·750 智能系统学报 第12卷 在用户发的带有文本和图片的微博数据中，我 息、地理位置信息等。如何有效地利用这些因素提 们可以发现，本文所提出的基于语义特征的多视图 高情感分类精度有待进一步的研究。 微博情感分类方法的效果明显优于只考虑纯文本 的情况。例如，微博“我希望躺在向日葵上，即使沮 参考文献： 丧，也能朝着阳光”，其配图如图3所示。若使用纯 [1]LIU B.Sentiment analysis and opinion mining[J].Synthesis 文本将其分类得到的是负面的，而若采用本文提出 lectures on human language technologies,2012,5(1): 的多视图语义特征方法将其分类得到的为正面情 1-167. 感。再如，微博“一个人不会，也不可能，将祂的全 [2]PANG T B,PANG B,LEE L.Thumbs up?Sentiment 部呈现给你。你所看到的永远是祂的局部，而局部 classification using machine learning J].Proceedings of EMNLP,2002:79-86. 永远是美好的。”其配图如图4所示。若仅使用纯 [3]TACKSTROM O,MCDONALD R.Semi-supervised latent 文本分类则分类结果为正面情感。采用本文提出 variable models for sentence-level sentiment analysis[C]// 的方法，则得到的是负面情感，而负面情感更加符 The 49th Annual Meeting of the Association for 合事实的判断。进而说明了本文方法的有效性。 Computational Linguistics.Stroudsburg,USA,2011: 569-574. [4]QIU G,LIU B,BU J,et al.Opinion word expansion and target extraction through double propagation[]]. Computational linguistics,2011,37(1):9-27. [5]WU Y.ZAHNG Q.HUANG X,et al.Phrase Dependency Parsing for Opinion Mining[C]//Proceedings of the 2009 Conference on Empirical Methods in Natural Language 图3示例1配图 Processing.Stroudsburg,USA,2009:1533-1541. Fig.3 Image in case 1 [6]LIU Y,HUANG X,AN A,et al.ARSA:a sentiment- aware model for predicting sales performance using blogs [C]//International ACM SIGIR Conference on Research and Development in Information Retrieval.New York,USA, 2007:607-614. [7]MISHNE G,GLANCE N S.Predicting movie sales from blogger sentiment [C]//National Conference on Artificial Intelligence.Menlo Park,USA,2006:155-158. [8]O'CONNOR B,BALASUBRAMANYAN R,ROUTLEDGE 图4示例2配图 B R,et al.From tweets to polls:linking text sentiment to Fig.4 Image in case 2 public opinion time series[C]//Proceedings of the Fourth International AAAI Conference on Weblogs and Social 4结束语 Media.Menlo Park,USA,2010:122-129. 9]CHIANG H C,MOSES R L,POTTER L C.Model-based 本文首先利用并行特征融合方式，将文本和图 Bayesian feature matching with application to synthetic 像合理地组合在一起，然后用潜在语义分析技术， aperture radar target recognition[J].Pattern recognition, 将文本和图像特征统一地映射到一个语义空间，最 2001,34(8)：1539-1553. 