《基于情感情感詞典的情感分析國(guó)內(nèi)外文獻(xiàn)綜述5700字》

基于情感情感詞典的情感分析國(guó)內(nèi)外文獻(xiàn)綜述目錄TOC\o"1-2"\h\u3210基于情感情感詞典的情感分析國(guó)內(nèi)外文獻(xiàn)綜述 1224661.1基于情感詞典的情感研究現(xiàn)狀 1213761.2基于機(jī)器學(xué)習(xí)的情感研究現(xiàn)狀 37545參考文獻(xiàn) 5互聯(lián)網(wǎng)的快速發(fā)展豐富了人們的業(yè)余生活，越來(lái)越多的人們選擇互聯(lián)網(wǎng)通過(guò)來(lái)關(guān)注國(guó)內(nèi)外的時(shí)事熱點(diǎn)并借助社交平臺(tái)表達(dá)自己的想法和意見(jiàn)[4]，這些攜帶了網(wǎng)民情感的文本數(shù)據(jù)蘊(yùn)含著巨大的價(jià)值，對(duì)于個(gè)人形象維護(hù)、商業(yè)決策和輿情監(jiān)控有著重要意義。因此，很多致力于自然語(yǔ)言處理的學(xué)者都對(duì)網(wǎng)絡(luò)文本進(jìn)行研究并根據(jù)文本極性進(jìn)行情感分類(lèi)，近些年來(lái)逐漸成為研究熱點(diǎn)。文本情感分類(lèi)的重點(diǎn)是去判斷文本所表達(dá)的情感極性，而微博也是使用文本對(duì)觀(guān)點(diǎn)進(jìn)行表述，因此，對(duì)微博文本進(jìn)行情感分類(lèi)仍是基于傳統(tǒng)的文本情感分析。目前對(duì)文本進(jìn)行情感分析的研究方式主要是基于情感詞典的情感研究方法和基于機(jī)器學(xué)習(xí)的情感研究方法。1.1基于情感詞典的情感研究現(xiàn)狀基于情感詞典的研究方法主要思路是先標(biāo)注詞典中的情感詞語(yǔ)，分為包括正向（積極）和負(fù)向（消極），對(duì)情感詞語(yǔ)賦予相應(yīng)權(quán)值，接著利用情感詞典將文本中的正向和負(fù)向情感詞語(yǔ)數(shù)目和權(quán)值進(jìn)行累加并判斷文本極性。情感詞典的基礎(chǔ)形態(tài)是褒貶二元詞典，是詞語(yǔ)經(jīng)過(guò)時(shí)代的變遷產(chǎn)生情感含義，經(jīng)過(guò)學(xué)者們不斷的研究而創(chuàng)建的。由于國(guó)外對(duì)文本情感研究開(kāi)始較早，現(xiàn)有的通用情感詞典資源較為成熟，如意大利信息科技研究所發(fā)布的SentiWordNet詞典[5][6]、哈佛大學(xué)建立的GeneralInquirer（GI）詞典[7]、MPQA詞典[8]、普林斯頓大學(xué)實(shí)驗(yàn)室的WordNet詞典等。國(guó)內(nèi)中文情感詞典的完備性參差不齊而且數(shù)量很少，常用的主要有知網(wǎng)發(fā)布的HowNet詞典[9]、臺(tái)灣大學(xué)研究的簡(jiǎn)體中文詞典[10]以及其他研究者的情感詞典。SentiWordNet是在WordNet的基礎(chǔ)上構(gòu)建的，主要是將WordNet中的詞語(yǔ)注釋作為詞語(yǔ)特征，并標(biāo)注出了詞語(yǔ)極性和權(quán)值，在英文情感分析中得到了廣泛應(yīng)用。GI情感詞庫(kù)中包含了1915個(gè)褒義詞和2293個(gè)貶義詞，為了適應(yīng)更多的應(yīng)用場(chǎng)景，分別對(duì)情感極性、情感強(qiáng)度和詞性做了標(biāo)注。HowNet詞典是由知網(wǎng)公布的常識(shí)知識(shí)庫(kù)，其中包含了中文和英文的正負(fù)情感詞和程度詞。臺(tái)灣大學(xué)自然語(yǔ)言實(shí)驗(yàn)室的研究人員將國(guó)外GI詞典中的情感詞進(jìn)行翻譯，結(jié)合中文網(wǎng)絡(luò)情緒詞典CNSD，經(jīng)過(guò)研究者的篩選整合得到，更適合網(wǎng)絡(luò)環(huán)境下的情感分析。1997年，Hatzivassiloglou等人[11]在計(jì)算機(jī)語(yǔ)言會(huì)議上最早提到了英文情感詞語(yǔ)的研究，他們?cè)谡砣A爾街日?qǐng)?bào)語(yǔ)料庫(kù)時(shí)發(fā)現(xiàn)英文文本中連詞連接的形容詞表達(dá)的情感傾向是一致的，轉(zhuǎn)折詞連接的形容詞情感傾向是截然相反的，從而對(duì)連詞連接的形容詞展開(kāi)了文本的情感研究，在此基礎(chǔ)上首次提出了根據(jù)語(yǔ)料庫(kù)作為實(shí)驗(yàn)材料來(lái)構(gòu)建情感詞典的方法。