第12卷第4期 智能系统学报 Vol.12 No.4 2017年8月 CAAI Transactions on Intelligent Systems Aug.2017 D0I:10.11992/is.201607023 网络出版地址：http://kns.cmki.net/kcms/detail/23.1538.tp.20170405.1519.002.html 认知视角下的舆论观点句情感计算 张冬慧，程显毅2 (1.北京信息科技大学计算中心，北京100192：2.南通大学计算机科学与技术学院，江苏南通226019) 摘要：针对目前观点分析方法局限于传统的文本分析技术，只能将舆论观点句分为肯定和否定两极或确定每一极 的程度（粗粒度），不能进一步给出舆论观点句是积极的还是消极的程度的问题。本文从认知学角度研究细粒度语 义情感计算框架。提出了一种舆情观点句的定量分析方法，该方法将对于某话题的文本集合作为输入，输出一个实 数表示文本中所表达观点的能量。本文在NPR共享平台上进行了相关实验，给出了粗粒度情感和细粒度情感对 观点句识别的对比实验，实验表明，两种方法对观点句的识别性能相差不大：对非观点句细粒度方法好于粗粒度 方法。 关键词：认知；情感计算；舆论观点句；观点的能量；消极；积极；语义；粗粒度；细粒度 中图分类号：TP391.1文献标志码：A文章编号：1673-4785(2017)04-0498-06 中文引用格式：张冬慧，程显毅.认知视角下的舆论观点句情感计算[J].智能系统学报，2017,12(4)：498-503. 英文引用格式：ZHANG Donghui,CHENG Xianyi..Research on computation of affect in public opinion sentences from the cognition viewpoint[]CAAI transactions on intelligent systems,2017,12(4):498-503. Research on computation of affect in public opinion sentences from the cognition viewpoint ZHANG Donghui',CHENG Xianyi2 (1.Computing Center,Beijing Information Science Technology University,Beijing 100192,China;2.School of Computer Science and Technology,Nantong University,Nantong 226019,China Abstract:The current viewpoint analysis method is limited to the traditional text analysis technology,whereby a public opinion sentence can only be divided into positive and negative poles and the extent of each pole (coarse- grained)determined.It is difficult to determine whether a public opinion sentence is active or passive.In this paper,we discuss a computation framework for fine-grained semantic sentiments from the cognitive science viewpoint and propose a quantitative analysis method for public opinion sentences.This method takes the text collection of some topic as input and uses a real number to represent the energy of a viewpoint in the text.We conducted an experiment using the Natural Language Processing and Information Retrieval NLPIR)sharing platform and a contrasting experiment with respect to view recognition by comparing coarse-grained and fine-grained affects.The experimental results show that the two methods have the same recognition performance regarding sentence viewpoints.For no-opinion sentences,the fine-grained method performs better than the coarse-grained method. Keywords:cognitive;sentiment computer;public opinion sentence;energy of view;active;negative;semantic; coarse-grained;fine granularity 当前，计算文本情感主要采用情感词加权、语 情感倾向程度。 义模式等技术山。语义模式技术，首先提取句子情 文献[2]从认知学角度出发，考虑到情绪和认 感特征，然后确定句子的情感色彩，但是语义模式 知的关系，提出一种文本情感计算的认知模型，该 方法对于没有明显情感词的句子，无法判断句子的 模型核心是引入了情感图式，但情感图式的构造主 收稿日期：2016-07-23.网络出版日期：2017-04-05 要以手工标注为主，缺少推理功能。任巨伟等)在 基金项目：国家自然科学基金项目(61340037). 文献[2]的基础上提出了一种新的情感图式构造方 通信作者：程显毅.E-mail:xycheng@(ntu.cdu.cn
第 １２ 卷第 ４ 期 智 能 系 统 学 报 Ｖｏｌ．１２ №．４ ２０１７ 年 ８ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ａｕｇ． ２０１７ ＤＯＩ：１０．１１９９２ ／ ｔｉｓ．２０１６０７０２３ 网络出版地址：ｈｔｔｐ： ／ ／ ｋｎｓ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ｔｐ．２０１７０４０５．１５１９．００２．ｈｔｍｌ 认知视角下的舆论观点句情感计算 张冬慧１ ，程显毅２ （１．北京信息科技大学 计算中心，北京 １００１９２； ２．南通大学 计算机科学与技术学院，江苏 南通 ２２６０１９） 摘 要：针对目前观点分析方法局限于传统的文本分析技术，只能将舆论观点句分为肯定和否定两极或确定每一极 的程度（粗粒度），不能进一步给出舆论观点句是积极的还是消极的程度的问题。 本文从认知学角度研究细粒度语 义情感计算框架。 提出了一种舆情观点句的定量分析方法，该方法将对于某话题的文本集合作为输入，输出一个实 数表示文本中所表达观点的能量。 本文在 ＮＬＰＩＲ 共享平台上进行了相关实验，给出了粗粒度情感和细粒度情感对 观点句识别的对比实验，实验表明，两种方法对观点句的识别性能相差不大；对非观点句细粒度方法好于粗粒度 方法。 关键词：认知；情感计算；舆论观点句；观点的能量；消极；积极；语义；粗粒度；细粒度 中图分类号：ＴＰ３９１．