[发明专利]一种基于SVM融合多种情感资源的微博情感分类方法

摘要

本发明公开了一种基于SVM融合多种情感资源的微博情感分类方法，步骤如下构建相关词典，包括情感词典、否定词典、程度副词词典；将不同的语料进行预处理，对语料进行分词和词性标注，并进行句法分析；将分词后的词语与正、负面词典比对得到初始词语极性，再将情感词前的词语与词语程度级别词典和否定词词典比对得到修饰词权重，把初始词语极性和修饰词权重相乘得出每条微博的情感分数；从词性特征、情感特征、句式特征、语义特征四个方面，提取名词、动词、形容词、正负情感词、程度副词权重、情感得分、否定词、特殊符号等特征；将提取的特征输入Libsvm进行模型训练，得出训练模型。本发明方法对微博实现情感5级分类，能够准确、全面地获取网民们的情感倾向。

主权项

一种基于SVM融合多种情感资源的微博情感分类方法，其特征在于，包括以下步骤：步骤1、构建相关词典，完善情感词典和程度副词词典，并对程度副词中所有词进行权重赋值；步骤2、文本预处理，将不同的语料预先进行断句、格式处理，利用ICTCLAS对语料进行分词和词性标注，利用Stanford Parser对语料进行句法分析；步骤3、情感得分计算，将分词后的词语与正、负面词典比对得到初始词语极性，再将情感词前的词语与词语程度级别词典和否定词词典比对得到修饰词权重，把初始词语极性和修饰词权重相乘得出每条微博的情感分数；步骤4、特征提取，词性特征提取名词、动词、形容词作为特征，情感特征提取正面情感词、负面情感词、程度副词权重、情感得分作为特征，句式特征提取否定词、感叹号、问号作为特征，语义特征提取Stanford Parser句式分析后的四种语义关系nsubj、advmod、amod、neg作为特征；步骤5、模型训练，将提取的特征输入Libsvm进行模型训练，得出训练模型，最后利用训练模型对测试语料进行分类。