2003年，Nasukawa等人[12]首次對(duì)情感傾向性分析的概念進(jìn)行了詮釋。他指出情感分析也可以稱(chēng)之為觀(guān)點(diǎn)挖掘，目標(biāo)是挖掘出人們?cè)谖谋局兴胍磉_(dá)的情感信息并判斷情感信息的正負(fù)向。為了進(jìn)行理論驗(yàn)證，他們首先利用包含了3513個(gè)極性詞的情感詞表對(duì)文本進(jìn)行詞語(yǔ)匹配，然后對(duì)匹配到的情感詞進(jìn)行個(gè)數(shù)統(tǒng)計(jì)，最后提出了利用極性詞表可以提高情感特征提取的效果。2005年，Wilson[13]認(rèn)為情感分析的任務(wù)是提取出含有情感極性的情感信息，并詳細(xì)闡述了詞語(yǔ)極性的自動(dòng)判別和英語(yǔ)文本上下文依賴(lài)的問(wèn)題，針對(duì)長(zhǎng)距離搭配形成的特征短語(yǔ)在情感分析中的作用進(jìn)行了研究，系統(tǒng)的分析了不同的特征提取方法和分類(lèi)學(xué)習(xí)算法對(duì)傾向性判別的影響。2009年，王素格等人[14]從現(xiàn)有的中文情感資源中選擇了五種具有代表性的情感詞典進(jìn)行融合，構(gòu)建了相對(duì)完善的情感詞表并對(duì)詞表中的詞賦予對(duì)應(yīng)的權(quán)值，最后利用線(xiàn)性加權(quán)組合的方法構(gòu)造出判斷語(yǔ)句極性的分類(lèi)函數(shù)，從而實(shí)現(xiàn)對(duì)文本的情感傾向分類(lèi)。2010年，楊鼎等人[15]在進(jìn)行中文文本情感分類(lèi)時(shí)，以攜程網(wǎng)的賓館評(píng)論作為實(shí)驗(yàn)數(shù)據(jù)庫(kù)，使用情感詞典和樸素貝葉斯對(duì)文本進(jìn)行情感特征選擇，研究表明，在進(jìn)行特征選擇時(shí)情感詞典可以獲取到更多的情感信息，從而使情感分類(lèi)取得更好的效果。2011年，Maite等人[16]在利用情感詞典進(jìn)行文本傾向性的研究中，對(duì)多種可能影響文本情感的因素進(jìn)行了分析，考慮到語(yǔ)氣詞和否定詞對(duì)文本情感的影響，通過(guò)量化和設(shè)置門(mén)限值的方法來(lái)計(jì)算詞語(yǔ)、句子、篇章的情感傾向性。2012年，王振宇[17]針對(duì)情感詞在文檔中出現(xiàn)次數(shù)少，導(dǎo)致不能有效情感識(shí)別的問(wèn)題，使用知網(wǎng)HowNet詞典作為基準(zhǔn)詞集，選擇點(diǎn)互信息法（PointwiseMutualInformation，PMI）對(duì)待定詞進(jìn)行極性判別，對(duì)HowNet詞典進(jìn)行擴(kuò)充，從而減小低頻情感詞誤差較大所帶來(lái)的影響。2013年，Weichselbraun[18]為了解決手工建立情感詞典耗費(fèi)人力較大的問(wèn)題，提出了一種半自動(dòng)化構(gòu)建英文情感詞典的方法。該方法將眾包算法（Crowd-sourcing）和機(jī)器學(xué)習(xí)相結(jié)合為情感詞賦權(quán)值并進(jìn)行詞典的拓展，之后將該詞典應(yīng)用在了情感分類(lèi)之中取得了較好的效果。2013年，Li[19]針對(duì)歧義情感詞和國(guó)內(nèi)詞典數(shù)目少的問(wèn)題，使用機(jī)器翻譯系統(tǒng)對(duì)英文情感分析取得的成果進(jìn)行翻譯，結(jié)合中文特征，利用標(biāo)簽傳播算法對(duì)文本中詞語(yǔ)的情感值進(jìn)行計(jì)算，構(gòu)建了一個(gè)覆蓋領(lǐng)域相對(duì)較廣的中文情感詞典。2014年，Rao等人[20]為了能夠向讀者提供個(gè)性化信息推送服務(wù)，使用了三種剪枝優(yōu)化算法構(gòu)建了一個(gè)無(wú)關(guān)語(yǔ)言和細(xì)粒度的社會(huì)情感詞典，利用該詞典進(jìn)行社會(huì)情緒檢測(cè)和新聞報(bào)道情感預(yù)測(cè)。