第4期 程传鹏，等：情感倾向判断中基准词的选择 ·353. 采用KNN分类的方法，以这些情感基准词作为 : KNN分类器的特征词，特征词的加权方法为 基 -同义词1同义词2同义词-同义词n tft,d)×log(N/n,) W(t,d)= 词 ∑，e4[t,d)×log(NWm,)】 式中：W(t,d)为情感词t在在语料d中的权重，而 f(t,d)为t在d中的词频，N为文档的总数，n,为语 图3基准词同义扩展 料中出现t的文档数 Fig.3 Synonym expansions of standard words 试验中，词语相似度的计算公式B,sim,(S, 3实验及评价 S2)中B1=0.6,B2=0.2,B3=0.2,sim,(P1,P2)中入1、 从网上的评论中搜集到4个领域的中文数据 入2取了3组值： 集，分别是：国内某知名网上商城中对某款电子产品 1)入1=0.6，入2=0.4： 的用户评价作为测试语料1，新浪网财经论坛中对 2)入1=0.5，A2=0.5; 某只股票的用户评价作为测试语料2，携程旅行网 3)入1=0.4，入2=0.6. 上对某个酒店的用户评价作为测试语料3，搜狐体 sim,(P1,P2)公式中a1、a2也分别取了3组值： 育上对某个比赛规则的用户评价作为测试语料4.其 1)a1=0.6、a2=0.4; 中，测试语料1包含正面评价3690条，负面评价 2)a1=0.7、a2=0.3; 4721条；测试语料2包含正面评价4215条，负面评 3)a1=0.5、2=0.5. 价3976条：测试语料3包含正面评价2876条，负 在构造邻接矩阵G时，入取值为0.75. 面评价3128条：测试语料4包含正面评价4134 用的评价指标为 条，负面评价3157条.以本文所选择的基准词与文 献[2]所选择的基准词和文献[3]所选择的基准词 准确率= -×100%. 进行情感判断比较.其中文献[2]的基准词是由人工 N 选择的，所选择的40对基准词如下所示： 式中：Nc=能正确找出文本倾向的总数：N,=测试文 “健康、安全、天下第一、美丽、超级、保险、卫 本的总数.KNN分类中K的取值分别为1O00、 生、天使、英雄、精选、快乐、权威、稳定、优秀、高级、 1200、1400、1500,分别采用40组人工选择的基准 精英、最好、最佳、幸福、容易、高手、文明、积极、著 词对、由词典构造的基准词对和本文所选择的40组 名、漂亮、完美、真实、简单、和平、开通、先进、便宜、 情感词对分别作为特征词，对4组语料进行情感倾 优质、欢乐、美好、良好、不错、出色、成熟、完善”. 向分类.分类准确率的结果比较如图4~7所示 “合作、黑客、疯狂、错误、事故、非法、失败、背 由于本文在选择基准词时，考虑到了情感词的 后、麻烦、不良、病人、恶意、色情、暴力、黄色、浪费、 情感歧义、情感度、情感倾向性.本文所提出的方法 落后、漏洞、有害、讨厌、自负、不安、魔鬼、花样、野 在准确率上都要优于其他2种方法，因而本文的方 蛮、陷阱、不当、腐败、无情、失误、淫秽、流氓、虚假、 法具备有一定的实用性.图4~7的实验数据的比较 残酷、变态、脆弱、不合格、愚人、恶劣、恶魔” 结果，也验证了该结论 1.0r 文献[3]中所选择的基准词是通过词典进行构 造的，如下所示： 0.8 “好、安全、不错、喜欢、加速、舒适、豪华、满意、 0.6 爱、解决、风格、优势、保证、全新、实在、舒服、稳定、 方便、品质、提升、乐趣、省油、先进、成功、漂亮、最 0.4 好、保护、好车、值得、良好、满足、享受、出色、提高、 ◆一人工选择的基准词 适合、平稳、轻松、优点、完美、实用” 0.2 ■由词典构造的基准词 一本文所选择的基准词 “碰撞、噪音、事故、毛病、不好、严重、下降、缺 0.8 1.0 点、不够、死、不足、故障、缺陷、郁闷、撞击、断裂、失 12141610 K 望、担心、倒、车祸、遗憾、怀疑、不行、变形、断、危险、 图4对测试语料1的准确率比较 震动、损失、噪声、麻烦、冲击、隐患、后悔、恐怕、粗 Fig.4 Accuracy comparison for test corpus 1 糙、颠簸、造成、难看、不类、伤害”.图 ３ 基准词同义扩展 Ｆｉｇ．