 使用机器学习方法将具有正面和负面情绪的电影评论分类为文本。他分别使用支持向量机、最大熵和朴素贝叶斯算法进行分类实验。通过对分类结果的分析,他发现支持向量机的分类准确率达到了80%。最佳性能。可见,机器学习在外语情感分析方面有着理想的应用前景。纸网 结果句和整句,取得了很好的效果。庞等人。[7, 8] 使用机器学习方法将具有正面和负面情绪的电影评论分类为文本。他分别使用支持向量机、最大熵和朴素贝叶斯算法进行分类实验。通过对分类结果的分析,他发现支持向量机的分类准确率达到了80%。最佳性能。可见,机器学习在外语情感分析方面有着理想的应用前景。纸网 结果句和整句,取得了很好的效果。庞等人。[7, 8] 使用机器学习方法将具有正面和负面情绪的电影评论分类为文本。他分别使用支持向量机、最大熵和朴素贝叶斯算法进行分类实验。通过对分类结果的分析,他发现支持向量机的分类准确率达到了80%。最佳性能。可见,机器学习在外语情感分析方面有着理想的应用前景。纸网 和朴素贝叶斯算法分别用于分类实验。通过对分类结果的分析,他发现支持向量机的分类准确率达到了80%。最佳性能。可见,机器学习在外语情感分析方面有着理想的应用前景。纸网 和朴素贝叶斯算法分别用于分类实验。通过对分类结果的分析,他发现支持向量机的分类准确率达到了80%。最佳性能。可见,机器学习在外语情感分析方面有着理想的应用前景。纸网

国内的徐林宏和林鸿飞[9]通过人工和自动生成的方式构建了情感词典本体数据库情感表达国内外,提取了影响句子情感的9个语义特征,并对情感分析研究进行了初步检测。李盾、曹福元[10]等从语言学的角度,根据中心词对短语情感倾向的影响,提出了一种基于中心词的情感倾向计算方法。近年来,温斌[11]等。提出了一种基于文本语义的文本情感分类,分析了文本情感取向是否受到程度副词的出现等规律的影响,从而提高了有效判断情感取向的算法的性能。随着研究的深入,学者们对情感分析算法进行了改进,并将其应用于不同的行业进行实践,如赵艳艳等人。[12],王素格等。[13],都取得了Nice的结果。他们通过自动获取句法路径来描述评价对象和评价词之间的关系,以及基于情感词粗略隶属度的文本分类方法。他们将情感分析应用于电子商务评估和汽车评估预测。国内外文本情感分析研究现状:他们通过自动获取句法路径来描述评价对象和评价词之间的关系,以及基于情感词粗略隶属度的文本分类方法。他们将情感分析应用于电子商务评估和汽车评估预测。国内外文本情感分析研究现状:他们通过自动获取句法路径来描述评价对象和评价词之间的关系情感表达国内外,以及基于情感词粗略隶属度的文本分类方法。他们将情感分析应用于电子商务评估和汽车评估预测。国内外文本情感分析研究现状:

版权声明

本文仅代表作者观点,不代表本站立场。
本文系作者授权本站发表,未经许可,不得转载。

分享:

扫一扫在手机阅读、分享本文