[发明专利]一种基于多特征集成学习的文本情感分类方法

摘要

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。

主权项

1.一种基于多特征集成学习的文本情感分类方法，其特征在于包括如下步骤：步骤1：数据获取；获取文本集合D＝{D1，D2，…，DN}及对应的情感标签集合Y＝{y1，y2，…，yN}，Di表示第i个文本，yi表示第i个文本的情感类别：如果Di的情感为正面，则yi＝1，如果Di的情感为负面，则yi＝2，如果Di的情感为中性，则yi＝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，…，tK}，tk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；步骤4：从全体词语集合T中选出词语子集其中t_(k)∈T，k＝1，2，…，K₁，K₁为子集大小，K₁≤K；步骤5：将所述文本集合D在词语集合TA上表示成向量形式{X1，X2，…，XN}；步骤6：搜集多个情感极性词典，并将这些词典合并，去除重复情感词语，获得情感词语集合S＝{s1，s2，…，sQ}，sq表示所述情感词语集合s中的第q个词语，Q表示所述情感词语集合s所包含的情感词语总数，1≤q≤Q；步骤7：从情感词语集合s中选出情感词语子集其中s_(q)∈T，q＝1，2，…，K₂，K₂为子集大小，K₂≤Q；步骤8：将所述文本集合D在情感词语子集SA上表示成向量形式{Z1，Z2，…，ZN}；步骤9：选择基分类器类型，以所述文本集合D在词语子集TA上的向量表示{X₁，X₂，…，X_N}和对应的情感标签Y＝{y₁，y₂，…，y_N}为训练数据，学习得到基分类器1，假设表示基分类器1预测的x∈{X₁，X₂，…，X_N}属于类别y_i的概率；步骤10：选择基分类器类型，以所述文本集合D在情感词语子集SA上的向量表示{Z₁，Z₂，…，Z_N}和对应的情感标签Y＝{y₁，y₂，…，y_N}为训练数据，学习得到基分类器2，假设表示基分类器2预测的z∈{Z₁，Z₂，…，Z_N}属于类别y_i的概率；步骤11：以加权线性组合的方式将基分类器1和基分类器2进行集成，获得最终的集成分类器其中，f_yi表示文本属于类别y_i的概率，α表示基分类器1的重要性。