【学术论文】语义规则在微博热点话题情感分析中的应用

第9卷第1期 智能系统学报 Vol.9 No.I 2014年2月 CAAI Transactions on Intelligent Systems Feb.2014 D0:10.3969/j.issn.1673-4785.201208020 网络出版地址：http:/www.cmki.net/kcms/doi/10.3969/j.issn.1673-4785.201208020.html 语义规则在微博热点话题情感分析中的应用 赵文清，侯小可，沙海虹2 (1.华北电力大学（保定）控制与计算机工程学院，河北保定071003：2.英业达集团（北京）电子技术有限公司开发 部，北京100086) 摘要：近来，针对微博热点话题的情感分析研究得到了广泛关注，而基于监督的学习方法在分析文本时会忽视词 语的上下文联系。根据中文微博的特点，提出了一种基于语义规则的方法对微博热点话题进行情感分析。该方法 首先需要人工整理出程度副词表、否定词表和微博中默认表情符号的褒贬分类。然后在情感词语计算的基础上，考 虑上下文中否定词和程度词对修饰情感词语的情感倾向和情感强度的影响，同时也设定规则计算表情符号对一条 微博的情感倾向判断的作用。最后与基于情感词典的方法做实验对比，实验结果表明该方法在文本情感倾向性识 别的准确率上有了一定提高。 关键词：微博：热点话题：情感分析：语义规则：情感词典 中图分类号：TP391.1文献标志码：A文章编号：1673-4785(2014)01-0121-05 中文引用格式：赵文清，侯小可，沙海虹.语义规则在微博热点话题情感分析中的应用[J].智能系统学报，2014,9(1)：121-125. 英文引用格式：ZHAO Wenqing,.HOU Xiaoke,SHA Haihong.Application of semantic rules to sentiment analysis of microblog hot topics[J].CAAI Transactions on Intelligent Systems,2014,9(1):121-125. Application of semantic rules to sentiment analysis of microblog hot topics ZHAO Wenqing',HOU Xiaoke',SHA Haihong? (1.School of Control and Computer Engineering,North China Electric Power University Baoding),Baoding 071003,China;2.In- ventec Beijing)Electronics Technology Co.,Ltd.,Beijing 100086,China) Abstract:The research on the sentiment analysis for microblog hot topics has attracted much attention recently, while the studying method on the basis of supervision neglects the context of a word in the analysis of text.Accord- ing to the characteristics of Chinese microblogs,a method based on semantic rules is proposed for sentiment analy- sis of microblog hot topics.As for the method,firstly,we need to manually sort out a degree adverb list,a negative word list and the appraisal category of the expression symbols defaulted in a microblog.Secondly,on the basis of the calculation of sentiment words,we consider the impact of negative words and degree words in the context of the emotional tendency and strength decorating sentiment words;in addition,we also set rules for calculating the influ- ence of the expression symbol on the sentiment tendency judgment of a piece of microblog.Finally,our proposed method is compared with the method based on the emotional dictionary.The experimental results show that the pro- posed method improves the identification accuracy of the text sentiment tendency. Keywords:microblog;hot topics;sentiment analysis;semantic rules;emotional dictionary 随着微博的飞速发展，微博作为一种通过关注 已达到2.5亿人次，占我国网民总数的48.7%，比 机制分享简短实时信息的广播式社交网络平台，吸 2010年增加了296%。微博改变了公众信息获取的 引了越来越多的网民参与。从2011年12月底中国 方式，是一种能够观察和了解正在发生什么的实时 互联网中心显示的报告可知，我国拥有微博的人数 民意调查系统。中国的微博已由一种单纯的社交工 具，变成奥论监督的利器，便于决策者做出决策。 收稿日期：2012-08-14.网络出版日期：2014-02-20. 目前关于微博情感分析的研究主要集中在英文 基金项目：国家自然科学基金资助项目(70671039)：中央高校基本科 研业务费专项资金资助项目(12MS121). 微博方面，而面向中文微博的情感分析研究还在起 通信作者：侯小可.E-mail:houxiaoke.2008@163.com. 步阶段。情感分析的主流方法依然是基于监督学习