１ 文献标志码：Ａ 文章编号：１６７３－４７８５（２０１７）０４－０４９８－０６ 中文引用格式：张冬慧，程显毅．认知视角下的舆论观点句情感计算［Ｊ］． 智能系统学报， ２０１７， １２（４）： ４９８－５０３． 英文引用格式：ＺＨＡＮＧ Ｄｏｎｇｈｕｉ， ＣＨＥＮＧ Ｘｉａｎｙｉ． Ｒｅｓｅａｒｃｈ ｏｎ ｃｏｍｐｕｔａｔｉｏｎ ｏｆ ａｆｆｅｃｔ ｉｎ ｐｕｂｌｉｃ ｏｐｉｎｉｏｎ ｓｅｎｔｅｎｃｅｓ ｆｒｏｍ ｔｈｅ ｃｏｇｎｉｔｉｏｎ ｖｉｅｗｐｏｉｎｔ［Ｊ］． ＣＡＡＩ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ， ２０１７， １２（４）： ４９８－５０３． Ｒｅｓｅａｒｃｈ ｏｎ ｃｏｍｐｕｔａｔｉｏｎ ｏｆ ａｆｆｅｃｔ ｉｎ ｐｕｂｌｉｃ ｏｐｉｎｉｏｎ ｓｅｎｔｅｎｃｅｓ ｆｒｏｍ ｔｈｅ ｃｏｇｎｉｔｉｏｎ ｖｉｅｗｐｏｉｎｔ ＺＨＡＮＧ Ｄｏｎｇｈｕｉ １ ， ＣＨＥＮＧ Ｘｉａｎｙｉ ２ （１． Ｃｏｍｐｕｔｉｎｇ Ｃｅｎｔｅｒ， Ｂｅｉｊｉｎｇ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ＆ Ｔｅｃｈｎｏｌｏｇｙ Ｕｎｉｖｅｒｓｉｔｙ， Ｂｅｉｊｉｎｇ １００１９２， Ｃｈｉｎａ； ２． Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， Ｎａｎｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ， Ｎａｎｔｏｎｇ ２２６０１９， Ｃｈｉｎａ ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ｃｕｒｒｅｎｔ ｖｉｅｗｐｏｉｎｔ ａｎａｌｙｓｉｓ ｍｅｔｈｏｄ ｉｓ ｌｉｍｉｔｅｄ ｔｏ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｔｅｘｔ ａｎａｌｙｓｉｓ ｔｅｃｈｎｏｌｏｇｙ， ｗｈｅｒｅｂｙ ａ ｐｕｂｌｉｃ ｏｐｉｎｉｏｎ ｓｅｎｔｅｎｃｅ ｃａｎ ｏｎｌｙ ｂｅ ｄｉｖｉｄｅｄ ｉｎｔｏ ｐｏｓｉｔｉｖｅ ａｎｄ ｎｅｇａｔｉｖｅ ｐｏｌｅｓ ａｎｄ ｔｈｅ ｅｘｔｅｎｔ ｏｆ ｅａｃｈ ｐｏｌｅ （ ｃｏａｒｓｅ⁃ ｇｒａｉｎｅｄ） ｄｅｔｅｒｍｉｎｅｄ． Ｉｔ ｉｓ ｄｉｆｆｉｃｕｌｔ ｔｏ ｄｅｔｅｒｍｉｎｅ ｗｈｅｔｈｅｒ ａ ｐｕｂｌｉｃ ｏｐｉｎｉｏｎ ｓｅｎｔｅｎｃｅ ｉｓ ａｃｔｉｖｅ ｏｒ ｐａｓｓｉｖｅ． Ｉｎ ｔｈｉｓ ｐａｐｅｒ， ｗｅ ｄｉｓｃｕｓｓ ａ ｃｏｍｐｕｔａｔｉｏｎ ｆｒａｍｅｗｏｒｋ ｆｏｒ ｆｉｎｅ⁃ｇｒａｉｎｅｄ ｓｅｍａｎｔｉｃ ｓｅｎｔｉｍｅｎｔｓ ｆｒｏｍ ｔｈｅ ｃｏｇｎｉｔｉｖｅ ｓｃｉｅｎｃｅ ｖｉｅｗｐｏｉｎｔ ａｎｄ ｐｒｏｐｏｓｅ ａ ｑｕａｎｔｉｔａｔｉｖｅ ａｎａｌｙｓｉｓ ｍｅｔｈｏｄ ｆｏｒ ｐｕｂｌｉｃ ｏｐｉｎｉｏｎ ｓｅｎｔｅｎｃｅｓ． Ｔｈｉｓ ｍｅｔｈｏｄ ｔａｋｅｓ ｔｈｅ ｔｅｘｔ ｃｏｌｌｅｃｔｉｏｎ ｏｆ ｓｏｍｅ ｔｏｐｉｃ ａｓ ｉｎｐｕｔ ａｎｄ ｕｓｅｓ ａ ｒｅａｌ ｎｕｍｂｅｒ ｔｏ ｒｅｐｒｅｓｅｎｔ ｔｈｅ ｅｎｅｒｇｙ ｏｆ ａ ｖｉｅｗｐｏｉｎｔ ｉｎ ｔｈｅ ｔｅｘｔ． Ｗｅ ｃｏｎｄｕｃｔｅｄ ａｎ ｅｘｐｅｒｉｍｅｎｔ ｕｓｉｎｇ ｔｈｅ Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｒｅｔｒｉｅｖａｌ （ ＮＬＰＩＲ） ｓｈａｒｉｎｇ ｐｌａｔｆｏｒｍ ａｎｄ ａ ｃｏｎｔｒａｓｔｉｎｇ ｅｘｐｅｒｉｍｅｎｔ ｗｉｔｈ ｒｅｓｐｅｃｔ ｔｏ ｖｉｅｗ ｒｅｃｏｇｎｉｔｉｏｎ ｂｙ ｃｏｍｐａｒｉｎｇ ｃｏａｒｓｅ⁃ｇｒａｉｎｅｄ ａｎｄ ｆｉｎｅ⁃ｇｒａｉｎｅｄ ａｆｆｅｃｔｓ． Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｔｗｏ ｍｅｔｈｏｄｓ ｈａｖｅ ｔｈｅ ｓａｍｅ ｒｅｃｏｇｎｉｔｉｏｎ ｐｅｒｆｏｒｍａｎｃｅ ｒｅｇａｒｄｉｎｇ ｓｅｎｔｅｎｃｅ ｖｉｅｗｐｏｉｎｔｓ． Ｆｏｒ ｎｏ⁃ｏｐｉｎｉｏｎ ｓｅｎｔｅｎｃｅｓ， ｔｈｅ ｆｉｎｅ⁃ｇｒａｉｎｅｄ ｍｅｔｈｏｄ ｐｅｒｆｏｒｍｓ ｂｅｔｔｅｒ ｔｈａｎ ｔｈｅ ｃｏａｒｓｅ⁃ｇｒａｉｎｅｄ ｍｅｔｈｏｄ． Ｋｅｙｗｏｒｄｓ： ｃｏｇｎｉｔｉｖｅ； ｓｅｎｔｉｍｅｎｔ ｃｏｍｐｕｔｅｒ； ｐｕｂｌｉｃ ｏｐｉｎｉｏｎ ｓｅｎｔｅｎｃｅ； ｅｎｅｒｇｙ ｏｆ ｖｉｅｗ；ａｃｔｉｖｅ； ｎｅｇａｔｉｖｅ； ｓｅｍａｎｔｉｃ； ｃｏａｒｓｅ⁃ｇｒａｉｎｅｄ； ｆｉｎｅ ｇｒａｎｕｌａｒｉｔｙ 收稿日期：２０１６－０７－２３． 网络出版日期：２０１７－０４－０５． 基金项目：国家自然科学基金项目（６１３４００３７）． 通信作者：程显毅． Ｅ⁃ｍａｉｌ：ｘｙｃｈｅｎｇ＠ ｎｔｕ．ｅｄｕ．ｃｎ． 当前，计算文本情感主要采用情感词加权、语 义模式等技术［１］ 。 语义模式技术，首先提取句子情 感特征，然后确定句子的情感色彩，但是语义模式 方法对于没有明显情感词的句子，无法判断句子的 情感倾向程度。 文献［２］从认知学角度出发，考虑到情绪和认 知的关系，提出一种文本情感计算的认知模型，该 模型核心是引入了情感图式，但情感图式的构造主 要以手工标注为主，缺少推理功能。 任巨伟等［３］ 在 文献［２］的基础上提出了一种新的情感图式构造方
第4期 张冬慧，等：认知视角下的舆论观点句情感计算的研究 499· 法，利用上下位关系并结合认知语境扩充图式，增 同的，感受却大不相同。比如春天看到田野到处是 加图式的推理功能。但文献[3]没有区分情感和情 盛开的油菜花，有人觉得漂亮，想多看几眼，有人没 绪，不利于舆论观点句的情感计算。 觉得有什么特别，这就是感受。 在观点句的情感计算中，仅仅计算语句的肯定 常用描述感受的词包括：尊重、敬仰、欣赏、鄙 或否定还不够，需要知道肯定或否定的趋势，即是 视、舒服、满意、幸福、难过、安全、快乐等。 积极的还是消极的[4。 1.3情绪 本文首先依据认知学原理，将传统的情感细分 伴随着感受又会出现高兴或厌烦的体验，这时 为：情感、情绪和感受3类。区分后的情感称为细粒 又产生了另一种心理现象，就是情绪，是感受的外 度情感，区分前的情感称为粗粒度情感：然后再将 部表现。情绪没有对错，不同的感受就会有不同的 细粒度情感细分为舆论观，点和意见评价两个子类， 情绪。感受是内在的，通过情绪表现出来，让人能 最后关注奥论观点的情感计算。该方法输入的是 够觉察到。人的面部表情，说话的音调、节奏，肢 某一话题的文本集合，输出是[-1,1]的实数，其中 体，还有走路的步伐等都渗透着情绪。如：当人愤 正数表示积极的态度，负数表示消极的态度，绝对 怒的时候眉毛会立起来，恐惧时会大喊。于是通过 值越大表示态度越强烈。研究的动机有两个：1)观 人的外部的情绪表现，可以推测人的内在感受。面 点态度识别在舆情分析中需求迫切：2)从细粒度语 对客观事物时，首先产生的是感觉，然后是感受，最 义角度进行情感计算。 后发生的是情绪。但通常情况下是很难区分的。 1感觉、感受、情绪和情感 如：我看到老公醉醺醺的回来，脸立即拉下来了，直 接表达了情绪。其实是先看到他走路歪歪扭扭，然 1.1感觉 后听到他说话结结巴巴，又闻到浓浓的酒味，这些 感觉指人脑对直接作用于感觉器官的客观事 都是感觉。心里想，又喝醉了，几乎每天都是这样， 物的某些属性的反应。感觉是认识活动的开端，是 我非常不满，这是感受。我很生气，甚至愤怒，这是 人认识客观事物的第1步。其要点是：1)客观事物 情绪。外部表现是拉着脸，瞪着他或不理他。往往 直接作用于感觉器官：2)是对客观事物个别属性的 直接暴露的就是情绪。三者是密切联系在一起的， 反应。