·748· 智能系统学报 第12卷 语义特征和图片的语义特征，语义特征提取过程如 提出方法的有效性我们采取了交叉验证的方式，其 算法所示。 中700条数据作为训练集，300条数据作为测试集。 4)将该语义特征在SVM-2K分类器中进行训 数据采集过程如图2所示。 练，然后用测试集验证。 微博模拟登陆 网页采集器 URL调度器 5)得到测试集的情感分类结果。 算法语义特征提取 输入trainset,testset; 信总抽取 URL数据库 输出lsa_trainset,lsa_testset 1)txtimgtr+Text(trainset)+ixImage(trainset); /*Text函数取数据集中的文本数据，Image函 微博 提取URL 数取数据集中的图像数据，ⅰ为虚数的单位i*/； 2)txtimage+Text(testset)+ix Image(testset); 图2新浪微博数据采集过程 3)C0MPS_LSA←-300： Fig.2 Sina micro-blog data acquisition process 4)comTxtlmgTr+txtimgtr 将得到的微博数据作如下数据预处理： /*txtimgtr为矩阵txtimgtr的转置*/； 1)过滤微博的一些冗余信息，如网址、转发对 5)[U,Σ，VT]=swd(comTxtImgTr,COMPS_LSA); 象、表情符号等。 6)US-U(:,1:COMPS_ISA); 2)将得到的微博文本和图像分离并编号，同一 7)SS-S(1 COMPS_LSA,1:COMPS_LSA); 条微博的文本和图片编号相同。 /*对矩阵进行奇异值分解，取前COMPS_LSA= 3)分词：我们使用汉语分词系统ICTCLAS1]对 300个最大的奇异值，也即为语义空间的维度*/： 微博的文本进行分词。 8)comTxtImgTe←-comTxtImgTe·U·inv(SS); 4)去除停用词：分词后，去除一些无意义的停 9)comTxtlmgTr←comTxtlmg'·US·inv(SS): 用词。 /*inv为取矩阵的逆的函数*/； 3.2实验设计 实验中我们设置LSA语义空间的维度r=300, 10)lsa_Ttr+Text(comTxtImgTr); 11)Isa_Tte+-Text(comTxtImgTe); 分别用向量空间模型(vector space model)和布尔模 型(Bool model)进行加权。由于Tan等[]已经证 12)Isa_Itr+Image(comTxtImgTr); 明对于情感分类来说，6000维度已经可以充分表示 13)Isa_Ite+Image(comTxtImgTe); 文本。除了选取6000作为特征维度，我们展示了 14)return Isa_Ttr+lsi_Itr,Isa_Tte Isi_Ite 特征维度为5000维下的实验结果。 3 实验 在文本特征选择时，使用了文档频率(document frequency,DF)、互信息(mutual information,Ml)、卡 本节实验是为了验证多视图语义特征融合的 方分布(Chi-squared distribution,CH)和信息增益 有效性。我们使用了基于复数表示的文本特征和 (Information Gain,IG)这4种文本特征选择的方 图像特征的并行融合方法，并将其进行潜在语义分 法，并比较了这4种特征做情感分类时的结果：对于 析。将文本特征和图像特征分别映射到同维度下 图像，我们提取了图像的亮度、饱和度、色相、纹理、 语义空间，得到各自的语义特征，将得到的语义特 灰度共生矩阵。然后将提取的特征通过LSA映射 征用于训练分类器，最后使用测试集验证了微博情 到一个语义空间得到各自的语义特征，最后将文本 感分类的效果。 和图像的语义特征使用SVM-2K进行分类，并使用 3.1数据集 测试集测试得到情感分类的结果。通过实验结果 实验的数据集为爬虫从新浪微博的热门微博 验证本文提出的基于文本和图像的语义特征情感 下爬取的。为了完成本文的任务，在爬取微博的时 分类方法的有效性。 候仅仅保留同时含有文字和配图的微博。最终留 3.3实验结果 下1000条微博数据并手动进行标注。为了验证所 表1展示了文本特征为5000维度时，使用纯语义特征和图片的语义特征，语义特征提取过程如 算法所示。 ４） 将该语义特征在 ＳＶＭ⁃２Ｋ 分类器中进行训 练，然后用测试集验证。 ５）得到测试集的情感分类结果。 算法 语义特征提取 输入 ｔｒａｉｎｓｅｔ， ｔｅｓｔｓｅｔ； 输出 ｌｓａ＿ｔｒａｉｎｓｅｔ， ｌｓａ＿ｔｅｓｔｓｅｔ。 １）ｔｘｔｉｍｇｔｒ←Ｔｅｘｔ（ｔｒａｉｎｓｅｔ） ＋ ｉ×Ｉｍａｇｅ（ｔｒａｉｎｓｅｔ）； ／ ∗ Ｔｅｘｔ 函数取数据集中的文本数据，Ｉｍａｇｅ 函 数取数据集中的图像数据，ｉ 为虚数的单位 ｉ∗／ ； ２）ｔｘｔｉｍａｇｅ←Ｔｅｘｔ（ｔｅｓｔｓｅｔ） ＋ ｉ × Ｉｍａｇｅ（ｔｅｓｔｓｅｔ）； ３）ＣＯＭＰＳ＿ＬＳＡ←３００ ； ４）ｃｏｍＴｘｔＩｍｇＴｒ← ｔｘｔｉｍｇｔｒ Ｔ ／ ∗ ｔｘｔｉｍｇｔｒ Ｔ 为矩阵 ｔｘｔｉｍｇｔｒ 的转置∗／ ； ５） ［Ｕ，Σ，Ｖ Ｔ ］ ＝ ｓｖｄ（ｃｏｍＴｘｔＩｍｇＴｒ，ＣＯＭＰＳ＿ＬＳＡ） ； ６）ＵＳ←Ｕ（ ∶， １ ∶ＣＯＭＰＳ＿ＬＳＡ）； ７）ＳＳ← Ｓ（１ ∶ＣＯＭＰＳ＿ＬＳＡ， １ ∶ＣＯＭＰＳ＿ＬＳＡ）； ／ ∗ 对矩阵进行奇异值分解，取前 ＣＯＭＰＳ＿ＬＳＡ＝ ３００ 个最大的奇异值，也即为语义空间的维度∗／ ； ８）ｃｏｍＴｘｔＩｍｇＴｅ←ｃｏｍＴｘｔＩｍｇＴｅ·Ｕ·ｉｎｖ（ＳＳ）； ９）ｃｏｍＴｘｔＩｍｇＴｒ ←ｃｏｍＴｘｔＩｍｇＴｒ Ｔ·ＵＳ·ｉｎｖ（ＳＳ）； ／ ∗ ｉｎｖ 为取矩阵的逆的函数∗／ ； １０）ｌｓａ＿Ｔｔｒ←Ｔｅｘｔ（ｃｏｍＴｘｔＩｍｇＴｒ）； １１）ｌｓａ＿Ｔｔｅ←Ｔｅｘｔ（ｃｏｍＴｘｔＩｍｇＴｅ）； １２）ｌｓａ＿Ｉｔｒ←Ｉｍａｇｅ（ｃｏｍＴｘｔＩｍｇＴｒ）； １３）ｌｓａ＿Ｉｔｅ←Ｉｍａｇｅ（ｃｏｍＴｘｔＩｍｇＴｅ）； １４）ｒｅｔｕｒｎ ｌｓａ＿Ｔｔｒ＋ｌｓｉ＿Ｉｔｒ， ｌｓａ＿Ｔｔｅ ＋ ｌｓｉ＿Ｉｔｅ。 ３ 实验 本节实验是为了验证多视图语义特征融合的 有效性。 我们使用了基于复数表示的文本特征和 图像特征的并行融合方法，并将其进行潜在语义分 析。 将文本特征和图像特征分别映射到同维度下 语义空间，得到各自的语义特征，将得到的语义特 征用于训练分类器，最后使用测试集验证了微博情 感分类的效果。 ３．１ 数据集 实验的数据集为爬虫从新浪微博的热门微博 下爬取的。 为了完成本文的任务，在爬取微博的时 候仅仅保留同时含有文字和配图的微博。 最终留 下 １ ０００ 条微博数据并手动进行标注。 为了验证所 提出方法的有效性我们采取了交叉验证的方式，其 中 ７００ 条数据作为训练集，３００ 条数据作为测试集。 数据采集过程如图 ２ 所示。 图 ２ 新浪微博数据采集过程 Ｆｉｇ．２ Ｓｉｎａ ｍｉｃｒｏ⁃ｂｌｏｇ ｄａｔａ ａｃｑｕｉｓｉｔｉｏｎ ｐｒｏｃｅｓｓ 将得到的微博数据作如下数据预处理： １）过滤微博的一些冗余信息，如网址、转发对 象、表情符号等。 ２）将得到的微博文本和图像分离并编号，同一 条微博的文本和图片编号相同。 ３）分词：我们使用汉语分词系统 ＩＣＴＣＬＡＳ ［１８］对 微博的文本进行分词。 ４）去除停用词：分词后，去除一些无意义的停 用词。 ３．２ 实验设计 实验中我们设置 ＬＳＡ 语义空间的维度 ｒ ＝ ３００， 分别用向量空间模型（ｖｅｃｔｏｒ ｓｐａｃｅ ｍｏｄｅｌ）和布尔模 型（Ｂｏｏｌ ｍｏｄｅｌ） 进行加权。 由于 Ｔａｎ 等 ［１９］已经证 明对于情感分类来说，６ ０００ 维度已经可以充分表示 文本。 除了选取 ６ ０００ 作为特征维度，我们展示了 特征维度为 ５ ０００ 维下的实验结果。 在文本特征选择时，使用了文档频率（ｄｏｃｕｍｅｎｔ ｆｒｅｑｕｅｎｃｙ， ＤＦ）、互信息（ｍｕｔｕａｌ ｉｎｆｏｒｍａｔｉｏｎ， ＭＩ）、卡 方分布（Ｃｈｉ－ｓｑｕａｒｅｄ ｄｉｓｔｒｉｂｕｔｉｏｎ， ＣＨＩ）和信息增益 （Ｉｎｆｏｒｍａｔｉｏｎ Ｇａｉｎ， ＩＧ） 这 ４ 种文本特征选择的方 法，并比较了这 ４ 种特征做情感分类时的结果；对于 图像，我们提取了图像的亮度、饱和度、色相、纹理、 灰度共生矩阵。 然后将提取的特征通过 ＬＳＡ 映射 到一个语义空间得到各自的语义特征，最后将文本 和图像的语义特征使用 ＳＶＭ⁃２Ｋ 进行分类，并使用 测试集测试得到情感分类的结果。 通过实验结果 验证本文提出的基于文本和图像的语义特征情感 分类方法的有效性。 ３．３ 实验结果 表 １ 展示了文本特征为 ５ ０００ 维度时，使用纯 ·７４８· 智 能 系 统 学 报 第 １２ 卷