[发明专利]一种基于多特征集成学习的文本情感分类方法

说明书

本发明公开了一种基于多特征集成学习的文本情感分类方法。本方法为：文本预处理。构造词语词典和情感词典。文本在每种词典上的向量化表示。训练基分类器：在每种文本向量化表示的基础上训练分类器。最后将基分类器集成，通过多个基分类器的线性组合来决定预测文本情感的最终分类。本发明具有以下优点：通过设计词语词典和情感词典，在两个互补的特征空间对文本进行表示，可以提取文本中更丰富的情感特征。同时，集成学习可以将不同特征空间中的情感鉴别结果进行融合，提高了文本情感分类的准确度。

技术领域

本发明属于自然语言处理技术与模式识别领域，具体地说是一种基于多特征集成学习的文本情感分类方法。

背景技术

随着互联网技术的深入发展和广泛应用，人们能在网络上搜索到各种各样的信息，这些信息主要以文本、图片、音频和视频等形式表现。其中，文本是一种传递信息的重要形式。情感分类是一种按照文本所表达的情感将其分为正面、负面等类别。研究情感分类可以自动挖掘文本所蕴含的态度，可以被应用在很多场景中。如分析网民对热点事件的态度、发现购买者对产品的评价等。

文本情感分析技术可分为两类：基于情感词典的文本情感分析和基于机器学习的文本情感分析。基于情感词典的方法是采用现有的情感词典，计算文本中每个情感词语的极性及其强弱，并将这些词语的判别结果组合，得到整个文本的情感。基于机器学习的方法需要采集大量文本，并进行人工情感标注。然后使用带标注的文本作为训练数据，在特定的分类器上进行学习，得到将文本映射为对应情感的鉴别函数。由于文本内容的复杂性，基于机器学习的方法在实际问题中的分类效果往往优于基于情感词典的方法。基于机器学习的方法一般包括特征提取、特征选择、训练分类器等步骤。其中，常用的分类器一般包括支持向量机、逻辑回归、朴素贝叶斯分类器等。

传统的文本情感分析算法往往只考虑在一个词典上对文本进行向量化表示，得到文本特征空间，这种单一特征空间的方法难以表达文本中复杂的情感，本发明通过设计词语词典和情感词典，在两个互补的特征空间对文本进行表示，可以提取文本中更丰富的情感特征。同时，提出集成学习方法将不同特征空间中的情感鉴别结果进行融合，充分利用互补信息，提高了文本情感分类的准确度。

发明内容

本发明为了克服现有技术存在的不足之处，提出一种基于多特征融合集成学习的文本情感分类方法，以期能解决单一特征鉴别信息不足的问题，从而进一步提高文本情感分类的准确性。

本发明为解决技术问题采用如下技术方案：

本发明一种基于多特征融合集成学习的文本情感分类方法的特点是按如下步骤进行：

步骤1：数据获取。获取文本集合D＝{D₁，D₂，…，D_N}及对应的情感标签集合 Y＝{y₁，y₂，…，y_N}，D_i表示第i个文本，y_i表示第i个文本的情感类别：如果D_i的情感为正面，则y_i＝1，如果D_i的情感为负面，则y_i＝2，如果D_i的情感为中性，则y_i＝3，1≤i≤N， N为文本集合D中的文本总数；

步骤：2：对文本集合D中的每个文本D_i进行分词，并对分词结果进行去除停用词，从而获得第i个文本的词语集合c_ij表示第i个文本中的第j个词语；1≤j≤m_i， m_i为第i个文本中的词语总数；

步骤₃：将文本集合D中N个文本的词语集合取并集，从而得到所述文本集合D的全体词语集合T＝{t₁，t₂，…，t_K}，t_k表示所述全体词语集合T中的第k个词语，K表示所述全体词语集合T所包含的词语总数，1≤k≤K；