如我的身高属于我这个人的个别属性。我 甚至有时感到同时发生。而情绪的发生又会影响 衣服的颜色属于衣服的个别属性。颜色这个个别 到感官的工作状态。如：面对突发事件时，有人呆 属性直接作用于你的感觉器官，就是眼睛，具体说 若木鸡，有人急中生智。因此说情绪是能量，当情 是视网膜上的视细胞，接收信息的器官叫做感受 绪为我们服务，有助于我们达成目标时，情绪转化 器。感受器接受信息后，经传入神经，传输到大脑 的能量分为正能量和负能量。表1列举了部分描述 中枢，与大脑中枢已有的颜色的概念结合，得出这 是红色。这就是感觉[) 情绪的词[ 表1部分描述情绪的词 常用描述感觉的词包括：冷、热、亮、暗、臭、香、 Table 1 A part of describes emotional words 痛、痒等。 1.2感受 类别 描述词 感觉产生的同时，还有一定的感受。你觉得我 挫折 倒霉、无奈、泄气、无助、失望、颓丧 的衣服怎么样？漂亮还是难看？这就是你产生的 生气 震怒，恼怒、大怒、气愤、激怒、发狂、 感受。所有的人产生一样的感受吗？有人就觉得 憎恨 轻视、轻蔑、痛恨、厌恶、可恶、讥讽、排拒 这件衣服不好看不适合我，有人就觉得我穿红颜色 难过 悲伤、伤心、沮丧、悲哀 很好看。如果我们的感觉器官神经系统没有问题， 快乐 狂喜、高兴、欣喜、兴奋 所产生感觉的结果基本会相同，感受却可能 激动 悲喜交集、义愤填膺、百感交集、情不自禁 不同6。 害怕 恐慌、可怕、不安、心乱、慌乱、惊恐、焦虑 在感觉的基础上加上了主观判断而产生的心 惊讶 惊喜、震惊、叹为观止、吃惊、目瞪口呆 理现象称为感受。对同样的客观事物，不同个体可 优郁 闷闷、烦躁、郁闷、忧愁、苦闷、抑郁、沮丧 能会产生不同的感受，即使是同一个体，在不同的 时候对同一事物也会产生不同的感受)。当客观 惭愧 可惜、尴尬、遗憾、羞耻、愧疚、羞愧、后悔 事物直接作用于个体的感觉器官时，首先产生的是 紧张 彷徨、着急、焦急 感觉，之后才有了感受，一般情况下感觉大体是相 寂寞 无聊、孤独、孤单、寂寞、空虚
法，利用上下位关系并结合认知语境扩充图式，增 加图式的推理功能。 但文献［３］没有区分情感和情 绪，不利于舆论观点句的情感计算。 在观点句的情感计算中，仅仅计算语句的肯定 或否定还不够，需要知道肯定或否定的趋势，即是 积极的还是消极的［４］ 。 本文首先依据认知学原理，将传统的情感细分 为：情感、情绪和感受 ３ 类。 区分后的情感称为细粒 度情感，区分前的情感称为粗粒度情感；然后再将 细粒度情感细分为舆论观点和意见评价两个子类， 最后关注舆论观点的情感计算。 该方法输入的是 某一话题的文本集合，输出是［ －１，１］的实数，其中 正数表示积极的态度，负数表示消极的态度，绝对 值越大表示态度越强烈。 研究的动机有两个：１）观 点态度识别在舆情分析中需求迫切；２）从细粒度语 义角度进行情感计算。 １ 感觉、感受、情绪和情感 １．１ 感觉 感觉指人脑对直接作用于感觉器官的客观事 物的某些属性的反应。 感觉是认识活动的开端，是 人认识客观事物的第 １ 步。 其要点是：１）客观事物 直接作用于感觉器官；２）是对客观事物个别属性的 反应。 如我的身高属于我这个人的个别属性。 我 衣服的颜色属于衣服的个别属性。 颜色这个个别 属性直接作用于你的感觉器官，就是眼睛，具体说 是视网膜上的视细胞，接收信息的器官叫做感受 器。 感受器接受信息后，经传入神经，传输到大脑 中枢，与大脑中枢已有的颜色的概念结合，得出这 是红色。 这就是感觉［５］ 。 常用描述感觉的词包括：冷、热、亮、暗、臭、香、 痛、痒等。 １．２ 感受 感觉产生的同时，还有一定的感受。 你觉得我 的衣服怎么样？ 漂亮还是难看？ 这就是你产生的 感受。 所有的人产生一样的感受吗？ 有人就觉得 这件衣服不好看不适合我，有人就觉得我穿红颜色 很好看。 如果我们的感觉器官神经系统没有问题， 所产 生 感 觉 的 结 果 基 本 会 相 同， 感 受 却 可 能 不同［６］ 。 在感觉的基础上加上了主观判断而产生的心 理现象称为感受。 对同样的客观事物，不同个体可 能会产生不同的感受，即使是同一个体，在不同的 时候对同一事物也会产生不同的感受［７］ 。 当客观 事物直接作用于个体的感觉器官时，首先产生的是 感觉，之后才有了感受，一般情况下感觉大体是相 同的，感受却大不相同。 比如春天看到田野到处是 盛开的油菜花，有人觉得漂亮，想多看几眼，有人没 觉得有什么特别，这就是感受。 常用描述感受的词包括：尊重、敬仰、欣赏、鄙 视、舒服、满意、幸福、难过、安全、快乐等。 １．３ 情绪 伴随着感受又会出现高兴或厌烦的体验，这时 又产生了另一种心理现象，就是情绪，是感受的外 部表现。 情绪没有对错，不同的感受就会有不同的 情绪。 感受是内在的，通过情绪表现出来，让人能 够觉察到。 人的面部表情，说话的音调、节奏，肢 体，还有走路的步伐等都渗透着情绪。 如：当人愤 怒的时候眉毛会立起来，恐惧时会大喊。 于是通过 人的外部的情绪表现，可以推测人的内在感受。 面 对客观事物时，首先产生的是感觉，然后是感受，最 后发生的是情绪。 但通常情况下是很难区分的。 如：我看到老公醉醺醺的回来，脸立即拉下来了，直 接表达了情绪。 其实是先看到他走路歪歪扭扭，然 后听到他说话结结巴巴，又闻到浓浓的酒味，这些 都是感觉。 心里想，又喝醉了，几乎每天都是这样， 我非常不满，这是感受。 我很生气，甚至愤怒，这是 情绪。 外部表现是拉着脸，瞪着他或不理他。 往往 直接暴露的就是情绪。 三者是密切联系在一起的， 甚至有时感到同时发生。 而情绪的发生又会影响 到感官的工作状态。 如：面对突发事件时，有人呆 若木鸡，有人急中生智。 因此说情绪是能量，当情 绪为我们服务，有助于我们达成目标时，情绪转化 的能量分为正能量和负能量。 表 １ 列举了部分描述 情绪的词［８］ 。 表 １ 部分描述情绪的词 Ｔａｂｌｅ １ Ａ ｐａｒｔ ｏｆ ｄｅｓｃｒｉｂｅｓ ｅｍｏｔｉｏｎａｌ ｗｏｒｄｓ 类别 描述词 挫折 倒霉、无奈、泄气、无助、失望、颓丧 生气 震怒、恼怒、大怒、气愤、激怒、发狂、 憎恨 轻视、轻蔑、痛恨、厌恶、可恶、讥讽、排拒 难过 悲伤、伤心、沮丧、悲哀 快乐 狂喜、高兴、欣喜、兴奋 激动 悲喜交集、义愤填膺、百感交集、情不自禁 害怕 恐慌、可怕、不安、心乱、慌乱、惊恐、焦虑 惊讶 惊喜、震惊、叹为观止、吃惊、目瞪口呆 忧郁 闷闷、烦躁、郁闷、忧愁、苦闷、抑郁、沮丧 惭愧 可惜、尴尬、遗憾、羞耻、愧疚、羞愧、后悔 紧张 彷徨、着急、焦急 寂寞 无聊、孤独、孤单、寂寞、空虚 第 ４ 期 张冬慧，等：认知视角下的舆论观点句情感计算的研究 ·４９９·
·500· 智能系统学报 第12卷 1.4情感 所谓主观性情感就是自己由自己的认识、理 1.4.1情绪与情感的区别 解、看法所引发的心理反应。就是没有什么道理可 从它们产生的基础和特征表现上来看，情绪与 言，自然而然地就产生这种感情了，不受自我 情感有所区别町。 控制山。 1)情绪。情绪出现较早，取决于人的生理需 被观察事物的性质和规律不随观察者的意愿 要，是人和动物共有的特征。其特征是：情境性、暂 而改变的情感称为客观情感。如“股票涨了”就是 时性、冲动性、明显的外部表现。 客观情感句2。 2)情感。情感出现晚些，取决于人的社会需 2.2舆论观点句 要，是只有人才有的特征。情感的主要特征是：深 网络的匿名性、开放性、平等性、交互性等特点 刻性、稳定性。情绪常随着环境的变化而变化。情 不可避免地会出现一些不和谐“杂音”。因为所有 感多指内心的体验，不轻易表现流露出来。 网民都可以自由发表自己的信息或观点，为了使发 3)情绪与情感的联系。情绪和情感尽管有所 布的信息得到跟帖或采纳，就会突出感性色彩以产 不同，但却是密不可分。情感是在多次情绪体验的 生感染力和影响力。因此，在网络空间，不加证实 基础上形成了的，并通过情绪表现出来：反过来，情 随意发布信息，或有意制造假消息是不可避免的， 绪的表现受到情感的制约。所以，情绪是情感的基 以至于造成网络欺骗，一些网民哗众取宠、使得网 础，情感是情绪的深化。 上出现非理性的语言人身攻击、漫骂等。所以研究 1.4.2描述情感的词 舆论观点句判别方法成为网络信息安全迫切需要 表2列出了部分描述情感的词语[」 解决的问题。 由于我们对情感加以限制，排除了感觉、感受 表2部分描述情感的词 和情绪的词语，所以舆论观点句就是包含主观情感 Table 2 A part of describes sentiment words 词语的句子。 类别 描述词 主张 声称、断言、要求 3舆论观点句情感计算 支持 提倡、拥护、倡议、支持、赞成、同意 3.1 主观特征词本体构建 反对 否认、与…相背、与…矛盾、反驳 人之所以比机器聪明，一个很重要的因素就是 好处 有利于、积极、有益于、值得 人有解决问题的领域常识或语境知识（本体），在解 决问题中有着特殊的作用。 弊端 损失、不利、有害、消极、短处、缺陷 本文使用的领域本体包括：褒贬词典 重要 基本、本质、内在、精华、必不可少 Hownet情感词典s)、台湾大学NTUSD情感词典[] 普遍 广泛、流行、通用 等词典资源。因为粗粒度情感词大部分和舆论观 争论 争议、异议、余地 点的判别关系不大，首先去除感受词和情绪词，然 假设 认为、推向、猜想、料想、预报、预言 后进行筛选和整理，最后确定426个静态情感词，其 趋势 走向、带来、引起、导致、结果是 中正向情感词287个，负向情感词139个，在此基础 上，增加程度副词、否定词、连词、动词、代词、叹词、 探素 探测、探讨、检查、调查、确定、鉴定 疑问词、敏感词、网络用语集，扩展后的主观特征词 2 舆论观点句 汇本体并不是封闭的，在系统工作时，用GATE(16-1] 向本体中动态添加新的主观特征词。 2.1主观情感与客观情感 主观特征词汇本体中概念层次关系如图1所示 情感是人的本性，但它是主观和客观对立统一 (片段)。矩形框代表本体类别，圆框代表本体实 的产物。客观事物是情感产生的源泉，人的主观需 例，每个实例附带的数字是该特征在主观性判别所 要是情感产生的内在原因。情感作为信息加工、调 起的作用，我们称之为主观性权重，取值在[-1,1]。 节主体行为的一种方式，成为主体反映客体的特殊 取负表示有利于持反对观点的主观句判别，取正表 形式，对人的思维方式发生影响。它影响着思维的 示有利于持支持观点的主观句判别。本体共收录 波动性、非逻辑性、选择性和指向性。它可以转化 18个否定词、219个程度副词、68个连词、21个情感 为个体的思维动机。所以，情感与“主观性”有关也 动词、17个叹词、25个疑问词、210个敏感词、185个 与“客观性”有关。 网络流行词
１．４ 情感 １．４．１ 情绪与情感的区别 从它们产生的基础和特征表现上来看，情绪与 情感有所区别［９］ 。 １）情绪。 情绪出现较早，取决于人的生理需 要，是人和动物共有的特征。 其特征是：情境性、暂 时性、冲动性、明显的外部表现。 ２）情感。 情感出现晚些，取决于人的社会需 要，是只有人才有的特征。 情感的主要特征是：深 刻性、稳定性。 情绪常随着环境的变化而变化。 情 感多指内心的体验，不轻易表现流露出来。 ３）情绪与情感的联系。 情绪和情感尽管有所 不同，但却是密不可分。 情感是在多次情绪体验的 基础上形成了的，并通过情绪表现出来；反过来，情 绪的表现受到情感的制约。 所以，情绪是情感的基 础，情感是情绪的深化。 １．４．２ 描述情感的词 表 ２ 列出了部分描述情感的词语［１０］ 。 表 ２ 部分描述情感的词 Ｔａｂｌｅ ２ Ａ ｐａｒｔ ｏｆ ｄｅｓｃｒｉｂｅｓ ｓｅｎｔｉｍｅｎｔ ｗｏｒｄｓ 类别 描述词 主张 声称、断言、要求 支持 提倡、拥护、倡议、支持、赞成、同意 反对 否认、与……相背、与……矛盾、反驳 好处 有利于、积极、有益于、值得 弊端 损失、不利、有害、消极、短处、缺陷 重要 基本、本质、内在、精华、必不可少 普遍 广泛、流行、通用 争论 争议、异议、余地 假设 认为、推向、猜想、料想、预报、预言 趋势 走向、带来、引起、导致、结果是 探索 探测、探讨、检查、调查、确定、鉴定 ２ 舆论观点句 ２．１ 主观情感与客观情感 情感是人的本性，但它是主观和客观对立统一 的产物。 客观事物是情感产生的源泉，人的主观需 要是情感产生的内在原因。 情感作为信息加工、调 节主体行为的一种方式，成为主体反映客体的特殊 形式，对人的思维方式发生影响。 它影响着思维的 波动性、非逻辑性、选择性和指向性。 它可以转化 为个体的思维动机。 所以，情感与“主观性”有关也 与“客观性”有关。 所谓主观性情感就是自己由自己的认识、理 解、看法所引发的心理反应。 就是没有什么道理可 言，自 然 而 然 地 就 产 生 这 种 感 情 了， 不 受 自 我 控制［１１］ 。 被观察事物的性质和规律不随观察者的意愿 而改变的情感称为客观情感。 如“股票涨了” 就是 客观情感句［１２］ 。 ２．２ 舆论观点句 网络的匿名性、开放性、平等性、交互性等特点 不可避免地会出现一些不和谐“杂音”。 因为所有 网民都可以自由发表自己的信息或观点，为了使发 布的信息得到跟帖或采纳，就会突出感性色彩以产 生感染力和影响力。 因此，在网络空间，不加证实 随意发布信息，或有意制造假消息是不可避免的， 以至于造成网络欺骗，一些网民哗众取宠、使得网 上出现非理性的语言人身攻击、谩骂等。 所以研究 舆论观点句判别方法成为网络信息安全迫切需要 解决的问题。 由于我们对情感加以限制，排除了感觉、感受 和情绪的词语，所以舆论观点句就是包含主观情感 词语的句子。 ３ 舆论观点句情感计算 ３．１ 主观特征词本体构建 人之所以比机器聪明，一个很重要的因素就是 人有解决问题的领域常识或语境知识（本体），在解 决问题中有着特殊的作用。 本文使用的领域本体包括： 褒贬词典［１３－１４］ 、 Ｈｏｗｎｅｔ 情感词典［１５］ 、台湾大学 ＮＴＵＳＤ 情感词典［９］ 等词典资源。 因为粗粒度情感词大部分和舆论观 点的判别关系不大，首先去除感受词和情绪词，然 后进行筛选和整理，最后确定 ４２６ 个静态情感词，其 中正向情感词 ２８７ 个，负向情感词 １３９ 个，在此基础 上，增加程度副词、否定词、连词、动词、代词、叹词、 疑问词、敏感词、网络用语集，扩展后的主观特征词 汇本体并不是封闭的，在系统工作时，用 ＧＡＴＥ ［１６－１７］ 向本体中动态添加新的主观特征词。 主观特征词汇本体中概念层次关系如图 １ 所示 （片段）。 矩形框代表本体类别，圆框代表本体实 例，每个实例附带的数字是该特征在主观性判别所 起的作用，我们称之为主观性权重，取值在［ －１，１］。 取负表示有利于持反对观点的主观句判别，取正表 示有利于持支持观点的主观句判别。 本体共收录 １８ 个否定词、２１９ 个程度副词、６８ 个连词、２１ 个情感 动词、１７ 个叹词、２５ 个疑问词、２１０ 个敏感词、１８５ 个 网络流行词。 ·５００· 智 能 系 统 学 报 第 １２ 卷