2015年，Karanasou等人[21]從Twitter平臺(tái)獲取實(shí)驗(yàn)數(shù)據(jù)，重點(diǎn)對(duì)評(píng)論文本中的比喻句做了情感研究，根據(jù)英文文本表達(dá)的句法規(guī)則對(duì)比喻和非比喻的評(píng)論文本進(jìn)行標(biāo)注，利用現(xiàn)有的SentiWordNet情感詞典對(duì)情感詞賦權(quán)值，之后和WordNet詞典計(jì)算詞語(yǔ)相似度，最后利用進(jìn)行語(yǔ)句情感分析取得了較好的效果。2015年，梁亞偉[22]將情感詞、連接詞和支持向量機(jī)相結(jié)合，考慮到表情對(duì)該條文本情感分析的影響并利用文本情感曲線(xiàn)的方法計(jì)算表情情感強(qiáng)度，完成了自動(dòng)構(gòu)建表情情感詞典，從而判別微博文本的情感極性。2016年，劉德喜[23]從微博平臺(tái)獲取數(shù)據(jù)并利用中科院NLPIR中文分詞系統(tǒng)進(jìn)行數(shù)據(jù)處理構(gòu)成微博數(shù)據(jù)集，通過(guò)PageRank算法搭建基礎(chǔ)情感詞的量化圖模型，從而判斷出基礎(chǔ)情感詞的褒貶含義，并運(yùn)用到情感分類(lèi)之中完成情感詞分類(lèi)，這是根據(jù)分類(lèi)思想首次使用和語(yǔ)言無(wú)關(guān)的通用情感詞選擇方法。2018年，閆曉東等人[24]通過(guò)對(duì)藏文文本進(jìn)行研究，提出了一種基于藏文情感詞典的藏文文本情感分類(lèi)方法，首先通過(guò)人工標(biāo)注將藏文情感詞語(yǔ)按照極性構(gòu)建詞典，然后利用情感詞典和修飾詞組的搭配規(guī)則生成情感短語(yǔ)，最后設(shè)計(jì)評(píng)分規(guī)則計(jì)算情感短語(yǔ)的情感值，判斷藏語(yǔ)文本的情感傾向性。2019年，He[25]在中文基礎(chǔ)情感詞典的構(gòu)建研究中考慮到文本語(yǔ)義的影響和情感詞典構(gòu)建問(wèn)題，設(shè)計(jì)了一種利用文本語(yǔ)義自動(dòng)構(gòu)建情感詞典的算法模型，利用知網(wǎng)HowNet詞典和SentiWordNet詞典作為種子詞典，通過(guò)對(duì)文本進(jìn)行語(yǔ)義分析完成了情感詞典的自動(dòng)構(gòu)建，之后用于情感分析，取得了較好的效果。2020年，薛興榮等人[26]提出了一種基于語(yǔ)義詞典的網(wǎng)絡(luò)評(píng)論文本情感分類(lèi)方法，首先對(duì)網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行采集處理，然后使用基于詞典的無(wú)監(jiān)督分類(lèi)方法對(duì)獲取到的網(wǎng)絡(luò)文本數(shù)據(jù)進(jìn)行極性值計(jì)算，實(shí)驗(yàn)結(jié)果表明基于詞典的情感識(shí)別方法對(duì)于網(wǎng)絡(luò)評(píng)論文本的分類(lèi)結(jié)果準(zhǔn)確度較高。1.2基于機(jī)器學(xué)習(xí)的情感研究現(xiàn)狀2002年，Turney等人[27]首次使用了一種基于互信息的篇章級(jí)情感分類(lèi)方法。首先從Epinions平臺(tái)上選取了手機(jī)、電影等不同領(lǐng)域的410條評(píng)論作為實(shí)驗(yàn)數(shù)據(jù)集，以基礎(chǔ)情感詞語(yǔ)作為基準(zhǔn)詞抽取文本中包含情感的短語(yǔ)，然后計(jì)算所有情感短語(yǔ)的互信息，最后根據(jù)全部情感短語(yǔ)的平均情感值作為情感分類(lèi)的依據(jù)。雖然該方法實(shí)現(xiàn)簡(jiǎn)單，但是依賴(lài)褒貶詞庫(kù)，而且詞語(yǔ)的含義可能也會(huì)隨著語(yǔ)境的不同而改變。2005年，Pang等人[28]將有監(jiān)督的機(jī)器學(xué)習(xí)方法應(yīng)用在了情感分析上，采用布爾權(quán)值法對(duì)英文電影評(píng)論進(jìn)行文本表示，然后使用了最大熵模型、支持向量機(jī)和樸素貝葉斯三種方法進(jìn)行分類(lèi)實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，支持向量機(jī)在電影評(píng)論情感分類(lèi)的效果優(yōu)于其他兩種。