后使用多视图分类器SVM-2K进行分类。实验表 [10]MCCULLOUGH C L.Feature and data-level fusion of 明，基于本文多视图的语义特征方法的情感分类获 infrared and visual images[J].Proceedings of SPIE-the 得了比单纯的文本特征或者图像特征更好的效果。 international society for optical engineering,1999,3719: 312-318. 使用融合后的语义特征不管是文本特征做情感分 [11]YANG J,YANG J Y,ZHANG D,et al.Feature fusion: 类还是单从图像特征做情感分类，都比原来的分类 parallel strategy vs.serial strategy[J].Pattern 精度有所提高。但是在31小节数据预处理时难免 recognition,2003,36(6):1369-1381. 会剔除一些有用的信息，如表情、终端信息、转发信 [12]SALTON G,WONG A,YANG C S.A vector space model在用户发的带有文本和图片的微博数据中，我 们可以发现，本文所提出的基于语义特征的多视图 微博情感分类方法的效果明显优于只考虑纯文本 的情况。 例如，微博“我希望躺在向日葵上，即使沮 丧，也能朝着阳光”，其配图如图 ３ 所示。 若使用纯 文本将其分类得到的是负面的，而若采用本文提出 的多视图语义特征方法将其分类得到的为正面情 感。 再如，微博“一个人不会，也不可能，将祂的全 部呈现给你。 你所看到的永远是祂的局部，而局部 永远是美好的。” 其配图如图 ４ 所示。 若仅使用纯 文本分类则分类结果为正面情感。 采用本文提出 的方法，则得到的是负面情感，而负面情感更加符 合事实的判断。 进而说明了本文方法的有效性。 图 ３ 示例 １ 配图 Ｆｉｇ．３ Ｉｍａｇｅ ｉｎ ｃａｓｅ １ 图 ４ 示例 ２ 配图 Ｆｉｇ．４ Ｉｍａｇｅ ｉｎ ｃａｓｅ ２ ４ 结束语 本文首先利用并行特征融合方式，将文本和图 像合理地组合在一起，然后用潜在语义分析技术， 将文本和图像特征统一地映射到一个语义空间，最 后使用多视图分类器 ＳＶＭ⁃２Ｋ 进行分类。 实验表 明，基于本文多视图的语义特征方法的情感分类获 得了比单纯的文本特征或者图像特征更好的效果。 使用融合后的语义特征不管是文本特征做情感分 类还是单从图像特征做情感分类，都比原来的分类 精度有所提高。 但是在 ３．１ 小节数据预处理时难免 会剔除一些有用的信息，如表情、终端信息、转发信 息、地理位置信息等。 如何有效地利用这些因素提 高情感分类精度有待进一步的研究。 参考文献： ［１］ＬＩＵ Ｂ． Ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ ａｎｄ ｏｐｉｎｉｏｎ ｍｉｎｉｎｇ［Ｊ］． Ｓｙｎｔｈｅｓｉｓ ｌｅｃｔｕｒｅｓ ｏｎ ｈｕｍａｎ ｌａｎｇｕａｇｅ ｔｅｃｈｎｏｌｏｇｉｅｓ， ２０１２， ５ （ １）： １－１６７． ［２］ ＰＡＮＧ Ｔ Ｂ， ＰＡＮＧ Ｂ， ＬＥＥ Ｌ． Ｔｈｕｍｂｓ ｕｐ？ Ｓｅｎｔｉｍｅｎｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ［ Ｊ ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＥＭＮＬＰ， ２００２： ７９－８６． ［３］ ＴÄＣＫＳＴＲÖＭ Ｏ， ＭＣＤＯＮＡＬＤ Ｒ． Ｓｅｍｉ⁃ｓｕｐｅｒｖｉｓｅｄ ｌａｔｅｎｔ ｖａｒｉａｂｌｅ ｍｏｄｅｌｓ ｆｏｒ ｓｅｎｔｅｎｃｅ⁃ｌｅｖｅｌ ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ［Ｃ］ ／ ／ Ｔｈｅ ４９ｔｈ Ａｎｎｕａｌ Ｍｅｅｔｉｎｇ ｏｆ ｔｈｅ Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ． Ｓｔｒｏｕｄｓｂｕｒｇ， ＵＳＡ， ２０１１： ５６９－５７４． ［４］ＱＩＵ Ｇ， ＬＩＵ Ｂ， ＢＵ Ｊ， ｅｔ ａｌ． Ｏｐｉｎｉｏｎ ｗｏｒｄ ｅｘｐａｎｓｉｏｎ ａｎｄ ｔａｒｇｅｔ ｅｘｔｒａｃｔｉｏｎ ｔｈｒｏｕｇｈ ｄｏｕｂｌｅ ｐｒｏｐａｇａｔｉｏｎ［Ｊ］． Ｃｏｍｐｕｔａｔｉｏｎａｌ ｌｉｎｇｕｉｓｔｉｃｓ， ２０１１， ３７（１）： ９－２７． ［５］ＷＵ Ｙ， ＺＡＨＮＧ Ｑ， ＨＵＡＮＧ Ｘ， ｅｔ ａｌ． Ｐｈｒａｓｅ Ｄｅｐｅｎｄｅｎｃｙ Ｐａｒｓｉｎｇ ｆｏｒ Ｏｐｉｎｉｏｎ Ｍｉｎｉｎｇ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２００９ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｅｍｐｉｒｉｃａｌ Ｍｅｔｈｏｄｓ ｉｎ Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ． Ｓｔｒｏｕｄｓｂｕｒｇ， ＵＳＡ， ２００９： １５３３－１５４１． ［６］ ＬＩＵ Ｙ， ＨＵＡＮＧ Ｘ， ＡＮ Ａ， ｅｔ ａｌ． ＡＲＳＡ： ａ ｓｅｎｔｉｍｅｎｔ － ａｗａｒｅ ｍｏｄｅｌ ｆｏｒ ｐｒｅｄｉｃｔｉｎｇ ｓａｌｅｓ ｐｅｒｆｏｒｍａｎｃｅ ｕｓｉｎｇ ｂｌｏｇｓ ［Ｃ］ ／ ／ Ｉｎｔｅｒｎａｔｉｏｎａｌ ＡＣＭ ＳＩＧＩＲ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｒｅｓｅａｒｃｈ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ ｉｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｒｅｔｒｉｅｖａｌ． Ｎｅｗ Ｙｏｒｋ， ＵＳＡ， ２００７： ６０７－６１４． ［７］ ＭＩＳＨＮＥ Ｇ， ＧＬＡＮＣＥ Ｎ Ｓ． Ｐｒｅｄｉｃｔｉｎｇ ｍｏｖｉｅ ｓａｌｅｓ ｆｒｏｍ ｂｌｏｇｇｅｒ ｓｅｎｔｉｍｅｎｔ ［ Ｃ］ ／ ／ Ｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ． Ｍｅｎｌｏ Ｐａｒｋ， ＵＳＡ， ２００６： １５５－１５８． ［８］ Ｏ􀆳ＣＯＮＮＯＲ Ｂ， ＢＡＬＡＳＵＢＲＡＭＡＮＹＡＮ Ｒ， ＲＯＵＴＬＥＤＧＥ Ｂ Ｒ， ｅｔ ａｌ． Ｆｒｏｍ ｔｗｅｅｔｓ ｔｏ ｐｏｌｌｓ： ｌｉｎｋｉｎｇ ｔｅｘｔ ｓｅｎｔｉｍｅｎｔ ｔｏ ｐｕｂｌｉｃ ｏｐｉｎｉｏｎ ｔｉｍｅ ｓｅｒｉｅｓ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｆｏｕｒｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ ＡＡＡＩ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｅｂｌｏｇｓ ａｎｄ Ｓｏｃｉａｌ Ｍｅｄｉａ． Ｍｅｎｌｏ Ｐａｒｋ， ＵＳＡ， ２０１０： １２２－１２９． ［９］ＣＨＩＡＮＧ Ｈ Ｃ， ＭＯＳＥＳ Ｒ Ｌ， ＰＯＴＴＥＲ Ｌ Ｃ． Ｍｏｄｅｌ－ｂａｓｅｄ Ｂａｙｅｓｉａｎ ｆｅａｔｕｒｅ ｍａｔｃｈｉｎｇ ｗｉｔｈ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ｓｙｎｔｈｅｔｉｃ ａｐｅｒｔｕｒｅ ｒａｄａｒ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ［ Ｊ］． Ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ， ２００１， ３４（８）： １５３９－１５５３． ［ １０ ］ ＭＣＣＵＬＬＯＵＧＨ Ｃ Ｌ． Ｆｅａｔｕｒｅ ａｎｄ ｄａｔａ⁃ｌｅｖｅｌ ｆｕｓｉｏｎ ｏｆ ｉｎｆｒａｒｅｄ ａｎｄ ｖｉｓｕａｌ ｉｍａｇｅｓ ［ Ｊ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＳＰＩＥ⁃ｔｈｅ ｉｎｔｅｒｎａｔｉｏｎａｌ ｓｏｃｉｅｔｙ ｆｏｒ ｏｐｔｉｃａｌ ｅｎｇｉｎｅｅｒｉｎｇ， １９９９， ３７１９： ３１２－３１８． ［１１］ＹＡＮＧ Ｊ， ＹＡＮＧ Ｊ Ｙ， ＺＨＡＮＧ Ｄ， ｅｔ ａｌ． Ｆｅａｔｕｒｅ ｆｕｓｉｏｎ： ｐａｒａｌｌｅｌ ｓｔｒａｔｅｇｙ ｖｓ． ｓｅｒｉａｌ ｓｔｒａｔｅｇｙ［Ｊ］． Ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ， ２００３， ３６（６）： １３６９－１３８１． ［１２］ＳＡＬＴＯＮ Ｇ， ＷＯＮＧ Ａ， ＹＡＮＧ Ｃ Ｓ． Ａ ｖｅｃｔｏｒ ｓｐａｃｅ ｍｏｄｅｌ ·７５０· 智 能 系 统 学 报 第 １２ 卷