３ Ｓｙｎｏｎｙｍ ｅｘｐａｎｓｉｏｎｓ ｏｆ ｓｔａｎｄａｒｄ ｗｏｒｄｓ ３ 实验及评价 从网上的评论中搜集到 ４ 个领域的中文数据 集，分别是：国内某知名网上商城中对某款电子产品 的用户评价作为测试语料 １，新浪网财经论坛中对 某只股票的用户评价作为测试语料 ２，携程旅行网 上对某个酒店的用户评价作为测试语料 ３，搜狐体 育上对某个比赛规则的用户评价作为测试语料 ４．其 中，测试语料 １ 包含正面评价 ３ ６９０ 条，负面评价 ４ ７２１条；测试语料 ２ 包含正面评价 ４ ２１５ 条，负面评 价 ３ ９７６ 条；测试语料 ３ 包含正面评价 ２ ８７６ 条，负 面评价 ３ １２８ 条；测试语料 ４ 包含正面评价 ４ １３４ 条，负面评价 ３ １５７ 条．以本文所选择的基准词与文 献［２］所选择的基准词和文献［３］所选择的基准词 进行情感判断比较．其中文献［２］的基准词是由人工 选择的，所选择的 ４０ 对基准词如下所示： “健康、安全、天下第一、美丽、超级、保险、卫 生、天使、英雄、精选、快乐、权威、稳定、优秀、高级、 精英、最好、最佳、幸福、容易、高手、文明、积极、著 名、漂亮、完美、真实、简单、和平、开通、先进、便宜、 优质、欢乐、美好、良好、不错、出色、成熟、完善”． “合作、黑客、疯狂、错误、事故、非法、失败、背 后、麻烦、不良、病人、恶意、色情、暴力、黄色、浪费、 落后、漏洞、有害、讨厌、自负、不安、魔鬼、花样、野 蛮、陷阱、不当、腐败、无情、失误、淫秽、流氓、虚假、 残酷、变态、脆弱、不合格、愚人、恶劣、恶魔”． 文献［３］中所选择的基准词是通过词典进行构 造的，如下所示： “好、安全、不错、喜欢、加速、舒适、豪华、满意、 爱、解决、风格、优势、保证、全新、实在、舒服、稳定、 方便、品质、提升、乐趣、省油、先进、成功、漂亮、最 好、保护、好车、值得、良好、满足、享受、出色、提高、 适合、平稳、轻松、优点、完美、实用”． “碰撞、噪音、事故、毛病、不好、严重、下降、缺 点、不够、死、不足、故障、缺陷、郁闷、撞击、断裂、失 望、担心、倒、车祸、遗憾、怀疑、不行、变形、断、危险、 震动、损失、噪声、麻烦、冲击、隐患、后悔、恐怕、粗 糙、颠簸、造成、难看、不爽、伤害”． 采用 ＫＮＮ 分类的方法，以这些情感基准词作为 ＫＮＮ 分类器的特征词，特征词的加权方法为 Ｗ（ｔ，ｄ） ＝ ｔｆ（ｔ，ｄ） × ｌｏｇ（Ｎ／ ｎｔ） ∑ｔ∈ｄ [ｔｆ（ｔ，ｄ） × ｌｏｇ（Ｎ／ ｎｔ） ] ２ ． 式中：Ｗ（ｔ，ｄ）为情感词 ｔ 在在语料 ｄ 中的权重，而 ｔｆ（ｔ，ｄ）为 ｔ 在 ｄ 中的词频，Ｎ 为文档的总数，ｎｔ 为语 料中出现 ｔ 的文档数． 试验中，词语相似度的计算公式∑ ３ ｉ ＝ １ βｉ ｓｉｍｉ（ Ｓ１ ， Ｓ２ ）中 β１ ＝ ０．６，β２ ＝ ０．２，β３ ＝ ０．２，ｓｉｍｓ（Ｐ１ ，Ｐ２ ）中 λ１ 、 λ２ 取了 ３ 组值： １）λ１ ＝ ０．６，λ２ ＝ ０．４； ２）λ１ ＝ ０．５，λ２ ＝ ０．５； ３）λ１ ＝ ０．４，λ２ ＝ ０．６． ｓｉｍｓ（Ｐ１ ，Ｐ２ ）公式中 α１ 、α２ 也分别取了 ３ 组值： １）α１ ＝ ０．６、α２ ＝ ０．４； ２）α１ ＝ ０．７、α２ ＝ ０．３； ３）α１ ＝ ０．５、α２ ＝ ０．５． 在构造邻接矩阵 Ｇ 时，λ 取值为 ０．７５． 用的评价指标为 准确率 ＝ ＮＣ ＮＴ × １００％． 式中：ＮＣ ＝能正确找出文本倾向的总数；ＮＴ ＝ 测试文 本的 总 数． ＫＮＮ 分 类 中 Ｋ 的 取 值 分 别 为 １ ０００、 １ ２００、１ ４００、１ ５００，分别采用 ４０ 组人工选择的基准 词对、由词典构造的基准词对和本文所选择的 ４０ 组 情感词对分别作为特征词，对 ４ 组语料进行情感倾 向分类．分类准确率的结果比较如图 ４～７ 所示． 由于本文在选择基准词时，考虑到了情感词的 情感歧义、情感度、情感倾向性．本文所提出的方法 在准确率上都要优于其他 ２ 种方法，因而本文的方 法具备有一定的实用性．图 ４ ～ ７ 的实验数据的比较 结果，也验证了该结论． 图 ４ 对测试语料 １ 的准确率比较 Ｆｉｇ．４ Ａｃｃｕｒａｃｙ ｃｏｍｐａｒｉｓｏｎ ｆｏｒ ｔｅｓｔ ｃｏｒｐｕｓ １ 第 ４ 期 程传鹏，等：情感倾向判断中基准词的选择 ·３５３·