2007年，Shami等人[29]在比利時(shí)的VUB大學(xué)實(shí)驗(yàn)室將四個(gè)實(shí)驗(yàn)數(shù)據(jù)庫(kù)分為兩組，分別采用K近鄰（K-nearestNeighbour，KNN）等三種機(jī)器學(xué)習(xí)方法和兩種特征提取技術(shù)對(duì)語(yǔ)音數(shù)據(jù)集進(jìn)行情感識(shí)別。實(shí)驗(yàn)表明，用一組數(shù)據(jù)庫(kù)進(jìn)行訓(xùn)練，另一組數(shù)據(jù)庫(kù)進(jìn)行測(cè)試的方法并不理想，但將兩組數(shù)據(jù)庫(kù)結(jié)合，取其中部分?jǐn)?shù)據(jù)用于訓(xùn)練，另一部分用于測(cè)試可以取得較好的效果。2008年，Ye等人[30]使用了三種機(jī)器學(xué)習(xí)方法對(duì)旅游評(píng)論文本進(jìn)行分類(lèi)測(cè)試，分別是樸素貝葉斯算法NB、支持向量SVM和基于文本特征的N-gram模型，實(shí)驗(yàn)結(jié)果表明支持向量機(jī)SVM的準(zhǔn)確度要更高。但是當(dāng)實(shí)驗(yàn)數(shù)據(jù)集規(guī)模逐漸擴(kuò)大，三種機(jī)器學(xué)習(xí)方法的準(zhǔn)確度都能達(dá)到80%以上。2010年，Davidov等人[31]利用Twitter評(píng)論的數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，通過(guò)使用標(biāo)簽和表情符號(hào)作為情感標(biāo)簽，提出了一種基于KNN算法對(duì)Twitter文本數(shù)據(jù)進(jìn)行情感分類(lèi)，這種方法需要的人力注釋成本較小。2010年，Zhou等人[32]針對(duì)半監(jiān)督深度網(wǎng)絡(luò)分類(lèi)中標(biāo)記數(shù)據(jù)獲取難度高的問(wèn)題，引入了主動(dòng)深度網(wǎng)絡(luò)（Activedeepnetwork，ADN）的概念。即在對(duì)數(shù)據(jù)文本進(jìn)行半監(jiān)督分類(lèi)中，應(yīng)用主動(dòng)學(xué)習(xí)來(lái)選取待標(biāo)記的數(shù)據(jù)進(jìn)行標(biāo)記并用于解決情感分類(lèi)問(wèn)題，實(shí)驗(yàn)表明主動(dòng)學(xué)習(xí)深度網(wǎng)絡(luò)在文本情感分類(lèi)中取得了良好的分類(lèi)效果。2013年，Socher[33]對(duì)向量空間矩陣VSM和遞歸神經(jīng)網(wǎng)絡(luò)（RNN）等方法做了對(duì)比實(shí)驗(yàn)后，在RNN的基礎(chǔ)上提出了語(yǔ)義依賴(lài)樹(shù)遞歸神經(jīng)網(wǎng)絡(luò)（SDT-RNN），該方法將圖像和文本映射到相同空間，通過(guò)在神經(jīng)網(wǎng)絡(luò)模型中引入語(yǔ)義依存樹(shù)來(lái)進(jìn)行語(yǔ)義分析。將該方法應(yīng)用在情感分類(lèi)中可以得到遠(yuǎn)高于遞歸神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確度。2014年，冀俊忠等人[34]對(duì)文檔級(jí)文本情感分類(lèi)進(jìn)行了研究，提出了一種知識(shí)語(yǔ)義權(quán)值特征和樸素貝葉斯相結(jié)合的情感分類(lèi)算法，該算法首先使用特征選擇的方法來(lái)對(duì)文檔情感詞進(jìn)行特征提取，并根據(jù)詞語(yǔ)的語(yǔ)義重要程度賦予不同權(quán)值，然后加入到建立的樸素貝葉斯分類(lèi)器中，實(shí)驗(yàn)表明該算法提高了文檔級(jí)文本情感分類(lèi)的準(zhǔn)確度。