第 ９ 卷第 １ 期 智 能 系 统 学 报 Ｖｏｌ．９ №．１ ２０１４ 年 ２ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｆｅｂ． ２０１４ ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１２０８０２０ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｏｉ ／ １０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１２０８０２０．ｈｔｍｌ 语义规则在微博热点话题情感分析中的应用 赵文清１ ，侯小可１ ，沙海虹２ （１． 华北电力大学（保定） 控制与计算机工程学院，河北 保定 ０７１００３； ２． 英业达集团（北京）电子技术有限公司 开发 部，北京 １０００８６） 摘 要：近来，针对微博热点话题的情感分析研究得到了广泛关注，而基于监督的学习方法在分析文本时会忽视词 语的上下文联系。 根据中文微博的特点，提出了一种基于语义规则的方法对微博热点话题进行情感分析。 该方法 首先需要人工整理出程度副词表、否定词表和微博中默认表情符号的褒贬分类。 然后在情感词语计算的基础上，考 虑上下文中否定词和程度词对修饰情感词语的情感倾向和情感强度的影响，同时也设定规则计算表情符号对一条 微博的情感倾向判断的作用。 最后与基于情感词典的方法做实验对比，实验结果表明该方法在文本情感倾向性识 别的准确率上有了一定提高。 关键词：微博；热点话题；情感分析；语义规则；情感词典 中图分类号：ＴＰ３９１．１ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１４）０１⁃０１２１⁃０５ 中文引用格式：赵文清，侯小可，沙海虹．语义规则在微博热点话题情感分析中的应用［Ｊ］． 智能系统学报， ２０１４， ９（１）： １２１⁃１２５． 英文引用格式：ＺＨＡＯ Ｗｅｎｑｉｎｇ， ＨＯＵ Ｘｉａｏｋｅ， ＳＨＡ Ｈａｉｈｏｎｇ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｓｅｍａｎｔｉｃ ｒｕｌｅｓ ｔｏ ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ ｏｆ ｍｉｃｒｏｂｌｏｇ ｈｏｔ ｔｏｐｉｃｓ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１４， ９（１）： １２１⁃１２５． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｓｅｍａｎｔｉｃ ｒｕｌｅｓ ｔｏ ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ ｏｆ ｍｉｃｒｏｂｌｏｇ ｈｏｔ ｔｏｐｉｃｓ ＺＨＡＯ Ｗｅｎｑｉｎｇ １ ， ＨＯＵ Ｘｉａｏｋｅ １ ， ＳＨＡ Ｈａｉｈｏｎｇ ２ （１． Ｓｃｈｏｏｌ ｏｆ Ｃｏｎｔｒｏｌ ａｎｄ Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｎｏｒｔｈ Ｃｈｉｎａ Ｅｌｅｃｔｒｉｃ Ｐｏｗｅｒ Ｕｎｉｖｅｒｓｉｔｙ （Ｂａｏｄｉｎｇ）， Ｂａｏｄｉｎｇ ０７１００３， Ｃｈｉｎａ； ２． Ｉｎ⁃ ｖｅｎｔｅｃ （Ｂｅｉｊｉｎｇ） Ｅｌｅｃｔｒｏｎｉｃｓ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．， Ｌｔｄ．， Ｂｅｉｊｉｎｇ １０００８６， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ｒｅｓｅａｒｃｈ ｏｎ ｔｈｅ ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ ｆｏｒ ｍｉｃｒｏｂｌｏｇ ｈｏｔ ｔｏｐｉｃｓ ｈａｓ ａｔｔｒａｃｔｅｄ ｍｕｃｈ ａｔｔｅｎｔｉｏｎ ｒｅｃｅｎｔｌｙ， ｗｈｉｌｅ ｔｈｅ ｓｔｕｄｙｉｎｇ ｍｅｔｈｏｄ ｏｎ ｔｈｅ ｂａｓｉｓ ｏｆ ｓｕｐｅｒｖｉｓｉｏｎ ｎｅｇｌｅｃｔｓ ｔｈｅ ｃｏｎｔｅｘｔ ｏｆ ａ ｗｏｒｄ ｉｎ ｔｈｅ ａｎａｌｙｓｉｓ ｏｆ ｔｅｘｔ． Ａｃｃｏｒｄ⁃ ｉｎｇ ｔｏ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ Ｃｈｉｎｅｓｅ ｍｉｃｒｏｂｌｏｇｓ， ａ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｓｅｍａｎｔｉｃ ｒｕｌｅｓ ｉｓ ｐｒｏｐｏｓｅｄ ｆｏｒ ｓｅｎｔｉｍｅｎｔ ａｎａｌｙ⁃ ｓｉｓ ｏｆ ｍｉｃｒｏｂｌｏｇ ｈｏｔ ｔｏｐｉｃｓ． Ａｓ ｆｏｒ ｔｈｅ ｍｅｔｈｏｄ， ｆｉｒｓｔｌｙ， ｗｅ ｎｅｅｄ ｔｏ ｍａｎｕａｌｌｙ ｓｏｒｔ ｏｕｔ ａ ｄｅｇｒｅｅ ａｄｖｅｒｂ ｌｉｓｔ， ａ ｎｅｇａｔｉｖｅ ｗｏｒｄ ｌｉｓｔ ａｎｄ ｔｈｅ ａｐｐｒａｉｓａｌ ｃａｔｅｇｏｒｙ ｏｆ ｔｈｅ ｅｘｐｒｅｓｓｉｏｎ ｓｙｍｂｏｌｓ ｄｅｆａｕｌｔｅｄ ｉｎ ａ ｍｉｃｒｏｂｌｏｇ． Ｓｅｃｏｎｄｌｙ， ｏｎ ｔｈｅ ｂａｓｉｓ ｏｆ ｔｈｅ ｃａｌｃｕｌａｔｉｏｎ ｏｆ ｓｅｎｔｉｍｅｎｔ ｗｏｒｄｓ， ｗｅ ｃｏｎｓｉｄｅｒ ｔｈｅ ｉｍｐａｃｔ ｏｆ ｎｅｇａｔｉｖｅ ｗｏｒｄｓ ａｎｄ ｄｅｇｒｅｅ ｗｏｒｄｓ ｉｎ ｔｈｅ ｃｏｎｔｅｘｔ ｏｆ ｔｈｅ ｅｍｏｔｉｏｎａｌ ｔｅｎｄｅｎｃｙ ａｎｄ ｓｔｒｅｎｇｔｈ ｄｅｃｏｒａｔｉｎｇ ｓｅｎｔｉｍｅｎｔ ｗｏｒｄｓ； ｉｎ ａｄｄｉｔｉｏｎ， ｗｅ ａｌｓｏ ｓｅｔ ｒｕｌｅｓ ｆｏｒ ｃａｌｃｕｌａｔｉｎｇ ｔｈｅ ｉｎｆｌｕ⁃ ｅｎｃｅ ｏｆ ｔｈｅ ｅｘｐｒｅｓｓｉｏｎ ｓｙｍｂｏｌ ｏｎ ｔｈｅ ｓｅｎｔｉｍｅｎｔ ｔｅｎｄｅｎｃｙ ｊｕｄｇｍｅｎｔ ｏｆ ａ ｐｉｅｃｅ ｏｆ ｍｉｃｒｏｂｌｏｇ． Ｆｉｎａｌｌｙ， ｏｕｒ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｉｓ ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｔｈｅ ｅｍｏｔｉｏｎａｌ ｄｉｃｔｉｏｎａｒｙ． Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏ⁃ ｐｏｓｅｄ ｍｅｔｈｏｄ ｉｍｐｒｏｖｅｓ ｔｈｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｃｃｕｒａｃｙ ｏｆ ｔｈｅ ｔｅｘｔ ｓｅｎｔｉｍｅｎｔ ｔｅｎｄｅｎｃｙ． Ｋｅｙｗｏｒｄｓ：ｍｉｃｒｏｂｌｏｇ； ｈｏｔ ｔｏｐｉｃｓ； ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ； ｓｅｍａｎｔｉｃ ｒｕｌｅｓ； ｅｍｏｔｉｏｎａｌ ｄｉｃｔｉｏｎａｒｙ 收稿日期：２０１２⁃０８⁃１４． 网络出版日期：２０１４⁃０２⁃２０． 基金项目：国家自然科学基金资助项目（７０６７１０３９）；中央高校基本科 研业务费专项资金资助项目（１２ＭＳ１２１）． 通信作者：侯小可． Ｅ⁃ｍａｉｌ：ｈｏｕｘｉａｏｋｅ２００８＠ １６３．ｃｏｍ． 随着微博的飞速发展，微博作为一种通过关注 机制分享简短实时信息的广播式社交网络平台，吸 引了越来越多的网民参与。 从 ２０１１ 年 １２ 月底中国 互联网中心显示的报告可知，我国拥有微博的人数 已达到 ２． ５ 亿人次，占我国网民总数的 ４８． ７％，比 ２０１０ 年增加了 ２９６％。 微博改变了公众信息获取的 方式，是一种能够观察和了解正在发生什么的实时 民意调查系统。 中国的微博已由一种单纯的社交工 具，变成舆论监督的利器，便于决策者做出决策。 目前关于微博情感分析的研究主要集中在英文 微博方面，而面向中文微博的情感分析研究还在起 步阶段。 情感分析的主流方法依然是基于监督学习