第4期 张冬慧，等：认知视角下的舆论观点句情感计算的研究 ·501. 3.2主观句判别算法 Onto(t)I 1)对语料自动分词和词性标注算法[)]： 0(S)= 0 (1) 2)对词性标注后的句子，提取全部连续的 ΠOnto(t) 2-ram模式； 式中：w(S)为句子S的主观性权重：o为句子S的 3)根据2)提取出的2-gram模式计算2-gram模 主观性2-gram模式个数，n为S的2-gram模式个 式主观性权重Onto(t)。 数，式(1)分子是句子主观性系数，分母是对在句子 4)根据式(1)计算句子的主观性权重w(S): 出现的本体实例权重之积的归一化。 主观特征词 情感词 实词 虚词 歧义词 敏感词 义 贬义 动词 代词 叹词 连词 副词 符号歧义网路用语 主权 邪教 恐怖 组织 义愤 迫不 填膺 及待 认为 人 指示川疑问 代词 代词代词 何必 否定 程度 稀饭 钓鱼法轮 东突 、岛人 功 0.42 -0.35 0.98 08 0.13 0.46 -0.88 -0.87 -0.97 第 第二 第一 第三 人称 人称 人称 人称 0.51 0.86 我看 你看 这个 那个 0.76 0.71 0.38 0.32 图1主观特征词汇本体片段 Fig.1 The fragment of subjective feature words ontology 如果w(S)>a,则识别句子S为主观性句子，阈 表3给出了粗粒度情感和细粒度情感对观，点句 值α是一个经验常数。 识别的对比实验，粗粒度情感的观点句识别采用文 3.3实验结果分析 献[20]抽取主观模式的方法。 1)实验数据 结果表明，两种方法对观点句的识别性能相差 为了推动主观性判别的研究，北京理工大学张 不大，并且准确率和召回率不尽人意，可能的原因 华平博士曾在NLPIR共享平台分享了微博语 是本体的构造还有待改进，也可能是人为对语料的 料8]，此外NP&CC2012评测集等9，极大地方 标注有问题。对非观点句细粒度方法好于粗粒度 便了主观性判别的研究分析。这些语料评价的力 方法，原因是有一些非观点句包含了观点句的模式。 度较粗，不适合本文的实验。所以，本文的实验语 表3粗粒度情感和细粒度情感对观点句识别的对比实验 料，来自采集2016年3月10日~6月10日期间新 Table 3 Experiments of view recognition to compare coarse- 浪微博热门话题数据集，共包含28个热门话题，其 grained affection with fine-grained affection 中每个话题约有1000条左右的微博。采用投票策 准确率 召回率 略对训练语料进行标注，首先由4人分别对同一个 方法 句子进行标注，然后由第5个人对标注结果进行核 非观点句 观点句 非观点句观点句 查，别除意见分歧较大、主观性不易确定的句子。 粗粒度 98.8 87.5 76.2 84.1 为使训练语料更加平衡，本文最终收集的训练语料 细粒度 100 87.8 98.5 82.5 共包含非观，点句500条，观点句480条，其中正能量 观点句250条，负能量观点句230条。对语料2/3 3)观点能量值计算性能分析 作训练，1/3作测试。 根据式(1)，每个句子都映射为[-1,1]的一个 2)观点句分类性能分析 实数。实验的目的验证通过定量的方法来对文本
３．２ 主观句判别算法 １）对语料自动分词和词性标注算法［８］ ； ２） 对 词 性 标 注 后 的 句 子， 提 取 全 部 连 续 的 ２⁃ｇｒａｍ模式； ３）根据 ２）提取出的 ２⁃ｇｒａｍ 模式计算 ２⁃ｇｒａｍ 模 式主观性权重 Ｏｎｔｏ（ｔ）。 ４）根据式（１）计算句子的主观性权重 ｗ（Ｓ）： ｗ（Ｓ） ＝ ｏ ｎ ｔ∈∏２＿ｐｏｓ Ｏｎｔｏ（ｔ） ｜ ｔ∈∏２＿ｐｏｓ Ｏｎｔｏ（ｔ） （１） 式中：ｗ（Ｓ）为句子 Ｓ 的主观性权重； ｏ 为句子 Ｓ 的 主观性 ２⁃ｇｒａｍ 模式个数，ｎ 为 Ｓ 的 ２⁃ｇｒａｍ 模式个 数，式（１）分子是句子主观性系数，分母是对在句子 出现的本体实例权重之积的归一化。 图 １ 主观特征词汇本体片段 Ｆｉｇ．１ Ｔｈｅ ｆｒａｇｍｅｎｔ ｏｆ ｓｕｂｊｅｃｔｉｖｅ ｆｅａｔｕｒｅ ｗｏｒｄｓ ｏｎｔｏｌｏｇｙ 如果 ｗ（Ｓ） ＞α，则识别句子 Ｓ 为主观性句子，阈 值 α 是一个经验常数。 ３．３ 实验结果分析 １）实验数据 为了推动主观性判别的研究，北京理工大学张 华平 博 士 曾 在 ＮＬＰＩＲ 共 享 平 台 分 享 了 微 博 语 料［１８］ ，此外 ＮＬＰ＆ＣＣ ２０１２ 评测集等［１９］ ，极大地方 便了主观性判别的研究分析。 这些语料评价的力 度较粗，不适合本文的实验。 所以，本文的实验语 料，来自采集 ２０１６ 年 ３ 月 １０ 日 ～ ６ 月 １０ 日期间新 浪微博热门话题数据集，共包含 ２８ 个热门话题，其 中每个话题约有 １ ０００ 条左右的微博。 采用投票策 略对训练语料进行标注，首先由 ４ 人分别对同一个 句子进行标注，然后由第 ５ 个人对标注结果进行核 查，剔除意见分歧较大、主观性不易确定的句子。 为使训练语料更加平衡，本文最终收集的训练语料 共包含非观点句 ５００ 条，观点句 ４８０ 条，其中正能量 观点句 ２５０ 条，负能量观点句 ２３０ 条。 对语料 ２ ／ ３ 作训练，１ ／ ３ 作测试。 ２）观点句分类性能分析 表 ３ 给出了粗粒度情感和细粒度情感对观点句 识别的对比实验，粗粒度情感的观点句识别采用文 献［２０］抽取主观模式的方法。 结果表明，两种方法对观点句的识别性能相差 不大，并且准确率和召回率不尽人意，可能的原因 是本体的构造还有待改进，也可能是人为对语料的 标注有问题。 对非观点句细粒度方法好于粗粒度 方法，原因是有一些非观点句包含了观点句的模式。 表 ３ 粗粒度情感和细粒度情感对观点句识别的对比实验 Ｔａｂｌｅ ３ Ｅｘｐｅｒｉｍｅｎｔｓ ｏｆ ｖｉｅｗ ｒｅｃｏｇｎｉｔｉｏｎ ｔｏ ｃｏｍｐａｒｅ ｃｏａｒｓｅ⁃ ｇｒａｉｎｅｄ ａｆｆｅｃｔｉｏｎ ｗｉｔｈ ｆｉｎｅ⁃ｇｒａｉｎｅｄ ａｆｆｅｃｔｉｏｎ 方法 准确率 召回率 非观点句 观点句 非观点句 观点句 粗粒度 ９８．８ ８７．５ ７６．２ ８４．１ 细粒度 １００ ８７．８ ９８．５ ８２．５ ３）观点能量值计算性能分析 根据式（１），每个句子都映射为［ －１，１］的一个 实数。 实验的目的验证通过定量的方法来对文本 第 ４ 期 张冬慧，等：认知视角下的舆论观点句情感计算的研究 ·５０１·
.502 智能系统学报 第12卷 分类，定量的准则不同可实现深层次语义分类。由 cognitive perspective[J].Computer science,2010,37 于还没有发现文本定量分类的报道，所以无法实现 (12)：182-185 对比实验，图2的实验结果也只是个实验型的，希望 [3]任巨伟，杨亮，林鸿飞情感图式构造及其在文本情感计 能为文本分类提供一种新的途径。 算中的应用[J]江西师范大学学报：自然科学版，2013， 37(2):130-136. 教2001 ←150 REN Juwei,YANG Liang,LIN Hongfei.The construc-tion of affective schemata and its application in text affective -1.0-0.8-0.6-0.4-0.200.20.40.60.81.0 computing[J].Journal of Jiangxi normal university:natural WiS science,2013,37(2):130-136. 图2文本能量值分布图 [4]PETRANTONAKIS P C.HADJILEONTIADIS L J.A novel Fig.2 Chart of text energy distribution emotion elicitation index using frontal brain asymmetry for 图2横轴为能量值，能量值为0表示该语句识 enhanced eeg-based emotion recognition[]].IEEE 别为非观点句，能量值为负表示该语句识别为负能 transactions on information technology in biomedicine, 量观点句，能量值为正表示该语句识别为正能量观 2011,15(5):737-746. [5]宋静静.中文短文本情感倾向性分析研究[D].重庆：重 点句。纵轴为对应能量值语句个数。将其转换为 庆理工大学，2013. 混合矩阵（表4）。 