2015年，Karanasou等人[35]以Twitter文本為實(shí)驗(yàn)數(shù)據(jù)，從句法和形態(tài)特征兩個(gè)方面對(duì)比喻句進(jìn)行情感分析，利用情感詞典對(duì)詞語(yǔ)賦予權(quán)值和計(jì)算相似度，并預(yù)測(cè)細(xì)粒度的情感評(píng)分，最后使用樸素貝葉斯，決策樹(shù)和SVM三種分類(lèi)算法進(jìn)行實(shí)驗(yàn)，結(jié)果表明具有SVM分類(lèi)器可以取得更好的效果。2015年，Jin等人[36]研究發(fā)現(xiàn)用戶(hù)對(duì)金融市場(chǎng)的積極性和市場(chǎng)波動(dòng)存在關(guān)聯(lián)，但是該領(lǐng)域情感分析研究仍然相對(duì)較少的問(wèn)題對(duì)金融領(lǐng)域文本進(jìn)行情感分析，利用支持向量機(jī)和依存句法相關(guān)性進(jìn)行金融文本情感分析，取得了較好的效果。2016年，Xu等人[37]在使用LSTM進(jìn)行長(zhǎng)文本極性判斷時(shí)，為了解決處理長(zhǎng)文本時(shí)情感信息流失的問(wèn)題，通過(guò)引入緩存機(jī)制來(lái)模擬計(jì)算機(jī)的緩存cache功能，設(shè)計(jì)了一種對(duì)記憶單元進(jìn)行改進(jìn)的緩存長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)，該方法按照遺忘率之間的差異劃分為若干數(shù)目的分組，在循環(huán)單元中能夠更完整的保留長(zhǎng)文本的情感語(yǔ)義信息。2016年，朱憲瑩[38]使用微博文本作為實(shí)驗(yàn)數(shù)據(jù)將各種特征提取方法進(jìn)行了實(shí)驗(yàn)對(duì)比，針對(duì)傳統(tǒng)特征選擇方法未考慮語(yǔ)義對(duì)極性影響的問(wèn)題，采用多種特征提取方法將文本各層次的語(yǔ)義特征相融合,構(gòu)建多特征融合的特征向量，實(shí)驗(yàn)結(jié)果表明，利用層次結(jié)構(gòu)情感分類(lèi)方法構(gòu)建的多特征融合的特征向量，在對(duì)微博文本進(jìn)行情感分析時(shí)能有效提高微博情感分類(lèi)的準(zhǔn)確性。2019年，吳潔等人[39]針對(duì)文本分析時(shí)評(píng)論人主觀(guān)情感傾向容易被忽略的問(wèn)題，對(duì)現(xiàn)有的微博情感分類(lèi)方法進(jìn)行改進(jìn)。他們將評(píng)論人觀(guān)點(diǎn)攜帶的情感進(jìn)行建模得到情感值，再將微博文本表示成特征向量后作為長(zhǎng)短期記憶網(wǎng)絡(luò)（LongShort-TermMemory，LSTM）的輸入，然后將LSTM的輸出情感值一起輸入到全連接層，最后在Softmax層得到文本極性分類(lèi)的結(jié)果，實(shí)驗(yàn)表明，和傳統(tǒng)方法相比該方法在情感分類(lèi)可以實(shí)現(xiàn)更好的效果。然而，機(jī)器學(xué)習(xí)在對(duì)微博進(jìn)行情感分析時(shí)卻存在不足[40]：其一，由于機(jī)器學(xué)習(xí)的準(zhǔn)確度和訓(xùn)練語(yǔ)料質(zhì)量呈正相關(guān)，只有在規(guī)模足夠大且正確標(biāo)注的實(shí)驗(yàn)數(shù)據(jù)下才能滿(mǎn)足準(zhǔn)確度要求；其二，新浪微博自2009年上線(xiàn)至今，每天會(huì)產(chǎn)生超過(guò)1億條的海量文本數(shù)據(jù)，并且微博受眾主要是國(guó)內(nèi)的年輕群體，博文充斥著大量的表情符號(hào)和口語(yǔ)化表達(dá)，微博內(nèi)容涉及到社會(huì)的各個(gè)領(lǐng)域，因此依靠人力難以對(duì)這些數(shù)據(jù)進(jìn)行及時(shí)篩選及標(biāo)注；其三，機(jī)器學(xué)習(xí)受訓(xùn)練語(yǔ)料領(lǐng)域的限制較大，如文本涉及的領(lǐng)域不同，在一個(gè)語(yǔ)料環(huán)境下訓(xùn)練的分類(lèi)器并不能適用于所有領(lǐng)域，泛化能力較差；而基于情感詞典的情感分析算法依舊是非常具有代表性的分析算法，因此本文選擇基于情感詞典的情感分析方法。參考文獻(xiàn)：參考文獻(xiàn)張敏.網(wǎng)絡(luò)傳播的困境與協(xié)商民主的規(guī)制——桑斯坦《網(wǎng)絡(luò)共和國(guó):網(wǎng)絡(luò)社會(huì)中的民主問(wèn)題》的評(píng)述與思考[J].