·122, 智能系统学报 第9卷 的方法)，2009年Alec等)首次尝试通过训练表 号，通常一条微博的情感与它所含表情符号的情感 情符号特征，使用比较常用的3种机器学习的方法 是相符的。 (naive Bayes、maximum entropy和SVM))对Twitter 本文从新浪微博抓取某个热点话题的相关评 消息进行情感分类，并取得了不错的效果。而Da- 论，对其采用基于情感词典和基于语义规则2种方 vidiv等把Tweets中的标签和表情符号作为特征， 法进行情感分析。 通过训练一个基于监督学习的、与K近邻(KNN)相 1.1基于情感词典的方法 似的分类器，来判断Tweets消息的情感倾向性。 词典资源是基于情感词典方法的前提，本文使 Jiang等)采用内容、情感词典和主题相关3类特征 用中文最具权威的知网]词典资源，知网于2007 对Twitters进行主客观和情感极性的分类，并提出 年发布了最新版本“情感分析用词语集(beta版)”， 了基于图模型的算法来优化情感分类结果。在中文 其中中文情感分析用词语集包含中文正面情感词语 微博的情感分析研究方面，谢丽星[)通过从新浪微 836个、负面情感词语1254个、中文正面评价词语 博提供的API接口抓取实验数据，对微博的链接、 3730个、负面评价词语3116个。知网虽然对情感 表情、情感词和上下文等主题无关的特征的有效性 词语进行了褒贬分类，但是没有标注情感极性强度。 及多种分类方法进行了研究，最终选定4种特征共 本文将知网中褒义词语的情感极性值设为0.8，贬义 用及基于SVM的方法对微博消息进行了情感分类。 词语的情感极性值设为-0.8。 刘志明等[通过对比3种机器学习算法、3种特征 基于情感词典的方法首先对每条微博进行分 选取算法和3种特征项权重计算方法，最终选用 词、词性标注等预处理，然后依据情感词典判断每条 SVM、IG以及T℉-DF作为特征项权重对中文微博 微博中出现的所有情感词以及其强度，并采用极性 进行情感分析。 累加的方法计算每条微博的情感极性，如式(1)： 以上是基于监督的机器学习方法对微博进行情 P(T)= 2P(w) (1) 感分析，这种方法的第1步是将文本向量化，文本向 i= 量化的前提是特征之间的相互独立，这样势必会造 式中：w:为一条微博中所含的情感词；P(w:)为一 成在分析文本时忽视词语的上下文联系。与基于监 个情感词的情感极性：P(T)为一条微博的情感极 督学习的情感分析相比，基于规则和无监督学 性，若结果大于零，表明微博为褒义倾向，若结果小 习-]的研究不是很多。沈阳等[)从饭否网抓取实 于零，表明结果为贬义倾向，否则为中性。 验数据，通过定义态度词典、权重词典、程度词典、否 1.2基于语义规则的方法 定词典和连接词典来计算每条微博的情感指数，该 基于情感词典的方法是对独立的词语进行分 方法存在的缺点是每个句子中的修饰程度词和否定 析，也就是把词语从句子中孤立出来，忽略词语的上 词只是简单的统计，并没有针对到具体所修饰的情 下文关系，因此，称之为词语的原极性。如果孤立地 感词。机器学习的方法需要大规模标注的训练集， 看待这些词语，并不能正确地反映微博消息的情感 同时对训练集的质量要求也很高。 倾向，必须将上下文的联系考虑进来，才能够提高分 基于以上分析，本文提出一种基于语义规则的 析的准确度。因此，在词语情感计算的基础上，应该 方法对微博热点话题进行情感分析。事实上，文本 考虑上下文中能够改变词语情感倾向或者情感强度 情感分析和文本分类最大的区别就在于语义相关性 的修饰副词等。本文将会改变词语极性强度的修饰 和上下文相关性，使用情感词语和词语的上下文关 副词分为2类：第1类是否定词，它会改变极性倾 系来进行文本情感分析才更为合理。 向，如“不”：第2类是程度词，它会改变极性强度， 如“很”、“非常”等山。 1 微博情感分析 另外，微博消息文本有其自身的特征，如包含网 传统文本（如新闻网页、博客等）虽然只是简单 页链接(hp:c/2Wpsk)、表情符号（巴），标 的文字描述，但文本一般较长。与传统文本不同，微 签(#孙杨#)等，本文只考虑与微博消息文本的情感 博文本简短，字数一般在140字以内，并且形式多 极性相关的特征，如表情符号特征，而像网页链接、 样，一条微博中除了文字信息，还可以包含网页链 标签这些特征对微博文本的情感极性影响不大的， 接、图片信息、标签、表情符号等。微博的这些新特 则不予以考虑。 征对微博文本的情感分析会产生一定影响，例如人 1.2.1情感词 们判断一条微博的情感的第一反应就是通过表情符 情感词是判断微博文本是否具有情感倾向的一

的方法［１］ ，２００９ 年 Ａｌｅｃ 等［２］ 首次尝试通过训练表 情符号特征，使用比较常用的 ３ 种机器学习的方法 （ｎａｉｖｅ Ｂａｙｅｓ、ｍａｘｉｍｕｍ ｅｎｔｒｏｐｙ 和 ＳＶＭ）） 对 Ｔｗｉｔｔｅｒ 消息进行情感分类，并取得了不错的效果。 而 Ｄａ⁃ ｖｉｄｉｖ 等［３］把 Ｔｗｅｅｔｓ 中的标签和表情符号作为特征， 通过训练一个基于监督学习的、与 Ｋ 近邻（ＫＮＮ）相 似的分类器，来判断 Ｔｗｅｅｔｓ 消息的情感倾向性。 Ｊｉａｎｇ 等［４］采用内容、情感词典和主题相关 ３ 类特征 对 Ｔｗｉｔｔｅｒｓ 进行主客观和情感极性的分类，并提出 了基于图模型的算法来优化情感分类结果。 在中文 微博的情感分析研究方面，谢丽星［５］ 通过从新浪微 博提供的 ＡＰＩ 接口抓取实验数据，对微博的链接、 表情、情感词和上下文等主题无关的特征的有效性 及多种分类方法进行了研究，最终选定 ４ 种特征共 用及基于 ＳＶＭ 的方法对微博消息进行了情感分类。 刘志明等［６］通过对比 ３ 种机器学习算法、３ 种特征 选取算法和 ３ 种特征项权重计算方法，最终选用 ＳＶＭ、ＩＧ 以及 ＴＦ－ＩＤＦ 作为特征项权重对中文微博 进行情感分析。 以上是基于监督的机器学习方法对微博进行情 感分析，这种方法的第 １ 步是将文本向量化，文本向 量化的前提是特征之间的相互独立，这样势必会造 成在分析文本时忽视词语的上下文联系。 与基于监 督学习 的 情 感 分 析 相 比， 基 于 规 则 和 无 监 督 学 习［７⁃８］的研究不是很多。 沈阳等［９］ 从饭否网抓取实 验数据，通过定义态度词典、权重词典、程度词典、否 定词典和连接词典来计算每条微博的情感指数，该 方法存在的缺点是每个句子中的修饰程度词和否定 词只是简单的统计，并没有针对到具体所修饰的情 感词。 