.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