SONG Jingjing.Research on Chinese short-text sentiment 从表4可知，正能量识别准确率为32.3%，正能 analysis D ]Chongqing:Chongqing University of 量识别召回率54.4%，负能量识别准确率为57.0%， Technology,2013. 负能量识别召回率73.9%，非观点句识别准确率为 [6]程显毅，刘颖.基于知识图的观点句识别算法研究[J]· 68.3%,非观点句识别召回率16.8%。 计算机科学，2015,2015.42(6)：123-129. 表4细粒度情感对观点句识别的混合矩阵 CHENG Xianyi,LIU Ying.Research on algorithm of Table 4 The mixed matrix of fine-grained emotion to perspective sentence identification based on knowledge map view recognition [J].Computer science,2015,42(6):123-129. 正能量观点句 负能量观点句 非观点句 [7]蔡艳婧，程晓红，程显毅.网络敏感信息动态特征的抽取 136 88 26 方法[J].常州大学学报，2014,16(4)：80-86， CAI Yanjing,CHENG Xiaohong,CHENG Xianyi.Research 47 170 13 on algorithm of network sensitive inforamtion features 376 40 84 extracting[J].Journal of changzhou university:natural science edition,2014,16(4):80-86. 4 结束语 [8]王志良.人工心理与人工情感[J].智能系统学报，2006， 针对现有的主观句判别多采用基于统计和关 1(1):38-44. 键词的方法，导致结果不准确的问题，从认知角度 WANG Zhiliang.Artificial psychology and artificial emotion 出发，将情感分为细粒度情感、感受和情绪，在此基 [J].CAAI transactions on intelligent systems,2006,1 (1):38-44. 础上构建了主观特征词汇本体，给出句子级深度语 [9]齐鑫网络民意对我国政府决策的影响[D].沈阳：东北 义情感分类方法，下一步的研究就是改进能量值计 大学，2010 算模型，提高深度语义分类性能。 QI Xin.The influence of net citizen on goverment decision- 参考文献： making in China[D].Shenyang:Northeastem University,2010. [10]史杨.网络舆情与公共政策议程的设置[J].云南电大 [1]MCKEOWN G,VALSTAR M F,COWIE R,et al.The 学报，2011,13(3)：55-59. SEMAINE corpus of emotionally colored character SHI Yang.Setting of internet public opinion and public interactions[C]//Proceedings of IEEE International policy agenda [J].Journal of Yunnan RTV university, Conference on Multimedia and Expo,ICME 2010.IEEE 2011,13(3):55-59. Computer Society,2010:1079-1084. [11]孙浩博，侯军岐.论我国互联网种业发展[J].价值工 [2]徐琳宏，林鸿飞.认知视角下的文本情感计算[J].计算 程，2016,37(9)：327-329 机科学，2010.37(12)：182-185. SUN Haobo,HOU Junqi.On the development of China's XU Linhong,LIN Hongfei.Text affective computing from seed industry based on internet [J].Value engineering
分类，定量的准则不同可实现深层次语义分类。 由 于还没有发现文本定量分类的报道，所以无法实现 对比实验，图 ２ 的实验结果也只是个实验型的，希望 能为文本分类提供一种新的途径。 图 ２ 文本能量值分布图 Ｆｉｇ．２ Ｃｈａｒｔ ｏｆ ｔｅｘｔ ｅｎｅｒｇｙ ｄｉｓｔｒｉｂｕｔｉｏｎ 图 ２ 横轴为能量值，能量值为 ０ 表示该语句识 别为非观点句，能量值为负表示该语句识别为负能 量观点句，能量值为正表示该语句识别为正能量观 点句。 纵轴为对应能量值语句个数。 将其转换为 混合矩阵（表 ４）。 从表 ４ 可知，正能量识别准确率为 ３２．３％，正能 量识别召回率 ５４．４％，负能量识别准确率为 ５７．０％， 负能量识别召回率 ７３．９％，非观点句识别准确率为 ６８．３％，非观点句识别召回率 １６．８％。 表 ４ 细粒度情感对观点句识别的混合矩阵 Ｔａｂｌｅ ４ Ｔｈｅ ｍｉｘｅｄ ｍａｔｒｉｘ ｏｆ ｆｉｎｅ⁃ｇｒａｉｎｅｄ ｅｍｏｔｉｏｎ ｔｏ ｖｉｅｗ ｒｅｃｏｇｎｉｔｉｏｎ 正能量观点句 负能量观点句 非观点句 １３６ ８８ ２６ ４７ １７０ １３ ３７６ ４０ ８４ ４ 结束语 针对现有的主观句判别多采用基于统计和关 键词的方法，导致结果不准确的问题，从认知角度 出发，将情感分为细粒度情感、感受和情绪，在此基 础上构建了主观特征词汇本体，给出句子级深度语 义情感分类方法，下一步的研究就是改进能量值计 算模型，提高深度语义分类性能。 参考文献： ［１］ ＭＣＫＥＯＷＮ Ｇ， ＶＡＬＳＴＡＲ Ｍ Ｆ， ＣＯＷＩＥ Ｒ， ｅｔ ａｌ． Ｔｈｅ ＳＥＭＡＩＮＥ ｃｏｒｐｕｓ ｏｆ ｅｍｏｔｉｏｎａｌｌｙ ｃｏｌｏｒｅｄ ｃｈａｒａｃｔｅｒ ｉｎｔｅｒａｃｔｉｏｎｓ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｕｌｔｉｍｅｄｉａ ａｎｄ Ｅｘｐｏ， ＩＣＭＥ ２０１０． ＩＥＥＥ Ｃｏｍｐｕｔｅｒ Ｓｏｃｉｅｔｙ， ２０１０： １０７９－１０８４． ［２］徐琳宏，林鸿飞．认知视角下的文本情感计算［ Ｊ］． 计算 机科学， ２０１０， ３７（１２）： １８２－１８５． ＸＵ Ｌｉｎｈｏｎｇ， ＬＩＮ Ｈｏｎｇｆｅｉ． Ｔｅｘｔ ａｆｆｅｃｔｉｖｅ ｃｏｍｐｕｔｉｎｇ ｆｒｏｍ ｃｏｇｎｉｔｉｖｅ ｐｅｒｓｐｅｃｔｉｖｅ［Ｊ］． Ｃｏｍｐｕｔｅｒ ｓｃｉｅｎｃｅ， ２０１０， ３７ （１２）： １８２－１８５． ［３］任巨伟，杨亮，林鸿飞．情感图式构造及其在文本情感计 算中的应用［Ｊ］．江西师范大学学报：自然科学版， ２０１３， ３７（２）： １３０－１３６． ＲＥＮ Ｊｕｗｅｉ，ＹＡＮＧ Ｌｉａｎｇ， ＬＩＮ Ｈｏｎｇｆｅｉ． Ｔｈｅ ｃｏｎｓｔｒｕｃ⁃ｔｉｏｎ ｏｆ ａｆｆｅｃｔｉｖｅ ｓｃｈｅｍａｔａ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｔｅｘｔ ａｆｆｅｃｔｉｖｅ ｃｏｍｐｕｔｉｎｇ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｊｉａｎｇｘｉ ｎｏｒｍａｌ ｕｎｉｖｅｒｓｉｔｙ： ｎａｔｕｒａｌ ｓｃｉｅｎｃｅ， ２０１３， ３７（２）： １３０－１３６． ［４］ＰＥＴＲＡＮＴＯＮＡＫＩＳ Ｐ Ｃ， ＨＡＤＪＩＬＥＯＮＴＩＡＤＩＳ Ｌ Ｊ． Ａ ｎｏｖｅｌ ｅｍｏｔｉｏｎ ｅｌｉｃｉｔａｔｉｏｎ ｉｎｄｅｘ ｕｓｉｎｇ ｆｒｏｎｔａｌ ｂｒａｉｎ ａｓｙｍｍｅｔｒｙ ｆｏｒ ｅｎｈａｎｃｅｄ ｅｅｇ⁃ｂａｓｅｄ ｅｍｏｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｆｏｒｍａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｉｎ ｂｉｏｍｅｄｉｃｉｎｅ， ２０１１， １５（５）： ７３７－７４６． ［５］宋静静． 