基于語義塊的事件傾向性分析研究

韋向峰，張 全，繆建明，池毓煥

(中國科學(xué)院 聲學(xué)研究所，北京 100190)

1 引言

由于互聯(lián)網(wǎng)的開放性，新聞報(bào)道、評(píng)論、博客、BBS、微博等都可以表達(dá)對(duì)事件、人或物品的傾向性觀點(diǎn)。其中不乏具有爆炸性、爭(zhēng)議性的事件，人們對(duì)這些事件的傾向和態(tài)度有可能影響社會(huì)價(jià)值取向，甚至造成社會(huì)的不穩(wěn)定。如何自動(dòng)分析文本的傾向性態(tài)度，及時(shí)發(fā)現(xiàn)和防止不良內(nèi)容的傳播和擴(kuò)散，成為維護(hù)互聯(lián)網(wǎng)健康發(fā)展的重要課題。其中，如何利用自然語言處理的技術(shù)獲取文本對(duì)評(píng)價(jià)對(duì)象的態(tài)度，成為研究者們關(guān)注的焦點(diǎn)之一。

文本態(tài)度傾向性分析的主流方法是通過建立相關(guān)的褒貶詞匯詞典等褒貶評(píng)價(jià)資源，采用統(tǒng)計(jì)處理手段獲取文本的態(tài)度傾向性；也可以把文本的傾向性類別作為文本分類問題進(jìn)行處理，得到文本的態(tài)度傾向性類別。詞語的傾向性是文本傾向性分析的重要基礎(chǔ)，也是人判斷文本傾向性的重要依據(jù)之一。具有強(qiáng)烈的傾向性或極性是某些詞語的屬性，利用已有的語義詞典資源如WordNet[1]或HowNet[2]，根據(jù)已知極性的詞語和PMI算法可計(jì)算得到未知極性詞語的傾向性[3]。相對(duì)詞語傾向性分析而言，句子傾向性分析模型研究較少，有的依據(jù)“上下文中相鄰句子應(yīng)該具有相同類別”[4]做分析，有的用CRFs研究句子的傾向性標(biāo)注序列問題[5]；還有的依據(jù)主謂、動(dòng)賓以及格語法賦予詞語不同的權(quán)重，作為對(duì)句子傾向性分析的補(bǔ)充[6-8]。文本傾向性分析一般是把文本看作是特征詞語表達(dá)的向量，以特征詞語的極性或已標(biāo)注的訓(xùn)練語料為基礎(chǔ)，用文本分類算法(如SVM)[9]或者聚類算法獲得文本的傾向性類別。

文本態(tài)度傾向性分析的目的，就是獲取文本中觀點(diǎn)持有者對(duì)某一評(píng)價(jià)對(duì)象的態(tài)度(或稱觀點(diǎn)、情感)。從文本的評(píng)價(jià)對(duì)象來看，可分為對(duì)人的評(píng)價(jià)、對(duì)物品的評(píng)價(jià)和對(duì)事件的評(píng)價(jià)。本文主要關(guān)注事件文本中對(duì)事件的傾向性態(tài)度，首先獲取文本語句中的對(duì)象詞、極性詞等詞語，然后把語句的語義塊分析結(jié)果轉(zhuǎn)化為二元或三元傾向性分析模型，計(jì)算得到語句傾向性，根據(jù)語句傾向性的統(tǒng)計(jì)結(jié)果得到事件文本的傾向性態(tài)度。

