情感|舆情情感是如何被测量的？( 二 )
文章图片
图：词映射到词向量空间过程
Step 03
获取特征
特征是一个对于问题建模有意义的属性 ， 可以表达更多的跟问题上下文有关的内容 。
基于情感词典与规则的方法获取特征 ， 需要抽取出情感词 ， 即从文本中自动识别出情感词来 。 如基于有限状态机（FiniteStateMachine ， FSM）的匹配方法 。 情感元素抽取过程分三个步骤 。第一步 ， 情感元素匹配 ， 主要是将经过预处理的评论语料映射到特征词和否定副词的列表中 ， 这些列表根据在元素评论中出现的顺序进行排序 。第二步 ， 情感元素抽取 ， 将列表数据作为FSM的输入 ， 根据上下文和情感词寻找特征意见（Feature-Opinion ， F-O）对 ， 并确定每对F-O对的情感极性 。第三步 ， 情感元素过滤 ， 利用规则筛选出正确的F-O对 。
机器学习中提升效率和获得更好结果高度依赖于数据预处理 ， 同时整个学习过程70％工作量也在此 ， 数据预处理包括清洗、转换、规约三个部分 ， 其中的规约是一个降维过程 ， 在机器学习中通过特征工程实现 。 特征工程包括特征提取和特征选择两类 ， 前者是保留所有特征但区别对待 ， 如因子分析；后者是只留下最有效的特征 ， 如矩阵的奇异值分解、Filter、Wrapper、Embedded等 。 是一个人工+机器共同实现的方法 。
特征学习是深度学习中的用语 ， 与机器学习中用于降维的特征工程不一样 ， 是主动寻找隐藏特征 ， 深度学习由多层网络构成 ， 每一层学习一个特征 。 如CNN中通过卷积运算和池化方法构成的一层人工神经元集合中 ， 通过前馈方法就能学习出图像、语言、文本的一个特征 。 基于深度学习方法获得特征都是完全自动实现的 。
多策略混合方法在获得特征的时候 ， 利用情感词抽取、特征学习和特征工程三种方法中的一种或多种 。
Step 04
使用模型进行情感分类
基于情感词典与规则的方法 。 该方法主要依赖于情感词典的构建 ， 是指利用情感词典获取文档中情感词的情感值 ， 再通过加权计算确定文档的整体情感倾向 。 使用此方法时不考虑词语之间的联系 ， 词语的情感值不会随着应用领域和上下文的变化而变化 ， 因此需要针对特定领域建立相关的情感词典提高分类的准确率 。 情感词典是情感分析系统的基础知识库 ， 是数字、文本与符号的集合 。 在缺乏大量训练数据集的情况下 ， 基于词典与规则的方法相对能取得较好的分类结果且易于理解 ， 但是网络用语不断涌现 ， 情感词典需要不断更新扩展以提高分类的准确率 。
基于机器学习的方法 ， 是以带有情感标签的数据训练出一个情感分类器 ， 再利用分类器预测测试集中文本的情感倾向 ， 常用的浅层机器学习分类算法有最大熵、朴素贝叶斯和支持向量机（SVM）等 。
推荐阅读
- 中新经纬|反向带货还是饥饿营销，瑞幸李国庆互怼伤害了谁？
- 专访|专访犀思云创始人张雄国：NaaS服务的核心是成就客户
- 什么|什么是超高效过滤器？
- 苹果|关机后你的手机还能被定位，是真的咩？
- 财联社|对话荣耀CEO赵明：折叠屏会是国产手机弯道超车苹果的契机
- 视点·观察|肯德基盲盒二手价暴涨8倍 是否在搞“饥饿营销”？
- IT|永远改变了F1的六起悲剧
- 寿命|iphone手机是否能充电过夜？几个前提应该要知道
- 来源|天津战“疫”：逆境中的光芒
- 病例|奥密克戎再研判：毒性是否减弱？疫苗还有效吗？