基于領域情感詞典的中文微博情感分析

肖 江，丁 星，何榮杰

（江蘇科技大學 計算機科學與工程學院，江蘇 鎮江 212000）

微博是微型博客的簡稱，是一個用于信息分享、信息傳播以及信息獲取的平臺。微博用戶可以通過各種計算機終端或移動終端，實現信息的即時分享，通常中文微博內容字數限制在140字左右，而這僅僅140字卻能表達出一個人的情感，觀點和對某個事件的態度、看法，大大方便了信息的傳遞、獲取與共享，加快了信息的傳播速度，微博已經成為一種新興的網絡媒體。同時，微博給予網絡用戶更加自由、更便捷的方式來溝通信息、分享心情、表達觀點，所以深受廣大網民朋友的喜愛，一躍成為國內最為熱門的互聯網應用之一。

隨之而來的是海量的情感文本信息，而這些海量的情感信息是非常寶貴的信息資源，通過分析這些情感文本信息可以得到網民對某個觀點、某種社會現象的態度和看法，給政府制定新的政策提供了參考的依據，給企業規劃新的發展方向提供了幫助，同時能夠給廣大消費者購買商品提供參考和依據。

1 相關工作

目前文本情感分析大致分為兩種方法[1]：基于情感詞典和基于機器學習的情感分析方法。

基于情感詞典的方法是對文本信息的情感極性進行分析和計算，得到一個情感極性值。Turney[2]等人通過計算基準詞與待估詞匯的SO-PMI值來分析情感傾向性。在國內，朱嫣嵐[3]等人則利用 HowNet提出的基于語義相似度的方法和基于語義相關場的方法分別計算待估詞匯與預先選好的基準詞對的相似度，最后得到該詞的傾向性。文獻[4]提出利用表情圖片結合情感詞語的方法構建中文情感詞典，構建貝葉斯分類器，并且利用熵的概念對語料庫進行優化，提高了分類的準確性。

基于機器學習的方法，常用的分類方法有：支持向量機分類法、中心向量分類法、K近鄰算法分類法、感知器分類法、貝葉斯分類法和最大熵分類法等，通過此類分類器識別出該文本的傾向性。Wang[5]等人構建一個 Twitter情感分析系統，能夠實時地對有關總統選舉的評論信息進行情感傾向性分析；Jiang[6]等人采用主題相關和無關的方式對微博文本進行情感極性分類，將其分為正向情感和負向情感。在國內，謝麗星[7]等提出了基于層次結構的多策略中文微博情感分析方法，文中對比了表情符號的規則方法、情感詞典的規則方法、基于SVM的層次結構多策略方法。

縱觀以上分析方法，本文通過構建情感詞典的方法來構建微博輿情情感分析系統，從而分析情感傾向，和以往的分析不同，本文構建的情感詞典具有領域特性，能自動識別標注領域內情感詞并且將新詞添加到情感詞庫中，并且考慮情感副詞的影響，綜合分析情感傾向。

2 情感語料庫的構建

2.1 微博數據集

文中針對新浪微博做分析，利用新浪微博API抓取特定領域的微博話題，選取#巴西世界杯#，#iphone6#，#NBA總決賽#作為分析語料，根據分析結果將其分為正面話題、一般話題、負面話題。本文分別選取3個特定話題各2 000條微博數據作為分析語料，然后對其進行人工標注，將該微博數據標注為正向、負向、中性情感微博，標注的統計結果如表1所示。

表1 微博數據信息Tab.1 Micro-blog data information

2.2 微博數據的預處理

微博文本有其自身的特點，表達方式多樣性，且包含網頁鏈接、圖片、英文字母等等，本文需要對其進行預處理，步驟如下：

1）對微博數據進行去重、去噪、標簽過濾等操作。

2）去除表情符號，為后面的分詞處理做準備。

3）對微博進行分詞處理，文中使用中科院ICTCLAS系統[8]進行分詞與詞性標注。

4）對分詞后的文本進行粗降維，即將停用詞，低頻詞從文檔中去除。

2.3 基準情感詞典的構建

基準情感詞是指具有非常明顯褒貶傾向的詞匯，是在某個領域內具有明確褒貶意義的基礎詞匯。由于中文表達方式的多樣性，所以詞的褒貶傾向在不同領域并不是完全一致，有些詞情感傾向非常明確，但是在不同領域相關度就會降低，詞匯的敏感度也會降低，所以在相關度低的領域分析該類詞匯的意義并不是太大。