机器学习的方法需要大规模标注的训练集， 同时对训练集的质量要求也很高。 基于以上分析，本文提出一种基于语义规则的 方法对微博热点话题进行情感分析。 事实上，文本 情感分析和文本分类最大的区别就在于语义相关性 和上下文相关性，使用情感词语和词语的上下文关 系来进行文本情感分析才更为合理。 １ 微博情感分析 传统文本（如新闻网页、博客等）虽然只是简单 的文字描述，但文本一般较长。 与传统文本不同，微 博文本简短，字数一般在 １４０ 字以内，并且形式多 样，一条微博中除了文字信息，还可以包含网页链 接、图片信息、标签、表情符号等。 微博的这些新特 征对微博文本的情感分析会产生一定影响，例如人 们判断一条微博的情感的第一反应就是通过表情符 号，通常一条微博的情感与它所含表情符号的情感 是相符的。 本文从新浪微博抓取某个热点话题的相关评 论，对其采用基于情感词典和基于语义规则 ２ 种方 法进行情感分析。 １．１ 基于情感词典的方法 词典资源是基于情感词典方法的前提，本文使 用中文最具权威的知网［１０］ 词典资源，知网于 ２００７ 年发布了最新版本“情感分析用词语集（ｂｅｔａ 版）”， 其中中文情感分析用词语集包含中文正面情感词语 ８３６ 个、负面情感词语 １ ２５４ 个、中文正面评价词语 ３ ７３０ 个、负面评价词语 ３ １１６ 个。 知网虽然对情感 词语进行了褒贬分类，但是没有标注情感极性强度。 本文将知网中褒义词语的情感极性值设为 ０．８，贬义 词语的情感极性值设为－０．８。 基于情感词典的方法首先对每条微博进行分 词、词性标注等预处理，然后依据情感词典判断每条 微博中出现的所有情感词以及其强度，并采用极性 累加的方法计算每条微博的情感极性，如式（１）： Ｐ（Ｔ） ＝ ∑ ｎ ｉ ＝ １ Ｐ（ｗｉ） （１） 式中： ｗｉ 为一条微博中所含的情感词； Ｐ（ｗｉ） 为一 个情感词的情感极性； Ｐ（Ｔ） 为一条微博的情感极 性，若结果大于零，表明微博为褒义倾向，若结果小 于零，表明结果为贬义倾向，否则为中性。 １．２ 基于语义规则的方法 基于情感词典的方法是对独立的词语进行分 析，也就是把词语从句子中孤立出来，忽略词语的上 下文关系，因此，称之为词语的原极性。 如果孤立地 看待这些词语，并不能正确地反映微博消息的情感 倾向，必须将上下文的联系考虑进来，才能够提高分 析的准确度。 因此，在词语情感计算的基础上，应该 考虑上下文中能够改变词语情感倾向或者情感强度 的修饰副词等。 本文将会改变词语极性强度的修饰 副词分为 ２ 类：第 １ 类是否定词，它会改变极性倾 向，如“不”；第 ２ 类是程度词，它会改变极性强度， 如“很”、“非常”等［１１］ 。 另外，微博消息文本有其自身的特征，如包含网 页链接（ｈｔｔｐ： ／ ／ ｔ．ｃｎ ／ ｚＷｐｓｕＪｘ ）、表情符号（ ）、标 签（＃孙杨＃）等，本文只考虑与微博消息文本的情感 极性相关的特征，如表情符号特征，而像网页链接、 标签这些特征对微博文本的情感极性影响不大的， 则不予以考虑。 １．２．１ 情感词 情感词是判断微博文本是否具有情感倾向的一 ·１２２· 智 能 系 统 学 报 第 ９ 卷

第1期 赵文清，等：语义规则在微博热点话题情感分析中的应用 ·123· 个重要特征。根据人们写作习惯和大量语料分析得 变。因此，否定词对情感词0：的影响因子？定义为 知，人们在微博中发表的观点和情感大多是通过情 7(0:)=(-1)9 感词的形式实现，情感词的褒贬也通常代表这句子 1.2.4表情符号特征 的褒贬。 很多微博用户习惯在发布消息时加上一些表情 一般情况下微博文本中都是比较简单的句子， 符号，这些表情符号通常是由微博平台提供，方便用 情感词的倾向就直接决定了这条微博的情感倾向， 户的使用。微博消息中的表情符号被抓取后的表现 情感词的数量和情感强度对每条微博文本的情感倾 形式变为中括号加文本，如表情符号“©”相应文 向有较大的影响，因此仍然采用极性累加的方法，即 本为“嘻嘻”。用户选择不同的表情符号表达了不 通过情感词极性累加公式(1)来计算每条微博的情 同的情感色彩，因此，本文把新浪微博平台提供的常 感极性。 用表情符号分为正向和负向2类。 1.2.2程度副词特征 般情况下，如果一条微博消息包含表情符号， 知网的中文情感分析用词表中提供了程度级别 那么首先选择通过表情符号来判断一条微博的情感 词语，以知网程度级别词语为基础，参考蔺璜对程度 倾向。一条微博中可以包含多个表情符号，因此，首 副词的分类)，人工整理所使用的程度副词，并把 先需要对一条微博消息中的正向表情符号个数ep 程度词语分为3个级别。第1级的程度词对所修饰 和负向表情符号个数e、进行统计，并把表情符号对 的情感词的情感强度大大加强，例如“极其”、“最”。 整条微博的情感倾向影响因素δ定义为 第2级的程度词对所修饰的情感词的情感强度是加 δ=ep-ew 强作用，如“很”、“非常”。第3级的程度词对所修 式中：当8>0时，就认为该微博为褒义倾向：当80 i=1 y(w:）=ΠD(d) k=1 P(T)= 式中：D(d)为程度副词的情感强度扩大倍数。 -2P(g,)×y()×,)1,8<0 =1 1.2.3否定词特征 6=0 本文参考郝雷红对否定副词范围的界定1)，选 /∑P()xY(,)×n(), 取“不是”、“不会”、“不要”、“没有”等30个常见否 (2) 定词作为否定副词表，并将其极性强度设置为-1。 若P(T)计算结果大于零，表明微博为褒义倾向；若 否定词在句子的情感倾向性判断上有着重要作 结果小于零，表明微博为贬义倾向：否则为中性。 用。如果褒义词前面出现否定词，整个词汇的语义 就会发生逆转，进而影响整个句子的情感倾向性。 2实验结果与分析 例如“我喜欢你”，在情感词前面加上否定词“不”， 利用ROST虚拟学习团队开发的新浪微博搜索 整个句子的情感极性就会发生改变。本文处理否定 数据抓取工具，抓取了在伦敦奥运会期间新浪微博 词的方法是将否定加到其后的第1个情感词上，当 上的热点话题“国羽女双输球”的50页共924条相 一个情感词前面出现不只一个否定词时，则根据否 关评论，经过人工识别，其中13条评论与此话题无 定词出现的次数来判断情感词的极性，出现奇数次 关，443条是负面评论，412条是正面评论，还有56 则情感词的极性逆转，否则情感词的极性不发生改 条是中性评论。一条微博中包含褒贬2种态度的取

