基于语义的文本倾向性分析与研究

论文摘要

近年来,随着Internet技术的快速发展,越来越多的网络信息应运而生。然而,人们不再仅仅认为Internet是获取信息的仓库,更成为发表观点、交流看法的园地。对于互联网用户来说,他们可以通过Internet发表对某件热点事件的看法和建议,或了解相关企业的产品质量和服务;对企业来说,他们可以通过建立产品评论专栏,进行市场调查与分析,了解用户对产品的意见和建议,以改进产品性能和售后服务。为了从大量的网络信息中获取有用的信息,对文本倾向性分析研究的重要性得到了国内外学者的高度重视。对文本的倾向性进行分析,其主要目的是判断评论者对评论对象的情感倾向。本课题的主要工作概括如下:（1）分析了传统的文本倾向性分析方法,并指出了其中的不足。通过对语义信息和语义倾向的理论知识分析,讨论了三种基于语义倾向的语义分析方法。（2）在深入研究HNC基本理论的基础上提一出了基于HNC概念基元符号体系理论的语义相关度计算方法,并给出了语义相关度计算公式。最后将基于HNC的语义相关度方法运用到词语的原始极性计算上。（3）提出一种基于I-SBV极性传递文本倾向性算法。首先给出文本倾向性分析的整体流程,分析了当前流行的三种文本倾向性算法,针对网络评论的特点对SBV极性传递算法进行了改进。最后实验证明了改进算法的有效性。（4）对基于I-SBV极性传递算法的餐馆评论系统进行了整体设计,并详细介绍了各主要模块。本文还分别对餐馆的四个特征项（价格、菜品、环境、服务）进行分析,并定义多个指标来衡量评测结果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 选题背景
• 1.2 国内外研究情况
• 1.2.1 词语倾向性分析
• 1.2.2 句子倾向性分析
• 1.2.3 文本倾向分析
• 1.3 本文创新点
• 1.4 本文的组织结构
• 第二章 基于语义的文本倾向性分析基础
• 2.1 传统的文本倾向性分析方法
• 2.2 基于语义的文本倾向性
• 2.2.1 语义信息
• 2.2.2 语义相似度和语义相关度
• 2.2.3 语义倾向定义
• 2.2.4 基于语义的文本倾向性分析
• 2.3 基于语义倾向的语义分析方法
• 2.3.1 潜在语义索引分析
• 2.3.2 逐点分析
• 2.3.3 基于HowNet的语义倾向计算
• 2.4 本章小结
• 第三章 基于HNC的语义相关度算法与词语极性算法
• 3.1 HNC理论简介
• 3.1.1 网络语言符号
• 3.1.2 概念的一般表达式
• 3.1.3 组合符号
• 3.1.4 五元组
• 3.2 基于HNC的语义相关度计算方案
• 3.2.1 概念基元相关度的计算
• 3.2.2 概念相关度的计算
• 3.2.3 基于HNC语义的相关度算法的实现
• 3.3 基于HNC的语义相关度计算词语的原始极性算法
• 3.3.1 算法框架
• 3.3.2 算法描述
• 3.3.3 实验测试
• 3.4 本章小结
• 第四章 改进的文本倾向性算法
• 4.1 算法整体框架
• 4.2 文本预处理
• 4.2.1 构建特征词库
• 4.2.2 中文分词
• 4.2.3 去除停用词
• 4.3 基于上下文的词语的倾向性分析
• 4.3.1 关联词规则
• 4.3.2 基于上下文的段落倾向性分析
• 4.4 文本倾向性算法
• 4.4.1 SBV极性传递算法描述
• 4.4.2 I-SBV极性传递算法
• 4.4.3 基于I-SBV极性传递的文本倾向性算法
• 4.5 实验结果及分析
• 4.5.1 极性测试指标概念定义
• 4.5.2 极性识别测试
• 4.5.3 测试效率分析
• 4.6 本章小结
• 第五章 文本倾向性分析在餐馆评论中的应用
• 5.1 国内外消费评论系统的发展状况
• 5.2 系统的整体设计
• 5.2.1 系统功能概述
• 5.2.2 系统数据处理流程
• 5.2.3 特征词库的构建
• 5.2.4 基本概念
• 5.2.5 分项特征识别
• 5.2.6 绝对分数计算
• 5.2.7 相对分数计算
• 5.3 系统测试
• 5.4 本章小结
• 第六章 总结与展望
• 致谢
• 参考文献
• 攻读硕士学位期间已发表或录用的论文