基于以上的考慮，構建基準情感詞典，流程如下：

Step1：取特定領域一定數量的微博數據集，進行分析。

Step2：將某領域的微博信息進行預處理，步驟如2.2節所示，獲得預處理后的微博數據。

Step4：設定高頻詞匯的閾值P，并且利用HowNet情感詞匯集對非情感詞匯進行過濾。

Step5：利用HowNet正負面詞匯集判定高頻詞匯的正負情感傾向。

圖1 基準情感詞典生成流程Fig.1 The generation process of the benchmark emotion dictionary

Step6：在此采用基于知網的語義相似度計算方法來計算詞匯之間的Similarity值。

Step7-Step10：正負基準詞集相互進行相似度計算是為了獲得該領域情感傾向更為鮮明的詞作為基準情感詞集，更準確的識別情感傾向。

Step11：各個基準詞代表的情感傾向強度不同，所以需要手動標注基準詞的強度值。

2.4 領域相關情感詞典的構建

在構建領域情感詞基準詞集基礎上構建領域相關情感詞典，再利用基準詞集自動識別情感詞，實現情感詞的自動擴展。本文情感詞識別及情感詞庫構建的整體思路如下圖所示。

圖2 領域情感詞自動識別和標注Fig.2 The automatic identification of field of emotional dictionary

如圖2所示此為領域相關情感詞典的構建過程，并且自動將新情感詞加入到情感詞庫，對擴展的詞匯進行強度的標注，減少了人工標注過程。目標詞與基準詞相似度計算，在此采用基于知網的語義相似度計算方法。

2.5 領域情感詞情感強度判定

文中計算情感詞相似度是基于知網語義相似度計算方法，對領域內情感詞進行相似度計算，以均值作為目標詞的Similarity值。

目標詞的情感傾向判定規則如下，當正向情感的Similarity值大于負向情感Similarity值，則為正向情感詞，反之則為負向情感詞。如若正、負向Similarity值小于給定的閾值P則為非情感詞。

利用2.3和2.4構建如表2所示的領域情感詞典，利用上述計算相似度的方法對詞語集W={w1，w2，w3…}分別計算Similarity值，剔除不含情感詞的詞匯，含情感的詞匯自動加入情感詞庫。最后情感詞匯集的情感傾向表示為W={＜w1，o1＞，＜w2，o2＞，＜w3，o3＞，＜w4，o4＞…}， 其中 o 表示情感強度值。那么詞語的情感傾向值 O（w）可以用如下的公式來計算：

如下為領域情感詞詞典，以#iphone6為例。

表2 領域情感詞詞典Tab.2 Field of emotional dictionary

2.6 修飾副詞的構建

和英文微博相比中文的語法非常豐富，詞與詞之間不是獨立存在的，他們之間還存在著一定的依存的關系，即受前面的修飾詞的影響，最常見的就是否定詞和副詞對情感傾向的影響。目前對于副詞和否定詞等修飾情感詞大多采用的是建立修飾詞典，在判斷句子的情感傾向時，首先檢查情感詞前的詞語是否屬于修飾詞，如果是則根據詞典中修飾詞的強度值計算出情感傾向值。某個詞的修飾副詞集w={＜q1，＜at1，at2..＞＞，＜q2，＜at1，at2..＞＞，＜q3，＜at1，at2..＞＞…}， 其中 q 表示情感詞，at表示修飾副詞。那么加入情感副詞后的情感值O（at）用如下公式計算：

3 微博情感分析策略

前一節完成了情感詞典的構建工作，本節在情感詞典基礎上提出一種分析方法，分析并判定微博情感傾向值。

輸入：中文微博句子S

Step1：對S進行預處理，得到預處理后的句子ST（見2.2節步驟 1、2）；

表3 修飾副詞詞典Tab.3 Adverb dictionary

Step2：對ST進行分句處理，將長句分成多個短句，得到短句集ST={S1，S2…Si}，并進行詞性標注 （見2.2節步驟3、4），得到處理后的詞語集 Si={＜w1，ad1＞＜w2，ad2＞…}，其中 w表示情感詞語，ad表示修飾副詞；

Step3：計算Si的情感傾向值Oi；

Step3.1：根據情感詞典中公式（3）計算情感詞的傾向值Oi（w）；

Step3.2：在 Oi（w）的基礎上根據情感副詞詞典計算 Oi（Si）；

Step4：得到每個短句的情感傾向值Oi，然后利用加權平均法得到整個句子的情感傾向值O；

Step5：計算總的情感傾向值，輸出總的情感強度O。

4 實驗數據

文中利用爬蟲從新浪微博中抓取3個話題各2 000條微博作為數據集進行分析，經人工篩選后得到正向、負向、中性微博各650條。利用文中提出的基于領域詞典的情感分析方法進行分析，最終獲得各個微博數據的情感強度值，然后通過設定的閾值判定情感傾向。