个重要特征。 根据人们写作习惯和大量语料分析得 知，人们在微博中发表的观点和情感大多是通过情 感词的形式实现，情感词的褒贬也通常代表这句子 的褒贬。 一般情况下微博文本中都是比较简单的句子， 情感词的倾向就直接决定了这条微博的情感倾向， 情感词的数量和情感强度对每条微博文本的情感倾 向有较大的影响，因此仍然采用极性累加的方法，即 通过情感词极性累加公式（１）来计算每条微博的情 感极性。 １．２．２ 程度副词特征 知网的中文情感分析用词表中提供了程度级别 词语，以知网程度级别词语为基础，参考蔺璜对程度 副词的分类［１２］ ，人工整理所使用的程度副词，并把 程度词语分为 ３ 个级别。 第 １ 级的程度词对所修饰 的情感词的情感强度大大加强，例如“极其”、“最”。 第 ２ 级的程度词对所修饰的情感词的情感强度是加 强作用，如“很”、“非常”。 第 ３ 级的程度词对所修 饰的情感词的情感强度是削弱作用，如“有点”、“稍 微”。 ３ 个级别程度词对所修饰情感词的情感强度 扩大倍数分别设置为第 １ 级 ２ 倍，第 ２ 级 １．５ 倍，第 ３ 级 ０．５ 倍。 如果句子中情感词语前面有程度词修饰，那么 被修饰的情感词语的情感强度必然发生改变，进而 会影响到这个句子的情感强度。 一个程度副词后面 可以有多个情感词，同样一个情感词也可以被多个 程度副词所修饰。 本文处理程度副词的方法是把情 感强度加到其后修饰的第 １ 个情感词上，情感强度 对情感词 ｗｉ 的影响因子 γ 定义为 γ（ｗｉ） ＝ ∏ ｍ ｋ ＝ １ Ｄ（ｄｋ） 式中： Ｄ（ｄｋ） 为程度副词的情感强度扩大倍数。 １．２．３ 否定词特征 本文参考郝雷红对否定副词范围的界定［１３］ ，选 取“不是”、“不会”、“不要”、“没有”等 ３０ 个常见否 定词作为否定副词表，并将其极性强度设置为－１。 否定词在句子的情感倾向性判断上有着重要作 用。 如果褒义词前面出现否定词，整个词汇的语义 就会发生逆转，进而影响整个句子的情感倾向性。 例如“我喜欢你”，在情感词前面加上否定词“不”， 整个句子的情感极性就会发生改变。 本文处理否定 词的方法是将否定加到其后的第 １ 个情感词上，当 一个情感词前面出现不只一个否定词时，则根据否 定词出现的次数来判断情感词的极性，出现奇数次 则情感词的极性逆转，否则情感词的极性不发生改 变。 因此，否定词对情感词 ｗｉ 的影响因子 η 定义为 η（ｗｉ） ＝ （ － １） ｎ １．２．４ 表情符号特征 很多微博用户习惯在发布消息时加上一些表情 符号，这些表情符号通常是由微博平台提供，方便用 户的使用。 微博消息中的表情符号被抓取后的表现 形式变为中括号加文本，如表情符号“ ”相应文 本为“嘻嘻”。 用户选择不同的表情符号表达了不 同的情感色彩，因此，本文把新浪微博平台提供的常 用表情符号分为正向和负向 ２ 类。 一般情况下，如果一条微博消息包含表情符号， 那么首先选择通过表情符号来判断一条微博的情感 倾向。 一条微博中可以包含多个表情符号，因此，首 先需要对一条微博消息中的正向表情符号个数 ｅＰ 和负向表情符号个数 ｅＮ 进行统计，并把表情符号对 整条微博的情感倾向影响因素 δ 定义为 δ ＝ ｅＰ － ｅＮ 式中：当 δ＞０ 时，就认为该微博为褒义倾向；当δ＜０ 时，表明该消息为贬义倾向；否则通过其他特征来判 定该条微博消息的情感倾向。 １．２．５ 情感计算 因为微博文本内容较短，一般都在 １４０ 字以内， 通常也只包含一两句话，并且句法分析技术直接用 于微博文本存在错误率较高的问题，所以本文省略 了对微博文本进行句法分析，不再分句，从而直接对 整条微博进行处理。 综合考虑以上几个特征使用式 （２）对一条微博的情感倾向值 Ｐ（Ｔ） 进行计算： Ｐ（Ｔ） ＝ ｜∑ ｎ ｉ ＝ １ Ｐ（ｗｉ） × γ（ｗｉ） × η（ｗｉ） ｜ ， δ ＞ ０ －｜∑ ｎ ｉ ＝ １ Ｐ（ｗｉ） × γ（ｗｉ） × η（ｗｉ） ｜ ， δ ＜ ０ ∑ ｎ ｉ ＝ １ Ｐ（ｗｉ） × γ（ｗｉ） × η（ｗｉ） ， δ ＝ ０ ì î í ï ï ï ï ï ï ï ï （２） 若 Ｐ（Ｔ） 计算结果大于零，表明微博为褒义倾向；若 结果小于零，表明微博为贬义倾向；否则为中性。 ２ 实验结果与分析 利用 ＲＯＳＴ 虚拟学习团队开发的新浪微博搜索 数据抓取工具，抓取了在伦敦奥运会期间新浪微博 上的热点话题“国羽女双输球”的 ５０ 页共 ９２４ 条相 关评论，经过人工识别，其中 １３ 条评论与此话题无 关，４４３ 条是负面评论，４１２ 条是正面评论，还有 ５６ 条是中性评论。 一条微博中包含褒贬 ２ 种态度的取 第 １ 期 赵文清，等：语义规则在微博热点话题情感分析中的应用 ·１２３·

·124. 智能系统学报 第9卷 其中一种较为明显的态度，否则归为中性。 于语义规则的方法是有效可行的。 首先对每条微博评论进行分词、词性标注等预 对造成情感判断错误的原因进行分析，由于网 处理，然后分别采用上节介绍的基于情感词典的方 络中出现的一些网络词语导致情感词、修饰词未能 法和基于语义规则的方法分析处理微博评论，最后 识别，对分类结果造成影响，另外由于微博中的反 分别得到正面、负面和中性的评论数目，并与人工识 讽、隐喻等表达方式也对分类结果造成一定影响。 别的结果相比较和计算2种方法的准确率(P)。实 3 结束语 验结果如表1所示。 表12种方法得到的评论数目和准确率 本文根据中文微博的特点，在情感词的基础上 Table 1 Reviewer number and correct ratio of two methods 综合考虑了微博消息文本中的修饰程度副词、否定 情感词典 语义规则 词和表情符号特征，提出一种基于语义规则的方法 对微博热点话题进行情感分析，并与基于情感词典 类别 自动识 准确率自动识 准确率 正确数 别数 P/% 别数 正确数 的方法做了实验对比，实验结果证明了所提方法的 P/% 有效性和可行性。 正面 385 254 65.9 406 281 69.2 另外，虽然该方法在微博消息文本情感倾向性 负面 487 306 62.8 470318 67.6 识别的准确率上有了一定提高，但整体水平不是很 中性 39717.9358 22.8 高，主要是由于微博文本情感分析中缺少情感所属 合计 911567 62.2 911 607 66.6 对象的识别，以及微博上反讽和网络新语的出现，这 通过表1，可以看到基于语义规则的方法比基 些都是情感分析中的难点，未来的工作将考虑上属 于情感词典的方法的准确率有了明显的提升，说明 情况对微博情感分析做进一步研究。 在微博消息处理中上下文语义关系和表情符号对一 条微博的情感倾向的判断有着重要的影响，同时也 参考文献： 说明了基于语义规则的方法是有效可行的。 [1]PANG B,LEE L,VAITHYANATHAN S.Thumbs up?Sen- 本文从召回率(R)和F值(F-measure)2个方面 timent classification using machine learning techniques 对所提方法和情感词典方法做了进一步比较，结果 [C]//Proceedings of the ACL-02 Conference on Empirical 如表2所示。 Methods in Natural Language Processing.Stroudsburg, USA,2002:79-86. 召回率(R)表示为 [2]郑斐然，苗夺谦，张志飞，等.一种中文微博新闻话题检测 A R= 的方法[J].计算机科学，2012,39(1)：138-141. A+C ZHENG Feiran,MIAO Duoqian,ZHANG Zhifei,et al. 