領(lǐng)導(dǎo)科學(xué),2015,622(29):13-15.董光恒.積極情緒和消極情緒對(duì)沖動(dòng)控制過(guò)程影響差異的ERP研究[C].中國(guó)心理學(xué)會(huì).第十一屆全國(guó)心理學(xué)學(xué)術(shù)會(huì)議論文摘要集.中國(guó)心理學(xué)會(huì):中國(guó)心理學(xué)會(huì),2007:200.MedhatW,HassanA,KorashyH.Sentimentanalysisalgorithmsandapplications:Asurvey[J].AinShamsEngineeringJournal,2014,5(4):1093-1113.曹毅梅,李真奇.微博輿論對(duì)熱點(diǎn)事件發(fā)展的影響[J].新聞愛(ài)好者,2020(01):47-49.EsuliA,SebastianiF.SentiWordNet:APubliclyAvailableLexicalResourceforOpinionMining[C].ProceedingsoftheFifthInternationalConferenceonLanguageResourcesandEvaluation.Genoa,Italy,2006:417-422.BaccianellaS,EsuliA,SebastianiF.SentiWordNet3.0:AnEnhancedLexicalResourceforSentimentAnalysisandOpinionMining.[C].InternationalConferenceonLanguageResourcesandEvaluation,Lrec2010,17-23May2010,Valletta,Malta.DBLP,2010:83-90.GriebWE.Thegeneralinquirer:Acomputerapproachtocontentanalysis:PhilipJ.Stone,DexterC.Dunphy,MarshallS.Smith,DanielM.Ogilvie,withassociates.TheMITPress,Cambridge,Massachusetts,1966.651pp.plusxx[J].InformationStorageandRetrieval,1968,4(4):375-376.WilsonT,Wiebe,Hoffmann.Recognizingcontextualpolarityinphrase-levelsentimentanalysis[C].ProceedingsoftheConferenceonHumanLanguageTechnologyandEmpiricalMethodsinNaturalLanguageProcessing.Vancouver,Canada,2005:347-354.Neviarouskaya,Alena,HelmutPrendinger,andMitsuruIshizuka.SentiFul:Alexiconforsentimentanalysis[J].IEEETransactionsonAffectiveComputing.2011.2(1):22-36.BlairGoldensohnS,HannanK,McDonaldR,etal.Buildingasentimentsummarizerforlocalservicereviews[C].ProceedingsoftheWWW2008Workshop:NLPintheInformationExplosionEra.Beijing,China:NLPIX,2008:200-207.HatzivassiloglouV,McKeownKR.Predictingthesemanticorientationofadjectives[C].ProceedingsoftheThirty-FifthAnnualMeetingoftheAssociationforComputationalLinguisticsandtheEighthConferenceoftheEuropeanChapteroftheAssociationforComputationalLinguistics.AssociationforComputationalLinguistics,1997:174