中文短文本情感倾向性分析研究［Ｄ］．重庆： 重 庆理工大学， ２０１３． ＳＯＮＧ Ｊｉｎｇｊｉｎｇ． Ｒｅｓｅａｒｃｈ ｏｎ Ｃｈｉｎｅｓｅ ｓｈｏｒｔ⁃ｔｅｘｔ ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ ［ Ｄ ］． Ｃｈｏｎｇｑｉｎｇ： Ｃｈｏｎｇｑｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， ２０１３． ［６］程显毅，刘颖． 基于知识图的观点句识别算法研究［ Ｊ］． 计算机科学， ２０１５， ２０１５． ４２（６）： １２３－１２９． ＣＨＥＮＧ Ｘｉａｎｙｉ， ＬＩＵ Ｙｉｎｇ． Ｒｅｓｅａｒｃｈ ｏｎ ａｌｇｏｒｉｔｈｍ ｏｆ ｐｅｒｓｐｅｃｔｉｖｅ ｓｅｎｔｅｎｃｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ｋｎｏｗｌｅｄｇｅ ｍａｐ ［Ｊ］． Ｃｏｍｐｕｔｅｒ ｓｃｉｅｎｃｅ， ２０１５， ４２（６）： １２３－１２９． ［７］蔡艳婧，程晓红，程显毅． 网络敏感信息动态特征的抽取 方法［Ｊ］． 常州大学学报， ２０１４， １６（４）： ８０－８６． ＣＡＩ Ｙａｎｊｉｎｇ， ＣＨＥＮＧ Ｘｉａｏｈｏｎｇ， ＣＨＥＮＧ Ｘｉａｎｙｉ． Ｒｅｓｅａｒｃｈ ｏｎ ａｌｇｏｒｉｔｈｍ ｏｆ ｎｅｔｗｏｒｋ ｓｅｎｓｉｔｉｖｅ ｉｎｆｏｒａｍｔｉｏｎ ｆｅａｔｕｒｅｓ ｅｘｔｒａｃｔｉｎｇ ［ Ｊ ］． Ｊｏｕｒｎａｌ ｏｆ ｃｈａｎｇｚｈｏｕ ｕｎｉｖｅｒｓｉｔｙ： ｎａｔｕｒａｌ ｓｃｉｅｎｃｅ ｅｄｉｔｉｏｎ， ２０１４， １６（４）： ８０－８６． ［８］王志良．人工心理与人工情感［ Ｊ］．智能系统学报， ２００６， １（１）： ３８－４４． ＷＡＮＧ Ｚｈｉｌｉａｎｇ． Ａｒｔｉｆｉｃｉａｌ ｐｓｙｃｈｏｌｏｇｙ ａｎｄ ａｒｔｉｆｉｃｉａｌ ｅｍｏｔｉｏｎ ［Ｊ］． ＣＡＡＩ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ， ２００６， １ （１）： ３８－４４． ［９］齐鑫．网络民意对我国政府决策的影响［Ｄ］．沈阳：东北 大学， ２０１０． ＱＩ Ｘｉｎ． Ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ ｎｅｔ ｃｉｔｉｚｅｎ ｏｎ ｇｏｖｅｒｎｍｅｎｔ ｄｅｃｉｓｉｏｎ⁃ ｍａｋｉｎｇ ｉｎ Ｃｈｉｎａ［Ｄ］． Ｓｈｅｎｙａｎｇ： Ｎｏｒｔｈｅａｓｔｅｒｎ Ｕｎｉｖｅｒｓｉｔｙ， ２０１０． ［１０］史杨． 网络舆情与公共政策议程的设置［ Ｊ］．云南电大 学报， ２０１１， １３（３）： ５５－５９． ＳＨＩ Ｙａｎｇ． Ｓｅｔｔｉｎｇ ｏｆ ｉｎｔｅｒｎｅｔ ｐｕｂｌｉｃ ｏｐｉｎｉｏｎ ａｎｄ ｐｕｂｌｉｃ ｐｏｌｉｃｙ ａｇｅｎｄａ ［ Ｊ ］． Ｊｏｕｒｎａｌ ｏｆ Ｙｕｎｎａｎ ＲＴＶ ｕｎｉｖｅｒｓｉｔｙ， ２０１１， １３（３）： ５５－５９． ［１１］孙浩博，侯军岐． 论我国互联网种业发展［ Ｊ］． 价值工 程， ２０１６， ３７（９）： ３２７－３２９． ＳＵＮ Ｈａｏｂｏ， ＨＯＵ Ｊｕｎｑｉ． Ｏｎ ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ Ｃｈｉｎａ＇ｓ ｓｅｅｄ ｉｎｄｕｓｔｒｙ ｂａｓｅｄ ｏｎ ｉｎｔｅｒｎｅｔ ［ Ｊ］． Ｖａｌｕｅ ｅｎｇｉｎｅｅｒｉｎｇ， ·５０２· 智 能 系 统 学 报 第 １２ 卷
第4期 张冬慧，等：认知视角下的舆论观点句情感计算的研究 .503. 2016,37(9):327-329. ZHANG Huaping.NLPIR Weibo focused on relationship [12]高云棋.基于主题模型的舆情分析子系统研究与设计 between corpus of 10 million,[EB/OL].(2013-10-23) [D].成都：电子科技大学，2013. [2014-11-2].http://www.datatang.com/data/14350. GAO Yungi.Research and development of opinion mining [19]中国计算机学会.中文微博情感分析评测结果[EB/ sub-system based on topic model[D].Chengdu:University 0L].北京：北京大学.(2012-11-2)[2014-9-22] of Electronic Science and Technology of China,2013. http://tcci.ccf.org.cn/conference/2012/pages/page04_ [13]史继林，朱英贵.褒义词词典[M].成都：四川辞书出版 evares.html. 社，2006：23-28. CCF.Chinese microblog sentiment analysis evaluation SHI Jilin,ZHU Yinggui.The commendatory word results[EB/OL].Peiking:Peiking university.(2012-11- dictionary[M].ChengDu:Sichuan publishers of Lexicogr- 2)[2014-9-22].http://tcci.ccf.org.cn/conference/ 2012/pages/page04_evares.html. aphical,2006:23-28. [20]林慧恩，林世平中文情感倾向分析中主观句子抽取方 [14]杨玲，朱英贵.贬义词词典[M].成都：四川辞书出版 法的研究[C]/全国第20届计算机技术与应用学术会 社.2006：15-35. 议(CACIS·2009)暨全国第1届安全关键技术与应用 YANG Ling,Zhu Yinggui.Derogatory term dictionary[M]. 学术会议论文集（上册）.上海，2009：379-383. Sichuan publishers of Lexicogr-aphical,2006:15-35. LIN Huien,Lin Shiping.Research on extracting subjective [15]董振东.知网的情感词典[EB/0L].(2007-10-22) sentence in chinese sentiment orientation analysis C// [2013 -12-20 ]http://www.keenage.com/html/c_ Conference CACIS 2009.Shanhai,China,2009: bulletin 2007.htm. 379-383. DONG Zhendong.Hownet dictionary [EB/OL].(2007- 作者简介： 10-22)[2013-12-20].http://www.keenage.com/html/ 张冬慧，女，1969年生，博士，主要 c_bulletin_2007.htm 研究方向为自然语言处理、计算机网络 [16]onhe.NTUSD[EB/0L].