式中：A表示分类正确的文本数目，C表示分类错误 News topic detection approach on Chinese microblog[J]. 和没有被分类的文本数目。F值的表达式为 Computer Science,2012.39(1):138-141. 2XPXR [3]DAVIDIV D,TSUR O,RAPPOPORT A.Enhanced senti- F-measure P+R ment learning using Twitter hashtags and smileys[C]//Pro- ceedings of the 23rd International Conference on Computa- 表22种方法得到的召回率和F值 tional Linguistics.Beijing,China,2010:241-249. Table 2 Recall and F-measure of two methods % [4]JIANG Long,YU Mo,ZHOU Ming,et al.Target-dependent 情感词典 语义规则 Twitter sentiment classification C ]//The 49th Annual 类别 召回率 F值 召回率 F值 Meeting of the Association for Computational Linguistics: Human Language Technologies.Portland,USA:151-160. 正面 61.7 63.7 68.2 68.7 [5]谢丽星.基于SVM的中文微博情感分析研究[D]北京： 负面 69.1 65.8 71.8 69.6 清华大学，2011. 中性 12.5 14.7 14.3 17.6 XIE Lixing.Sentiment analysis of Chinese microblog using 由表2可以看出，基于语义规则的方法比基于 SVM[D].Beijing:Tsinghua University,2011. 情感词典的方法在召回率和F值方面都有了明显 [6]刘志明，刘鲁.基于机器学习的中文微博情感分类实证研 的提升，基于语义规则的方法能得到最好的分类效 究[J].计算机工程与应用，2012,48(1)：1-4. LIU Zhiming,LIU Lu.Empirical study of sentiment classifi- 果，其F-measure分别为正面68.7%、负面69.6%和 cation for Chinese microblog based on machine learning[J] 中性17.6%。F-measure是对准确率与召回率的综 Computer Engineering and Applications,2012,48(1):1-4. 合评估。表2进一步说明了在微博情感分析中，基 [7]TURNEY P D.Thumbs up or thumbs down?Semantic orien-

其中一种较为明显的态度，否则归为中性。 首先对每条微博评论进行分词、词性标注等预 处理，然后分别采用上节介绍的基于情感词典的方 法和基于语义规则的方法分析处理微博评论，最后 分别得到正面、负面和中性的评论数目，并与人工识 别的结果相比较和计算 ２ 种方法的准确率（Ｐ）。 实 验结果如表 １ 所示。 表 １ ２ 种方法得到的评论数目和准确率 Ｔａｂｌｅ １ Ｒｅｖｉｅｗｅｒ ｎｕｍｂｅｒ ａｎｄ ｃｏｒｒｅｃｔ ｒａｔｉｏ ｏｆ ｔｗｏ ｍｅｔｈｏｄｓ 类别 情感词典 语义规则 自动识 别数 正确数 准确率 Ｐ／ ％ 自动识 别数 正确数 准确率 Ｐ／ ％ 正面 负面 中性 合计 ３８５ ４８７ ３９ ９１１ ２５４ ３０６ ７ ５６７ ６５．９ ６２．８ １７．９ ６２．２ ４０６ ４７０ ３５ ９１１ ２８１ ３１８ ８ ６０７ ６９．２ ６７．６ ２２．８ ６６．６ 通过表 １，可以看到基于语义规则的方法比基 于情感词典的方法的准确率有了明显的提升，说明 在微博消息处理中上下文语义关系和表情符号对一 条微博的情感倾向的判断有着重要的影响，同时也 说明了基于语义规则的方法是有效可行的。 本文从召回率（Ｒ）和 Ｆ 值（Ｆ⁃ｍｅａｓｕｒｅ）２ 个方面 对所提方法和情感词典方法做了进一步比较，结果 如表 ２ 所示。 召回率（Ｒ）表示为 Ｒ ＝ Ａ Ａ ＋ Ｃ 式中：Ａ 表示分类正确的文本数目，Ｃ 表示分类错误 和没有被分类的文本数目。 Ｆ 值的表达式为 Ｆ⁃ｍｅａｓｕｒｅ ＝ ２ × Ｐ × Ｒ Ｐ ＋ Ｒ 表 ２ ２ 种方法得到的召回率和 Ｆ 值 Ｔａｂｌｅ ２ Ｒｅｃａｌｌ ａｎｄ Ｆ⁃ｍｅａｓｕｒｅ ｏｆ ｔｗｏ ｍｅｔｈｏｄｓ ％ 类别 情感词典 语义规则 召回率 Ｆ 值 召回率 Ｆ 值 正面 负面 中性 ６１．７ ６９．１ １２．５ ６３．７ ６５．８ １４．７ ６８．２ ７１．８ １４．３ ６８．７ ６９．６ １７．６ 由表 ２ 可以看出，基于语义规则的方法比基于 情感词典的方法在召回率和 Ｆ 值方面都有了明显 的提升，基于语义规则的方法能得到最好的分类效 果，其 Ｆ⁃ｍｅａｓｕｒｅ 分别为正面 ６８．７％、负面 ６９．６％和 中性 １７．６％。 Ｆ⁃ｍｅａｓｕｒｅ 是对准确率与召回率的综 合评估。 表 ２ 进一步说明了在微博情感分析中，基 于语义规则的方法是有效可行的。 对造成情感判断错误的原因进行分析，由于网 络中出现的一些网络词语导致情感词、修饰词未能 识别，对分类结果造成影响，另外由于微博中的反 讽、隐喻等表达方式也对分类结果造成一定影响。 ３ 结束语 本文根据中文微博的特点，在情感词的基础上 综合考虑了微博消息文本中的修饰程度副词、否定 词和表情符号特征，提出一种基于语义规则的方法 对微博热点话题进行情感分析，并与基于情感词典 的方法做了实验对比，实验结果证明了所提方法的 有效性和可行性。 另外，虽然该方法在微博消息文本情感倾向性 识别的准确率上有了一定提高，但整体水平不是很 高，主要是由于微博文本情感分析中缺少情感所属 对象的识别，以及微博上反讽和网络新语的出现，这 些都是情感分析中的难点，未来的工作将考虑上属 情况对微博情感分析做进一步研究。 参考文献： ［１］ＰＡＮＧ Ｂ， ＬＥＥ Ｌ， ＶＡＩＴＨＹＡＮＡＴＨＡＮ Ｓ． Ｔｈｕｍｂｓ ｕｐ？ Ｓｅｎ⁃ ｔｉｍｅｎｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｔｅｃｈｎｉｑｕｅｓ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＡＣＬ－０２ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｅｍｐｉｒｉｃａｌ Ｍｅｔｈｏｄｓ ｉｎ Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ． Ｓｔｒｏｕｄｓｂｕｒｇ， ＵＳＡ， ２００２： ７９⁃８６． ［２］郑斐然，苗夺谦，张志飞，等．