2 傾向性分析模型和方法

從目前的文本傾向性分析的研究來看，涉及的被評(píng)價(jià)對(duì)象絕大多數(shù)是物品和人物，關(guān)于事件的傾向性分析研究得較少。這主要是因?yàn)槭录亩x和識(shí)別復(fù)雜得多，事件包含的要素包括人或機(jī)構(gòu)、時(shí)間、地點(diǎn)、事件過程等。但是，事件也有其自身的特點(diǎn)，重大熱點(diǎn)事件往往會(huì)形成“特定簡(jiǎn)稱”(例如，911事件、馬德里爆炸案、汶川地震)，一些有爭(zhēng)議的事件常出現(xiàn)辯論的正反兩方，這兩方一般都是人或機(jī)構(gòu)。因此，事件的定位可以通過關(guān)鍵字、關(guān)鍵人名發(fā)現(xiàn)相關(guān)的文章，而有爭(zhēng)議的事件很容易使不同文章具有不同的傾向性。本文著重研究在語句傾向性分析的基礎(chǔ)上實(shí)現(xiàn)有爭(zhēng)議事件文章的傾向性分類，首先人工選定和收集某些事件的相關(guān)文章，然后確定出事件的關(guān)鍵詞以及關(guān)鍵人物，同時(shí)為這些關(guān)鍵人物分配事件立場(chǎng)傾向。以這些關(guān)鍵詞和關(guān)鍵人物作為對(duì)象詞，在已建立的褒貶詞語知識(shí)庫、否定邏輯詞集、程度詞集的基礎(chǔ)上，根據(jù)語句傾向性分析的模型和算法，獲得語句關(guān)于事件的傾向性態(tài)度。然后對(duì)文章中包含傾向性態(tài)度的語句分析結(jié)果的權(quán)重設(shè)置、加權(quán)統(tǒng)計(jì)后可以得到文章對(duì)于事件的傾向性態(tài)度。

語句傾向性分析是事件傾向性分析的基礎(chǔ)，我們首先把影響語句傾向性態(tài)度的主要詞語分為四類：褒貶詞、對(duì)象詞、邏輯詞和程度詞，然后根據(jù)語句的語義塊分析結(jié)果轉(zhuǎn)化為最簡(jiǎn)單的二元模型或三元模型，通過褒貶詞的傾向性計(jì)算得到語句對(duì)于某個(gè)被評(píng)價(jià)對(duì)象的傾向性態(tài)度，再通過事件文本中語句傾向性統(tǒng)計(jì)得到文本的傾向性態(tài)度。

2.1 詞語分類

褒貶詞，是指本身具有某種或多種傾向性態(tài)度的詞語，例如，“好”、“壞”、“贊揚(yáng)”、“譴責(zé)”、“驕傲”、“風(fēng)騷”等。為便于計(jì)算，具有正面積極評(píng)價(jià)信息的詞稱為褒義詞(屬性值取“+1”)，具有負(fù)面消極評(píng)價(jià)信息的詞稱為貶義詞(屬性值取“-1”)，沒有傾向性態(tài)度信息的詞稱為中性詞(屬性值取“0”)，具有多種傾向性態(tài)度的詞屬性值取“2”。

對(duì)象詞，是表示被評(píng)價(jià)對(duì)象或態(tài)度持有者的詞語，可以是表示人、物品、事件、屬性等各種各樣的詞語。對(duì)象詞被賦予立場(chǎng)屬性，屬性值“+1”表示事件正方，“-1”表示事件反方，“0”表示中立方。對(duì)象間的褒貶、立場(chǎng)具有傳遞性，并在一定程度上反映了文本述者的褒貶立場(chǎng)。

邏輯詞，主要是表示肯定或否定的詞語，如“是”、“不是”、“不”、“未必”等。褒貶詞經(jīng)邏輯詞修飾后傾向性可能會(huì)發(fā)生反轉(zhuǎn)，例如，“好”加上否定修飾“不”后變成了“不好”，“好”與“不好”二者的傾向性態(tài)度完全相反。

程度詞，是指一些描述程度的修飾詞語，例如，“最”、“很大”、“較大”、“一定程度”等，按照程度從小到大人工確定屬性值(大于0且小于1)，例如，“較大”取0.6，“很大”取0.8，“最”取0.9。程度詞在運(yùn)算中不影響傾向性的極性(褒貶性)，但是會(huì)改變句子傾向性(褒或貶)的強(qiáng)弱程度。

2.2 二元模型和三元模型

對(duì)象詞和褒貶詞是構(gòu)成語句傾向性分析模型的最基本要素，在具有傾向性態(tài)度的語句中一般會(huì)同時(shí)出現(xiàn)被評(píng)價(jià)對(duì)象詞和褒貶詞。一元模型因缺少傾向性或缺少被評(píng)價(jià)對(duì)象，在語句范圍內(nèi)無法處理。因此，最簡(jiǎn)單的二元模型評(píng)價(jià)形式為“A B”，其中A是褒貶詞B是對(duì)象詞，反之亦可。例如，一個(gè)語句經(jīng)簡(jiǎn)化處理后為“該方法 好”，那么這個(gè)語句的陳述者對(duì)于“該方法”的傾向性態(tài)度是正面的(“好”)，語句傾向性態(tài)度的取值為褒貶詞“好”的屬性值“+1”。

