基于结构对应学习的跨语言情感分类研究.docx

基于结构对应学习的跨语言情感分类研究.docx基于结构对应学****的跨语言情感分类研究汪鹏赵学礼李娜娜董永峰河北工业大学计算机科学与软件学院河北省大数据计算重点实验室(河北工业大学)摘要:情感分类的主要目的是预测用户在互联网中发布情绪数据的极性(积极的或者消极的),各种语言的情感分析己经成为诸多应用的研究热点,然而由于不同语言的情感资源在质量和数量上的不平衡,通常使用源语言来改善目标语言的跨语言情感分类方法,来提高目标语言情感分类的准确性•传统的跨语言情感分类主要是通过机器翻译将目标语言映射到源语言中,但是分类的准确性严重受到机器翻译质量的影响•通过对跨领域文本分类的结构学****算法(SCL)的讨论和拉普拉斯映射对两种语言之间词对的影响,对跨语言结构对应学****算法(CLSCL)的改进,进而提出M-CLSCL算法,借助选出来的轴心词对来进行目标语言的情感分类,通过M-CLSCL方法与前述相关方法的实验结果进行比较,可以发现M-:跨语言情感分类;结构对应学****拉普拉斯映射;轴心词对;作者简介:董永峰,E-mail:******@:2017-08-31基金:天津市自然科学基金(14JCYBJC18500)Researchofcross-puteiiScience&Engineering,HebeiUniversityofTechnology;Abstract:Themainpurposeofsentimentclassificationistopredictthesentimentpolarity(positiveornegative).eahotspotofmanyapplications,butbecauseofthedifferentqualityofsentimentresourcesandquantityontheimbalance,theresearchersusuallyusethesourcelanguagetoimprovethetargetlanguagecross-,-language(CLSCL),andthenputforwardtheM-CLSCLalgorithm,-paringtheexperimentairesuItsofM-CLSCLmethodandtherelevantmethods,wefindthatM-:crossTanguagesentimentclassification;structualcorrespondencelceirning;Laplacemapping;pivotswords;Received:2017-08-,越来越多的用户在互联网上发表自己的观点,用户的评论在网上随处可见,其中包括丰富的情感信息,这种信息是很有价值的•例如产品或服务提供商可以根据先前客户留下的评论来提高他们的服务或产品质量,从而给用户提供更好的产品和服务,所以情感分类的R的是将情感数据进行极性分类(如:积极的、消极的和中性的)•如何对这些评论的情感趋向进行分类成为目前研究的热点,得到了学术界和工业界的广泛关注[1]・传统的情感分类方法主要有基于词典和基于机器学****的分类方法,基于词典的方法是抽取给定文本中的情感词信息,通过词典中词的情感极性进行极性判断也•这种方法易于实现,并且可以得到较好的准确率,但是情感词的极性在不同的上下文中容易被改变而使其极性不容易被确定回_・基于机器学****的方法通过在带标记的语料中训练分类器然后应用于情感分类中回,其准确率高于基于词典的方法,并且广泛应用于现在的情感分类方法中,,造成一些语言的情感资源不足或者质量很低,为解决资源不足语言屮的情感分类问题提出了利用情感资源丰富的语言(源语言)来解决资源不足的语言(目标语言)跨语言情感分类问题[5-7]・近年来的跨语言情感分类研究主要运用机器翻译,通过机器翻译将目标语言映射到源语言中,但是分类的准确性严重受到机器翻译质量的制约,针对上述问题,PrettenhoferandStein[8]^-跨领域的分类方法中提出的结构对应学****算法(SCL)回应用到跨语言情感分类上面,al[10]在跨领域方面运用拉普拉斯映射,减少了不同领域之间特定词之间的差异,[ll]通过学****两种语言