一种中文微博新闻话题检测 的方法［Ｊ］．计算机科学， ２０１２， ３９（１）： １３８⁃１４１． ＺＨＥＮＧ Ｆｅｉｒａｎ， ＭＩＡＯ Ｄｕｏｑｉａｎ， ＺＨＡＮＧ Ｚｈｉｆｅｉ， ｅｔ ａｌ． Ｎｅｗｓ ｔｏｐｉｃ ｄｅｔｅｃｔｉｏｎ ａｐｐｒｏａｃｈ ｏｎ Ｃｈｉｎｅｓｅ ｍｉｃｒｏｂｌｏｇ ［ Ｊ］． Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ， ２０１２， ３９（１）： １３８⁃１４１． ［３］ＤＡＶＩＤＩＶ Ｄ， ＴＳＵＲ Ｏ， ＲＡＰＰＯＰＯＲＴ Ａ． Ｅｎｈａｎｃｅｄ ｓｅｎｔｉ⁃ ｍｅｎｔ ｌｅａｒｎｉｎｇ ｕｓｉｎｇ Ｔｗｉｔｔｅｒ ｈａｓｈｔａｇｓ ａｎｄ ｓｍｉｌｅｙｓ［Ｃ］ ／ ／ Ｐｒｏ⁃ ｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２３ｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔａ⁃ ｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ． Ｂｅｉｊｉｎｇ， Ｃｈｉｎａ， ２０１０： ２４１⁃２４９． ［４］ＪＩＡＮＧ Ｌｏｎｇ， ＹＵ Ｍｏ， ＺＨＯＵ Ｍｉｎｇ， ｅｔ ａｌ． Ｔａｒｇｅｔ⁃ｄｅｐｅｎｄｅｎｔ Ｔｗｉｔｔｅｒ ｓｅｎｔｉｍｅｎｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ［ Ｃ ］ ／ ／ Ｔｈｅ ４９ｔｈ Ａｎｎｕａｌ Ｍｅｅｔｉｎｇ ｏｆ ｔｈｅ Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ： Ｈｕｍａｎ Ｌａｎｇｕａｇｅ Ｔｅｃｈｎｏｌｏｇｉｅｓ． Ｐｏｒｔｌａｎｄ， ＵＳＡ： １５１⁃１６０． ［５］谢丽星．基于 ＳＶＭ 的中文微博情感分析研究［Ｄ］．北京： 清华大学， ２０１１． ＸＩＥ Ｌｉｘｉｎｇ． Ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ ｏｆ Ｃｈｉｎｅｓｅ ｍｉｃｒｏｂｌｏｇ ｕｓｉｎｇ ＳＶＭ［Ｄ］． Ｂｅｉｊｉｎｇ： Ｔｓｉｎｇｈｕａ Ｕｎｉｖｅｒｓｉｔｙ， ２０１１． ［６］刘志明，刘鲁．基于机器学习的中文微博情感分类实证研 究［Ｊ］．计算机工程与应用， ２０１２， ４８（１）： １⁃４． ＬＩＵ Ｚｈｉｍｉｎｇ， ＬＩＵ Ｌｕ． Ｅｍｐｉｒｉｃａｌ ｓｔｕｄｙ ｏｆ ｓｅｎｔｉｍｅｎｔ ｃｌａｓｓｉｆｉ⁃ ｃａｔｉｏｎ ｆｏｒ Ｃｈｉｎｅｓｅ ｍｉｃｒｏｂｌｏｇ ｂａｓｅｄ ｏｎ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ［Ｊ］． Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ， ２０１２， ４８（１）： １⁃４． ［７］ＴＵＲＮＥＹ Ｐ Ｄ． Ｔｈｕｍｂｓ ｕｐ ｏｒ ｔｈｕｍｂｓ ｄｏｗｎ？ Ｓｅｍａｎｔｉｃ ｏｒｉｅｎ⁃ ·１２４· 智 能 系 统 学 报 第 ９ 卷

第1期 赵文清，等：语义规则在微博热点话题情感分析中的应用 ·125. tation applied to unsupervised classification of reviews [13]郝雷红.现代汉语否定副词研究[D].北京：首都师范大 [C]//Proceedings of the 40th Annual Meeting of the Asso- 学，2003. ciation for Computational Linguistics.Philadelphia,USA, HAO Leihong.Research on negative aderbs of modern Chi- 2002:417-424. nese[D.Beijing:Capital Normal University,2003. [8]朱嫣岚，闵锦，周雅倩，等.基于HowNet的词汇语义倾向 作者简介： 计算[J刀.中文信息学报，2006,20(1)：14-20. 赵文清，女，1973年生，副教授，中 ZHU Yanlan,MIN Jin,ZHOU Yaqian,et al.Semantic ori- 国人工智能学会粗糙集与软计算专业 entation computing based on How Net[J].Journal of Chinese 委员会委员，主要研究方向为机器学 Information Processing,2006,20(1):14-20. 习、数据挖掘、贝叶斯网络学习等。获 [9]SHEN Yang,LI Shuchen,ZHENG Ling,et al.Emotion 河北省科技进步三等奖1项、国家发明 mining research on micro-blog[C]//2009 Ist IEEE Sympo- 专利1项，发表学术论文30余篇，出版 sium on Web Society.Lanzhou,China,2009:71-75 教材3部。 [10]张华平.NLPIR微博内容语料库-23万条[EB/OL]. [2012-08-05].http://www.nlpir.org/?action-viewnews- 侯小可，男，1985年生，硕士研究 itemid-231.2012,02,14/2012,02,18. [11]吴泽衡基于话题检测和情感分析的互联网热点分析与 生，主要研究方向为人工智能、数据挖 监控技术研究[D]广州：华南理工大学，2011. 掘等。 WU Zeheng.Research on internet hotspot analysis and mo- nitoring technologies based on topic detection and senti- ment analysis[D].Guangzhou:South China University of Technology,2011. [12]蔺璜，郭妹慧程度副词的特点范围与分类[J].山西大 沙海虹，男，1971年生，高级工程 学学报：哲学社会科学版，2003,26(2)：71-74， 师，主要研究方向为人工智能、数据 LIN Huang,GUO Shuhui.On the characteristics,range 挖掘。 and classification of adverbs of degree [J].Journal of Shanxi University:Philosophy Social Science,2003,26 (2):71-74. 2014年全国模式识别学术会议 Chinese Conference on Pattern Recognition 2014 全国模式识别学术会议(Chinese Conference on Pattern Recognition,CCPR)旨在为国内学者提供一个学 术交流和成果展示的平台，促进国内模式识别研究和应用的发展。该会议2007年和2008年在北京、2009 年在南京、2010年在重庆，2012年在北京举行，得到了国内同行的积极响应。2012年起，全国模式识别学术 会议改为2年举行1次。第6届全国模式识别会议(6 th Chinese Conference on Pattern Recognition,CCPR 2014)将于2014年11月3一5日在长沙湖南大学召开。会议面向国内外同行征集模式识别领域的高质量学 术论文，任何促进模式识别技术发展、进步和应用的相关成果都属于我们征集的范畴。同时，鼓励探讨本领 域研究热点、长远规划和学科前沿的论文投稿。 重要日期： 投稿截止：2014-05-30 录用通知：2014-07-30 最终稿提交：2014-08-25 会议日期：2014-11-17一19 会议网站：http:/eeit.hnu.cn/ccpr20l4/index.html