語句傾向性分析的三元模型的基本形式為“C X D”，其中 C是評(píng)價(jià)者(對(duì)象詞)，X是褒貶詞，D是被評(píng)價(jià)對(duì)象(對(duì)象詞)。例如，“他 鄙視 這種做法”，評(píng)價(jià)者“他”對(duì)被評(píng)價(jià)對(duì)象“這種做法”的傾向性態(tài)度是反面的。從本質(zhì)上看，三元模型省略評(píng)價(jià)者后就是二元模型，此時(shí)評(píng)價(jià)者默認(rèn)為語句文本的陳述者。當(dāng)不關(guān)心評(píng)價(jià)者，只關(guān)心被評(píng)價(jià)對(duì)象和對(duì)其的傾向性態(tài)度時(shí)，三元模型可以轉(zhuǎn)化為二元模型處理。

根據(jù)二元模型或三元模型，語句傾向性分析的計(jì)算結(jié)果要么為+1，要么為-1，其結(jié)果值由褒貶詞的屬性值確定。當(dāng)語句中出現(xiàn)邏輯詞時(shí)，在邏輯詞的轄域范圍內(nèi)如果有褒貶詞，那么應(yīng)乘上邏輯詞的屬性值(否定為-1，肯定為+1)。當(dāng)語句中出現(xiàn)程度詞時(shí)，在程度詞的轄域范圍內(nèi)如果有褒貶詞，那么應(yīng)乘上程度詞的屬性值。

2.3 四元或更多元情形的處理

語句中也可能出現(xiàn)傾向性評(píng)價(jià)的四元或更多元的形式，例如，五元形式的語句“美國 指責(zé) 伊朗 支持 恐怖主義”，這時(shí)候應(yīng)先把語句轉(zhuǎn)化為三元模型“美國 指責(zé) E”，而E又正好是三元模型“C X D”的形式，即“伊朗 支持 恐怖主義”。因此，四元或更多元的語句模型可以轉(zhuǎn)化為二元或三元模型進(jìn)行處理。

在實(shí)際語句處理中，如果把褒貶詞或?qū)ο笤~作為“元”，一般都會(huì)得到四“元”、五“元”甚至更多元的情形，這時(shí)如何把多元降元為三元或二元模型呢？一種辦法是簡(jiǎn)單地把頭部或尾部的“元”去掉，顯然這種降元方法會(huì)產(chǎn)生較高的錯(cuò)誤率。另一種辦法是先按語句的語義結(jié)構(gòu)劃分為語義塊進(jìn)行降元處理，然后在語義塊內(nèi)部按照二元或三元模型進(jìn)行處理。例如，前述五元形式語句的語義結(jié)構(gòu)為“GBK1+EK+GBK2”，語義塊GBK1為“美國”，EK為“指責(zé)”，GBK2為指責(zé)的內(nèi)容。語義塊GBK2內(nèi)部又是一個(gè)句子“伊朗 支持 恐怖主義”，由三個(gè)語義塊構(gòu)成，這時(shí)可直接應(yīng)用傾向性分析的三元模型。

因此，我們利用概念層次網(wǎng)絡(luò)理論(HNC)的句類分析技術(shù)[10]得到語句的語義塊結(jié)構(gòu)，然后在語義塊內(nèi)部繼續(xù)降元，轉(zhuǎn)化為二元或三元模型，具體轉(zhuǎn)化方法和實(shí)現(xiàn)步驟如2.4節(jié)所述。這種降元處理方法的基礎(chǔ)是語句的語義塊結(jié)構(gòu)和語義關(guān)系，準(zhǔn)確率比簡(jiǎn)單降元方法要高。