台湾：台北大学，(2013-8-2) 教育应用、知识工程。参与出版教材2 [2014.11-21].http://www.datatang.com/data/11837. 部，发表学术论文5篇。 rongzhe.NTUSD EB/OL ]Taiwan:Taipei university, (2013-8-2)[2014.11-21]http:/www.datatang.com/ data/11837. [17]王晓东，王娟，张征.基于情感词汇本体的主观性句子倾向 程显毅，男，1956年生，教授，博士， 性计算[J].计算机应用，2012,32(6)：1678-1681. 主要研究方向为知识工程、大数据应 WANG Xiaodong,WANG Juan,ZHANG Zheng.Computation 用、自然语言处理。主持国家自然科学 基金2项、江苏省重点科技攻关项目1 on orientation for subjective sentence based on sentiment 项、省部级项目6项。获省优秀教学成 words ontology[J].Journal of computer applications,2012, 果一等奖1项，二等奖1项。出版专著 32(6):1678-1681. 5部，教材3部，发表学术论文100 [18]张华平.NLPIR微博关注关系语料库1000万条[EB/ 余篇。 0L].(2013-10-23)[2014-11-2].htp:/www datatang.com/data/14350
２０１６， ３７（９）： ３２７－３２９． ［１２］高云棋． 基于主题模型的舆情分析子系统研究与设计 ［Ｄ］． 成都：电子科技大学， ２０１３． ＧＡＯ Ｙｕｎｑｉ． Ｒｅｓｅａｒｃｈ ａｎｄ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｏｐｉｎｉｏｎ ｍｉｎｉｎｇ ｓｕｂ⁃ｓｙｓｔｅｍ ｂａｓｅｄ ｏｎ ｔｏｐｉｃ ｍｏｄｅｌ［Ｄ］． Ｃｈｅｎｇｄｕ： Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ ｏｆ Ｃｈｉｎａ， ２０１３． ［１３］史继林，朱英贵．褒义词词典［Ｍ］．成都：四川辞书出版 社， ２００６： ２３－２８． ＳＨＩ Ｊｉｌｉｎ， ＺＨＵ Ｙｉｎｇｇｕｉ． Ｔｈｅ ｃｏｍｍｅｎｄａｔｏｒｙ ｗｏｒｄ ｄｉｃｔｉｏｎａｒｙ［Ｍ］． ＣｈｅｎｇＤｕ： Ｓｉｃｈｕａｎ ｐｕｂｌｉｓｈｅｒｓ ｏｆ Ｌｅｘｉｃｏｇｒ⁃ ａｐｈｉｃａｌ， ２００６： ２３－２８． ［１４］杨玲，朱英贵． 贬义词词典［Ｍ］． 成都： 四川辞书出版 社， ２００６： １５－３５． ＹＡＮＧ Ｌｉｎｇ， Ｚｈｕ Ｙｉｎｇｇｕｉ． Ｄｅｒｏｇａｔｏｒｙ ｔｅｒｍ ｄｉｃｔｉｏｎａｒｙ［Ｍ］． Ｓｉｃｈｕａｎ ｐｕｂｌｉｓｈｅｒｓ ｏｆ Ｌｅｘｉｃｏｇｒ⁃ａｐｈｉｃａｌ， ２００６： １５－３５． ［１５］ 董振东． 知网的情感词典［ ＥＢ／ ＯＬ］． （ ２００７ － １０ － ２２） ［２０１３ － １２ － ２０ ］． ｈｔｔｐ： ／ ／ ｗｗｗ． ｋｅｅｎａｇｅ． ｃｏｍ／ ｈｔｍｌ ／ ｃ ＿ ｂｕｌｌｅｔｉｎ＿ ２００７．ｈｔｍ． ＤＯＮＧ Ｚｈｅｎｄｏｎｇ． Ｈｏｗｎｅｔ ｄｉｃｔｉｏｎａｒｙ ［ＥＢ／ ＯＬ］． （ ２００７ － １０－２２）［２０１３－１２－２０］． ｈｔｔｐ： ／ ／ ｗｗｗ．ｋｅｅｎａｇｅ．ｃｏｍ／ ｈｔｍｌ ／ ｃ＿ｂｕｌｌｅｔｉｎ＿２００７．ｈｔｍ ［１６］ｒｏｎｇｚｈｅ． ＮＴＵＳＤ［ＥＢ／ ＯＬ］．台湾：台北大学，（２０１３－８－２） ［２０１４．１１－２１］． ｈｔｔｐ： ／ ／ ｗｗｗ． ｄａｔａｔａｎｇ． ｃｏｍ／ ｄａｔａ ／ １１８３７． ｒｏｎｇｚｈｅ． ＮＴＵＳＤ ［ ＥＢ／ ＯＬ］． Ｔａｉｗａｎ： Ｔａｉｐｅｉ ｕｎｉｖｅｒｓｉｔｙ， （２０１３ －８－２）［２０１４．１１－２１］．ｈｔｔｐ： ／ ／ ｗｗｗ． ｄａｔａｔａｎｇ． ｃｏｍ／ ｄａｔａ ／ １１８３７． ［１７］王晓东，王娟，张征． 基于情感词汇本体的主观性句子倾向 性计算［Ｊ］． 计算机应用， ２０１２， ３２（６）： １６７８－１６８１． ＷＡＮＧ Ｘｉａｏｄｏｎｇ， ＷＡＮＧ Ｊｕａｎ， ＺＨＡＮＧ Ｚｈｅｎｇ． Ｃｏｍｐｕｔａｔｉｏｎ ｏｎ ｏｒｉｅｎｔａｔｉｏｎ ｆｏｒ ｓｕｂｊｅｃｔｉｖｅ ｓｅｎｔｅｎｃｅ ｂａｓｅｄ ｏｎ ｓｅｎｔｉｍｅｎｔ ｗｏｒｄｓ ｏｎｔｏｌｏｇｙ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｃｏｍｐｕｔｅｒ ａｐｐｌｉｃａｔｉｏｎｓ， ２０１２， ３２（６）： １６７８－１６８１． ［１８］张华平． ＮＬＰＩＲ 微博关注关系语料库 １０００ 万条［ＥＢ／ ＯＬ］． （ ２０１３ － １０ － ２３ ） ［ ２０１４ － １１ － ２ ］． ｈｔｔｐ： ／ ／ ｗｗｗ． ｄａｔａｔａｎｇ．ｃｏｍ／ ｄａｔａ ／ １４３５０． ＺＨＡＮＧ Ｈｕａｐｉｎｇ． ＮＬＰＩＲ Ｗｅｉｂｏ ｆｏｃｕｓｅｄ ｏｎ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｃｏｒｐｕｓ ｏｆ １０ ｍｉｌｌｉｏｎ， ［ＥＢ／ ＯＬ］．（２０１３－１０－２３） ［２０１４－１１－２］．ｈｔｔｐ： ／ ／ ｗｗｗ．ｄａｔａｔａｎｇ． ｃｏｍ／ ｄａｔａ ／ １４３５０． ［１９］中国计算机学会． 中文微博情感分析评测结果［ ＥＢ／ ＯＬ］． 北京：北京大学． （ ２０１２ － １１ － ２） ［ ２０１４ － ９ － ２２］． ｈｔｔｐ： ／ ／ ｔｃｃｉ． ｃｃｆ． ｏｒｇ． ｃｎ ／ ｃｏｎｆｅｒｅｎｃｅ ／ ２０１２ ／ ｐａｇｅｓ／ ｐａｇｅ０４ ＿ ｅｖａｒｅｓ． ｈｔｍｌ． ＣＣＦ． Ｃｈｉｎｅｓｅ ｍｉｃｒｏｂｌｏｇ ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ ｅｖａｌｕａｔｉｏｎ ｒｅｓｕｌｔｓ［ＥＢ／ ＯＬ］． Ｐｅｉｋｉｎｇ：Ｐｅｉｋｉｎｇ ｕｎｉｖｅｒｓｉｔｙ． （２０１２－１１－ ２） ［ ２０１４ － ９ － ２２］． ｈｔｔｐ： ／ ／ ｔｃｃｉ． ｃｃｆ． ｏｒｇ． ｃｎ ／ ｃｏｎｆｅｒｅｎｃｅ ／ ２０１２ ／ ｐａｇｅｓ／ ｐａｇｅ０４＿ｅｖａｒｅｓ． ｈｔｍｌ． ［２０］林慧恩，林世平．中文情感倾向分析中主观句子抽取方 法的研究［Ｃ］ ／ ／ 全国第 ２０ 届计算机技术与应用学术会 议（ＣＡＣＩＳ·２００９）暨全国第 １ 届安全关键技术与应用 学术会议论文集（上册）． 上海， ２００９： ３７９－３８３． ＬＩＮ Ｈｕｉｅｎ， Ｌｉｎ Ｓｈｉｐｉｎｇ． Ｒｅｓｅａｒｃｈ ｏｎ ｅｘｔｒａｃｔｉｎｇ ｓｕｂｊｅｃｔｉｖｅ ｓｅｎｔｅｎｃｅ ｉｎ ｃｈｉｎｅｓｅ ｓｅｎｔｉｍｅｎｔ ｏｒｉｅｎｔａｔｉｏｎ ａｎａｌｙｓｉｓ ［ Ｃ］ ／ ／ Ｃｏｎｆｅｒｅｎｃｅ ＣＡＣＩＳ · ２００９． Ｓｈａｎｈａｉ， Ｃｈｉｎａ， ２００９： ３７９－３８３． 作者简介： 张冬慧，女，１９６９ 年生，博士，主要 研究方向为自然语言处理、计算机网络 教育应用、知识工程。 参与出版教材 ２ 部，发表学术论文 ５ 篇。 程显毅，男，１９５６ 年生，教授，博士， 主要研究方向为知识工程、大数据应 用、自然语言处理。 主持国家自然科学 基金 ２ 项、江苏省重点科技攻关项目 １ 项、省部级项目 ６ 项。 获省优秀教学成 果一等奖 １ 项，二等奖 １ 项。 出版专著 ５ 部， 教 材 ３ 部， 发 表 学 术 论 文 １００ 余篇。 第 ４ 期 张冬慧，等：认知视角下的舆论观点句情感计算的研究 ·５０３·