ｔａｔｉｏｎ ａｐｐｌｉｅｄ ｔｏ ｕｎｓｕｐｅｒｖｉｓｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｒｅｖｉｅｗｓ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ４０ｔｈ Ａｎｎｕａｌ Ｍｅｅｔｉｎｇ ｏｆ ｔｈｅ Ａｓｓｏ⁃ ｃｉａｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ． Ｐｈｉｌａｄｅｌｐｈｉａ， ＵＳＡ， ２００２： ４１７⁃４２４． ［８］朱嫣岚，闵锦，周雅倩，等．基于 ＨｏｗＮｅｔ 的词汇语义倾向 计算［Ｊ］．中文信息学报， ２００６， ２０（１）： １４⁃２０． ＺＨＵ Ｙａｎｌａｎ， ＭＩＮ Ｊｉｎ， ＺＨＯＵ Ｙａｑｉａｎ， ｅｔ ａｌ． Ｓｅｍａｎｔｉｃ ｏｒｉ⁃ ｅｎｔａｔｉｏｎ ｃｏｍｐｕｔｉｎｇ ｂａｓｅｄ ｏｎ ＨｏｗＮｅｔ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｈｉｎｅｓｅ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ， ２００６， ２０（１）： １４⁃２０． ［９］ ＳＨＥＮ Ｙａｎｇ， ＬＩ Ｓｈｕｃｈｅｎ， ＺＨＥＮＧ Ｌｉｎｇ， ｅｔ ａｌ． Ｅｍｏｔｉｏｎ ｍｉｎｉｎｇ ｒｅｓｅａｒｃｈ ｏｎ ｍｉｃｒｏ⁃ｂｌｏｇ［Ｃ］ ／ ／ ２００９ １ｓｔ ＩＥＥＥ Ｓｙｍｐｏ⁃ ｓｉｕｍ ｏｎ Ｗｅｂ Ｓｏｃｉｅｔｙ． Ｌａｎｚｈｏｕ， Ｃｈｉｎａ， ２００９： ７１⁃７５． ［１０］张华平． ＮＬＰＩＲ 微博内容语料库 － ２３ 万条［ ＥＢ／ ＯＬ］． ［２０１２⁃０８⁃０５］． ｈｔｔｐ： ／ ／ ｗｗｗ． ｎｌｐｉｒ． ｏｒｇ ／ ？ ａｃｔｉｏｎ⁃ｖｉｅｗｎｅｗｓ⁃ ｉｔｅｍｉｄ⁃２３１．２０１２，０２，１４ ／ ２０１２，０２，１８． ［１１］吴泽衡．基于话题检测和情感分析的互联网热点分析与 监控技术研究［Ｄ］．广州：华南理工大学， ２０１１． ＷＵ Ｚｅｈｅｎｇ． Ｒｅｓｅａｒｃｈ ｏｎ ｉｎｔｅｒｎｅｔ ｈｏｔｓｐｏｔ ａｎａｌｙｓｉｓ ａｎｄ ｍｏ⁃ ｎｉｔｏｒｉｎｇ ｔｅｃｈｎｏｌｏｇｉｅｓ ｂａｓｅｄ ｏｎ ｔｏｐｉｃ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｓｅｎｔｉ⁃ ｍｅｎｔ ａｎａｌｙｓｉｓ［Ｄ］． Ｇｕａｎｇｚｈｏｕ： Ｓｏｕｔｈ Ｃｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， ２０１１． ［１２］蔺璜，郭姝慧．程度副词的特点范围与分类［ Ｊ］．山西大 学学报：哲学社会科学版， ２００３， ２６（２）： ７１⁃７４． ＬＩＮ Ｈｕａｎｇ， ＧＵＯ Ｓｈｕｈｕｉ． Ｏｎ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ， ｒａｎｇｅ ａｎｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ａｄｖｅｒｂｓ ｏｆ ｄｅｇｒｅｅ ［ Ｊ ］． Ｊｏｕｒｎａｌ ｏｆ Ｓｈａｎｘｉ Ｕｎｉｖｅｒｓｉｔｙ： Ｐｈｉｌｏｓｏｐｈｙ ＆ Ｓｏｃｉａｌ Ｓｃｉｅｎｃｅ， ２００３， ２６ （２）： ７１⁃７４． ［１３］郝雷红．现代汉语否定副词研究［Ｄ］．北京：首都师范大 学， ２００３． ＨＡＯ Ｌｅｉｈｏｎｇ． Ｒｅｓｅａｒｃｈ ｏｎ ｎｅｇａｔｉｖｅ ａｄｅｒｂｓ ｏｆ ｍｏｄｅｒｎ Ｃｈｉ⁃ ｎｅｓｅ［Ｄ］． Ｂｅｉｊｉｎｇ： Ｃａｐｉｔａｌ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ， ２００３． 作者简介： 赵文清，女，１９７３ 年生，副教授，中 国人工智能学会粗糙集与软计算专业 委员会委员，主要研究方向为机器学 习、数据挖掘、贝叶斯网络学习等。 获 河北省科技进步三等奖 １ 项、国家发明 专利 １ 项，发表学术论文 ３０ 余篇，出版 教材 ３ 部。 侯小可，男，１９８５ 年生，硕士研究 生，主要研究方向为人工智能、数据挖 掘等。 沙海虹，男，１９７１ 年生，高级工程 师，主要研究方 向 为 人 工 智 能、 数 据 挖掘。 ２０１４ 年全国模式识别学术会议 Ｃｈｉｎｅｓｅ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ２０１４ 全国模式识别学术会议（Ｃｈｉｎｅｓｅ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ， ＣＣＰＲ） 旨在为国内学者提供一个学 术交流和成果展示的平台，促进国内模式识别研究和应用的发展。 该会议 ２００７ 年和 ２００８ 年在北京、２００９ 年在南京、２０１０ 年在重庆、２０１２ 年在北京举行，得到了国内同行的积极响应。 ２０１２ 年起，全国模式识别学术 会议改为 ２ 年举行 １ 次。 第 ６ 届全国模式识别会议（６ｔｈ Ｃｈｉｎｅｓｅ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ， ＣＣＰＲ ２０１４）将于 ２０１４ 年 １１ 月 ３—５ 日在长沙湖南大学召开。 会议面向国内外同行征集模式识别领域的高质量学 术论文，任何促进模式识别技术发展、 进步和应用的相关成果都属于我们征集的范畴。 同时，鼓励探讨本领 域研究热点、长远规划和学科前沿的论文投稿。 重要日期： 投稿截止：２０１４⁃０５⁃３０ 录用通知：２０１４⁃０７⁃３０ 最终稿提交：２０１４⁃０８⁃２５ 会议日期：２０１４－１１⁃１７—１９ 会议网站：ｈｔｔｐ： ／ ／ ｅｅｉｔ．ｈｎｕ．ｃｎ ／ ｃｃｐｒ２０１４ ／ ｉｎｄｅｘ．ｈｔｍｌ 第 １ 期 赵文清，等：语义规则在微博热点话题情感分析中的应用 ·１２５·