2.4 基于語義塊的語句傾向性分析

語句的語義類型即HNC的句類。句類表示式由主語義塊構(gòu)成，主語義塊可以是詞、短語或下一級(jí)句子。主語義塊又分為特征語義塊EK和廣義對(duì)象語義塊GBK。根據(jù)句類表示式中主語義塊的個(gè)數(shù)，語句分為兩塊句、三塊句和四塊句。其中，四塊句的句類表示式的基本格式為GBK1+EK+GBK2+GBK3，三塊句為GBK1+EK+GBK2，兩塊句為GBK+EK或GBK1+GBK2。兩塊句和三塊句的表示式可與二元模型和三元模型直接對(duì)應(yīng)。當(dāng)語句語義塊為簡(jiǎn)單構(gòu)成(不含句子或句子變形)時(shí)，可以利用句類分析的結(jié)果表示式直接計(jì)算得到語句的傾向性。當(dāng)語義塊為包含句子的復(fù)雜構(gòu)成時(shí)，需要根據(jù)所包含句子的句類表示式進(jìn)行逐級(jí)深入的計(jì)算，直到?jīng)]有語義塊的復(fù)雜構(gòu)成為止。具體的轉(zhuǎn)化方法及語句傾向性分析步驟如下。

步驟1) 如果語句為兩塊句，且兩個(gè)主語義塊分別是褒貶詞和對(duì)象詞，那么按二元模型計(jì)算語句的傾向性態(tài)度，轉(zhuǎn)步驟11)；

步驟2) 如果語句為三塊句，且GBK1為對(duì)象詞、EK為褒貶詞、GBK2為對(duì)象詞，那么按三元模型計(jì)算語句的傾向性態(tài)度，轉(zhuǎn)步驟11)；

步驟3) 如果語句為四塊句，且GBK2和GBK3分別是褒貶詞和對(duì)象詞，那么先按二元模型計(jì)算GBK2和GBK3的傾向性，然后轉(zhuǎn)步驟2)；

步驟4) 對(duì)語句中的每一個(gè)語義塊，執(zhí)行步驟5)到步驟10)；

步驟5) 如果語義塊內(nèi)含一個(gè)褒貶詞和一個(gè)對(duì)象詞，那么按二元模型計(jì)算得到傾向性；

步驟6) 如果語義塊內(nèi)含一個(gè)褒貶詞和多個(gè)對(duì)象詞，那么取褒貶詞與其右邊最近的一個(gè)對(duì)象詞，然后按二元模型計(jì)算得到傾向性；

步驟7) 如果語義塊內(nèi)含多個(gè)褒貶詞和多個(gè)對(duì)象詞，那么分別取褒貶詞與其右邊最近的一個(gè)對(duì)象詞，然后按二元模型計(jì)算得到傾向性；

步驟8) 如果語義塊內(nèi)含有邏輯詞，那么邏輯詞右邊最近褒貶詞的傾向性應(yīng)乘上邏輯詞的屬性值；

步驟9) 如果語義塊內(nèi)含有程度詞，那么程度詞右邊最近褒貶詞的傾向性應(yīng)乘上程度詞的屬性值；

步驟10)如果語義塊內(nèi)含語句，那么把內(nèi)含語句作為新語句，轉(zhuǎn)步驟1)；

步驟11)結(jié)束，得到語句的傾向性。

3 實(shí)驗(yàn)

我們選取唐駿“學(xué)歷門”事件、肯德基“秒殺門”事件、山西疫苗事件作為實(shí)驗(yàn)事件，通過一些網(wǎng)站的專題頁面和用關(guān)鍵字在搜索引擎中的搜索結(jié)果，下載得到了關(guān)于三個(gè)事件的網(wǎng)絡(luò)文章各為76篇、34篇和65篇。

我們建立了一個(gè)包含6 368個(gè)褒貶詞的詞庫，其中褒義詞2 650個(gè)、貶義詞3 718個(gè)，整理出12個(gè)表示肯定的邏輯詞和38個(gè)表示否定的邏輯詞，人工設(shè)定了14個(gè)常見的程度詞的屬性值。在三個(gè)事件中，還事先人工設(shè)定了各事件的關(guān)鍵對(duì)象詞和屬性值，以實(shí)現(xiàn)含有主觀傾向性態(tài)度語句的定位(只有同時(shí)包含對(duì)象詞和褒貶詞的語句才進(jìn)行語義塊結(jié)構(gòu)分析和語句的傾向性模型分析)。有爭(zhēng)議的事件中必然出現(xiàn)對(duì)立的雙方如“唐駿與方舟子”、“肯德基與消費(fèi)者”、“王克勤與山西衛(wèi)生廳”等，事件的關(guān)鍵對(duì)象詞及其屬性值具體設(shè)置如表1所示，屬性值“+1”表示立場(chǎng)為事件正方，“-1”表示立場(chǎng)為事件反方，“0”表示無立場(chǎng)。