本實驗對比基于基礎情感詞典、領域情感詞典的微博情感分析，對比加入情感副詞對整個微博情感分析的影響。實驗采用的評價指標有召回率R、準確率P和F值，如下公式：

其中Ci為實驗分類為c的微博數，Di為實驗總的微博數，Ei為微博分類為c的微博條數，c表示微博類別（正、負、中性情感類別）。

表4 不同詞典對測試集的分類數值對比Tab.4 Comparison of different of classification dictionary

由以上數據對比可知，基于領域情感詞典的分析系統具有一定的可行性，對微博情感的判定具有一定的準確率。由表1可以看出，正面情感識別的微博條數基本維持在600條左右，沒有較明顯的傾倒現象。領域情感詞典效果較基礎詞匯好，在基于領域情感詞典基礎上添加其他詞典，識別效果更佳。表2是測試集召回率、準確率和F值的對比，更加直觀的顯示出了基于領域詞典和其他詞典的優勢所在，比以往的基于一般詞典效果更加顯著，無論是召回率、準確率和F值基本都維持在了0.7以上。

表5 不同詞典對測試集的評價指標對比Tab.5 Comparison of different evaluating indicator of classification dictionary

實驗過程中只使用基礎詞典識別微博情感傾向，明顯識別條數偏低，這是因為基礎詞典無法準確判定帶有鮮明領域特色的情感詞匯，例如“大方”，“人性化”等詞，如果僅僅依靠基礎詞匯是無法辨別出這兩個詞所含情感傾向。領域詞典卻能解決這一問題，并且在識別的同時將新詞加入情感詞庫，大大節省了人工標注的時間，同時又提高了識別的準確度。

通過以上實驗表明本文構建的領域情感詞典、情感副詞詞典結合情感分析策略在分析情感過程中具有一定的可行性，并且取得了一定的效果。

5 結束語

文中為了更好更準確的分析微博情感構建了領域情感詞典、情感副詞詞典，和以往不同的是文中構建的領域情感詞典能夠準確、快速識別和標注情感詞匯的強度，并且在標注的同時將新詞和其情感強度值自動加入情感詞庫中，為后續的情感詞匯標注做準備，大大節約了人工再標注的時間，同時又提高了標注的準確度。通過實驗又證明了該方法的可行性，并且取得了一定的效果。

在實驗過程中發現，由于微博數據的短小，表達方式多種多樣，上下文關系銜接不緊密，造成的識別錯誤占據了一部分，還有現如今越來越多的網絡詞、變形詞的出現同樣也導致了實驗過程中識別的錯誤。所以在接下來的工作中會把研究的重點放在上下文的關系、語境和網絡詞匯發現上，提出一套更加合理更加全面的新的算法。

[1]周勝臣，瞿文婷.中文微博情感分析研究綜述[J].計算機應用與軟件，2013，30（3）:162-164.ZHOU Sheng-cheng，QU Wen-ting，et al.The analysis on the Chinese micro-blog emotion[J].Computer Applications and Software，2013，30（3）:162-164.

[2]Turney，Peter D，Littman L.Measuring praise and criticism:Inference of semantic orientation from association.In:ACM Transactions on Information Systems[M].New York:ACM Press，2003.

[3]朱嫣嵐，閔錦，周雅倩，等.基于HowNet的詞匯語義傾向計算[J].中文信息學報，2006（1）:140-146.ZHU Yan-lan，MIN Jin，ZHOU Ya-qian，et al.Semantic orientation computing based on HowNet[J].Journal of Chinese Information Process，2006（1）:140-146.

[4]張珊，于留寶，胡長軍，等.基于表情圖片與情感詞的中文微博情感分析[J].計算機科學，2012，39（11A）:146-148.ZHANG Shan，YU Liu-bao，HU Chang-jun，et al.Sentiment analysis of chinese micro-blog based on emotions and emotional words[J].Computer Science，2012，39（11A）:146-148.

[5]WANG Xiao-long，WEI Fu-ru，LIU Xiao-hua，et al.Topic Sentiment Analysis in Twitter:A Graph-based Hashtag Sentiment Classification Approach[C]//Proceeding of 20th ACM Conference on Information and Knowledge Management（CIKM），Glasgow，2011.

[6]JIANG Long，YU Mo，ZHOU Ming，et al.2011.Targetdependent Twitter Sentiment Classifica-tion[C]//ACL 2011.

[7]謝麗星.基于SVM的中文微博情感分析的研究 [D].北京：清華大學，2011.

[8]ICTCLAC漢語分詞系統 [EB/OL].[2012-07-02]http://ictclas.org/ictclas_download.aspx.