-181.Nasukawa,Yi,Jeonghee,Tetsuya,Bunescu,Razvan.Sentimentanalyzer:extractingsentimentsaboutagiventopicusingnaturallanguageprocessingtechniques[C].ThirdIEEEInternationalConferenceonDataMining(ICDM),MelBourne,Florida,USA,IEEEPress,2003:427-434.TheresaWilson,JanyceWiebe.RecognizingContextualPolarityinPhrase-LevelSentimentAnalysis[C].ProceedingofConferenceonHumanLanguageTechnologiesandEmpiricalMethodsinNaturalLanguageProcessing.Morristown:ACL,2005:347-354.王素格,楊安娜,李德玉.基于漢語(yǔ)情感詞表的句子情感傾向分類(lèi)研究[J].計(jì)算機(jī)工程與應(yīng)用,2009,45(24):153-155.楊鼎,陽(yáng)愛(ài)民.一種基于情感詞典和樸素貝葉斯的中文文本情感分類(lèi)方法[J].計(jì)算機(jī)應(yīng)用研究,2010,27(10):3737-3739.Taboada,Maite,BrookeJ,TofiloskiM,etal.Lexicon-basedmethodsforsentimentanalysis[J].ComputationalLinguistics,2011,37(2):267-307.王振宇,吳澤衡,胡方濤.基于HowNet和PMI的詞語(yǔ)情感極性計(jì)算[J].計(jì)算機(jī)工程,2012,38(15):187-189,193.WeichselbraunA,GindlS,ScharlA.ExtractingandGroundingContext-AwareSentimentLexicons[J].IEEEIntelligentSystems,2013,28(2):39-46.LiSS,SuYan.Chinesesentimentdictionaryconstructionmethodbasedonbilingualinformationandlabelpropagationalgorithm[J].JournalofChineseInformationProcessing,2013,27(06):75-81.RaoY,LeiJ,WYL,etal.Buildingemotionaldictionaryforsentimentanalysisofonlinenews[J].WorldWideWeb,2014,17(4):723-742.KaranasouM,DoulkeridiscC.DsUniPi:anSVM-basedapproachforsentimentanalysisoffigurativelanguageontwitter[C].InternationalWorkshoponSemanticEvaluation,Denver,Colorado,2015:709-713.梁亞偉.基于情感詞典的中文微博情感分析模型研究[J].現(xiàn)代計(jì)算機(jī),2015(18):13-17.劉德喜.情感詞擴(kuò)展對(duì)微博情感分類(lèi)性能影響的實(shí)驗(yàn)分析[J].小型微型計(jì)算機(jī)系統(tǒng),2016,37(5):957-965.閆曉東,黃濤.基于情感詞典的藏語(yǔ)文本句子情感分類(lèi)[J].中文信息學(xué)報(bào),2018,32(2):75-80．YuqiansiHe.ChineseSentenceEmotionClassificationMethodBasedonSemanticAnalysis[C].InstituteofManagementScienceandIndustrialEngineering.Proceedingsof20197thInternationalEducation,Economics,SocialScience,Arts,SportsandManagementEngineeringConference(IEESASM2019).InstituteofManagementScienceandI