表1 事件中的對(duì)象詞和屬性值

在文章的傾向性分析中，首先定位對(duì)事件具有褒貶傾向的主觀性評(píng)價(jià)語句，把既含有對(duì)象詞又含有褒貶詞的語句作為分析依據(jù)。然后根據(jù)語句的語義塊分析結(jié)果，按照本文2.4節(jié)所述步驟對(duì)語義塊中的對(duì)象詞的褒貶傾向性進(jìn)行分析。將語句的傾向性按對(duì)象權(quán)值累計(jì)正負(fù)得分，實(shí)驗(yàn)中每個(gè)被評(píng)價(jià)對(duì)象的權(quán)值相等，如果正值得分大于負(fù)值得分那么文章的傾向性為“褒”(“支持”被評(píng)價(jià)對(duì)象)，反之如果負(fù)值得分大于正值得分那么文章的傾向性為“貶”(“反對(duì)”被評(píng)價(jià)對(duì)象)。通過人工評(píng)判每篇文章的“褒”、“貶”傾向性，并與系統(tǒng)分析結(jié)果進(jìn)行比較，文章傾向性分析結(jié)果如表2和表3所示。

在表2中，“支持”表示文章與表1中屬性值為“1”的對(duì)象的立場(chǎng)相同，傾向性為“褒”；“反對(duì)”表示文章與表1中屬性值為“1”的對(duì)象的立場(chǎng)相反，傾向性為“貶”。例如，在唐駿“學(xué)歷門”事件中，系統(tǒng)判定支持唐駿的文章數(shù)為15，反對(duì)唐駿的文章數(shù)為46。由于屬性值為“1”的對(duì)象與屬性值為“-1”立場(chǎng)對(duì)立，因此反對(duì)唐駿即支持方舟子，反之亦然。

從表3看，肯德基“秒殺門”事件支持傾向的正確率最低，這可能是因?yàn)槲恼轮写罅砍霈F(xiàn)了含有“肯德基”的對(duì)象詞，而忽略了屬性值為“-1”的反面對(duì)象詞。山西疫苗事件中反對(duì)傾向獲得了較高的準(zhǔn)確率，這可能是因?yàn)橄螺d的文章中大量是質(zhì)疑“問題疫苗”的。單從表2中人的判定結(jié)果數(shù)量來看，文章中處于中立態(tài)度的文章數(shù)量較多，而持支持態(tài)度的文章則較少，這實(shí)際上也給系統(tǒng)的判定造成了困難。

表2 事件傾向性分析正確數(shù)

表3 事件傾向性分析的正確率和召回率

錯(cuò)誤的原因主要在于句子的語義塊分析結(jié)果不準(zhǔn)確，造成了對(duì)象詞和褒貶詞的錯(cuò)誤相關(guān)，得到錯(cuò)誤的傾向性結(jié)果。一旦語義塊分析結(jié)果正確率提高，將會(huì)大幅提高傾向性分析結(jié)果的正確率。此外，以下的錯(cuò)誤原因也應(yīng)該引起研究者的重視：(1)分詞引起的錯(cuò)誤，例如,“不才”切成了“不”和“才”，會(huì)多出一個(gè)否定詞，得到相反的傾向性；(2)組合詞語表達(dá)的傾向性，例如,“受到了 傷害”，單個(gè)詞沒有明顯的傾向性，但組合起來卻具有傾向性；(3)假設(shè)句和條件句引起的錯(cuò)誤，當(dāng)作者使用這些句式時(shí)，他并不一定贊同所述文字的傾向態(tài)度，可能是中立也可能是反對(duì)；(4)疑問句式，在反諷等修辭文法中，經(jīng)常使用反問等方式表達(dá)作者的態(tài)度，這種文本如果只分析字面得不到真正的傾向性態(tài)度；(5)表達(dá)中立的敘述說明文本，在新聞報(bào)道中有的作者只陳述事實(shí)(如正反兩方的觀點(diǎn))，并不加入自己的觀點(diǎn)，但有的作者會(huì)在陳述當(dāng)中加入自己的傾向性態(tài)度；(6)與法律庭審相關(guān)的文本，這些文本往往包含了控辯雙方的態(tài)度，但從作者的傾向性態(tài)度來看是中立的；(7)立場(chǎng)與褒貶息息相關(guān)，如果表達(dá)了褒貶傾向也就表達(dá)了文本立場(chǎng)傾向，但立場(chǎng)傾向并不一定要通過褒貶來表達(dá)，而且立場(chǎng)往往涉及到多個(gè)對(duì)象和多種態(tài)度，比褒貶只有兩個(gè)極性要復(fù)雜。上述幾點(diǎn)都會(huì)給傾向性的分析帶來困難，造成系統(tǒng)分析的錯(cuò)誤。

4 結(jié)束語

事件的傾向性分析對(duì)網(wǎng)絡(luò)輿情分析和事件趨勢(shì)分析都具有重要意義。事件傾向性分析比物品和人物傾向性分析的范圍要廣，但事件內(nèi)部的傾向性要素主要還是人物或機(jī)構(gòu)，以及他們之間的語義關(guān)系。本文從具有爭(zhēng)議性的熱點(diǎn)事件入手，在事件中區(qū)分出關(guān)鍵對(duì)象詞，并把關(guān)鍵對(duì)象詞分為立場(chǎng)對(duì)立的兩類；然后利用語句的語義塊分析技術(shù)和傾向性分析模型獲得語句的傾向性，在此基礎(chǔ)上分析得到文章對(duì)事件中主要對(duì)象的傾向性態(tài)度?？傮w來看，由于語義塊規(guī)范了褒貶詞的作用范圍和對(duì)象詞的結(jié)合關(guān)系，在語義塊的基礎(chǔ)上進(jìn)行傾向性分析模型的降元處理，可以有效提高傾向性分析結(jié)果的正確性。

在事件傾向性分析的研究中，我們發(fā)現(xiàn)立場(chǎng)分析對(duì)于事件傾向性分析至關(guān)重要，同時(shí)也是褒貶傾向性分析的一個(gè)基礎(chǔ)。精確的立場(chǎng)分析應(yīng)該包括文本對(duì)象的立場(chǎng)和作者的立場(chǎng)，在一般情況下可以把作者的立場(chǎng)等同于語句中第一陳述對(duì)象的立場(chǎng)，但在特殊的句式或文體中卻不能等同。進(jìn)一步的研究應(yīng)該在文章傾向性的基礎(chǔ)上細(xì)化出傾向性的相關(guān)各方，即“褒”是哪一個(gè)評(píng)價(jià)者對(duì)哪一個(gè)被評(píng)價(jià)對(duì)象的“褒”。而作者立場(chǎng)與文本中對(duì)象的立場(chǎng)是否一致、如何根據(jù)文體或句式獲取作者立場(chǎng)，這些都是本文未來進(jìn)一步的研究方向。

[1] WordNet—A lexical database for Enlish[OL]. [2012-01-06]. http://wordnet.princeton.edu/.

[2] 知網(wǎng)(HowNet Knowledge Database)[OL]. [2010-08-20]. http://www.keenage.com/.

[3] Turney，Peter，Littman Michae1.Measuring praise and criticism: Inference of semantic orientation from association[J]. ACM Transactions on Information Systems，2003，21(4)：315-346.

[4] Bo Pang，Lillian Lee. A sentiment education: Sentiment analysis using subjectivity summarization based on minimum cuts[C]//Proceedings of ACL 2004. 2004：271-278.

[5] 劉康，趙軍.基于層疊CRFs模型的句子褒貶度分析研究[J]. 中文信息學(xué)報(bào)，2008，22(1)：123-128.

[6] 江寶林，劉永丹，金峰，等.一個(gè)基于語義分析的傾向性文檔過濾系統(tǒng)[J].計(jì)算機(jī)應(yīng)用與軟件，2005，22(1)：10-11.

[7] 金峰，劉永丹，江寶林，等.TTFS:一個(gè)傾向性文本過濾系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)工程與應(yīng)用，2003(30)：137-140.

[8] 劉永丹，曾海泉，李榮陸，等.基于語義分析的傾向性文本過濾[J].通信學(xué)報(bào)，2004，25(7)：78-85.

[9] 徐琳宏，林鴻飛，楊志豪.基于語義理解的文本傾向性識(shí)別機(jī)制[J].中文信息學(xué)報(bào)，2007，21(1)：96-100.

[10] 韋向峰.基于HNC理論的擴(kuò)展句類分析平臺(tái)研究[D]. 北京:中國科學(xué)院聲學(xué)研究所，2005.