一種基于領(lǐng)域情感詞典的網(wǎng)絡(luò)評(píng)論傾向分析方法

何成萬，王 格

武漢工程大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，湖北 武漢 430205

0 引 言

隨著互聯(lián)網(wǎng)的普及和互聯(lián)網(wǎng)技術(shù)的發(fā)展，越來越多的人選擇在網(wǎng)上購物、發(fā)表評(píng)論.如何從如此多紛繁復(fù)雜的信息中提取出對人們有用的信息就成為一個(gè)亟待解決的課題.文本情感傾向性分析的目的是對整篇文本所體現(xiàn)出的態(tài)度，即文本中的主觀信息進(jìn)行判斷［1］.

目前進(jìn)行情感傾向分析主要的方法為基于機(jī)器學(xué)習(xí)的方法和基于情感詞典的方法.基于機(jī)器學(xué)習(xí)的方法涉及特定領(lǐng)域，在領(lǐng)域相關(guān)的文本傾向性分析中有較好的表現(xiàn)，但是對于領(lǐng)域無關(guān)的文本進(jìn)行分析時(shí)，效果不是很好.基于情感詞典的方法核心思想是構(gòu)造情感詞典，對待分析的文本進(jìn)行預(yù)處理之后，根據(jù)情感詞典進(jìn)行情感詞匹配，這種方法通用性強(qiáng)，不需要語料處理工作，但是對于特定領(lǐng)域的文本，傾向分析效果不是很好.

本文以基于情感詞典的方法為基礎(chǔ)，借鑒機(jī)器學(xué)習(xí)的思想，在情感詞典中加入領(lǐng)域情感詞，并構(gòu)造輔助詞典集合，提出一種改進(jìn)的基于情感詞典的傾向分析方法.對于動(dòng)態(tài)詞，本文給出了一種通過處理評(píng)論主體來處理動(dòng)態(tài)表達(dá)的方法，同時(shí)給出一種有監(jiān)督的詞典維護(hù)方法.

1 相關(guān)研究

觀點(diǎn)挖掘按照挖掘粒度來分可以分為文本級(jí)、句子級(jí)、詞語級(jí).文本級(jí)的挖掘又叫做情感傾向分析或文本分類，目的是判斷文本是褒義、貶義還是中性.

2002年Turny就提出了基于種子詞匯來發(fā)現(xiàn)情感詞的方法［2］.Pang等使用了貝葉斯、最大熵、支持向量機(jī)（SVM）等機(jī)器學(xué)習(xí)的方法來構(gòu)造分類器，并對這幾種方法進(jìn)行了對比［3］.NozomiKobayashi等構(gòu)建了一個(gè)模式庫，收錄了8種命中率比較高且比較準(zhǔn)的模式用來提取評(píng)價(jià)主體、評(píng)價(jià)方面和評(píng)價(jià)之間的關(guān)系［4］，隨后做了大量的語料工作，研究了主體和屬性、屬性和屬性之間的層次關(guān)系，還對句子間的關(guān)系抽取做了一定的研究［5］.Marrese等考慮到用戶對不同的產(chǎn)品發(fā)表不同的評(píng)論，找出旅游領(lǐng)域的特征，構(gòu)造出更復(fù)雜的擴(kuò)充和自然語言處理模型用于旅游領(lǐng)域的挖掘［6］.Penalver等通過在特征選擇階段使用本體來提高基于特征的觀點(diǎn)挖掘，同時(shí)給傾向性分析提出了一種基于向量的分析方法［7］.

朱嫣嵐提出了基于知網(wǎng)的語義傾向計(jì)算［8］.孫建旺等利用詞典和機(jī)器學(xué)習(xí)相結(jié)合的方法來進(jìn)行中文微博的情感分析［9］.肖紅等提出結(jié)合句法分析和情感詞典的網(wǎng)絡(luò)輿情分析的方法［10］.王勇等構(gòu)建一種情感極性詞典來對微博情感進(jìn)行分類［11］.謝松縣等提出一種用語義關(guān)系構(gòu)建情感詞典的方法將中文情感詞轉(zhuǎn)換為對應(yīng)的英文，可以解決同一個(gè)詞語在不同語境下的傾向值分析［12］.徐曉丹等利用情感詞典及特征加權(quán)相結(jié)合的方法來進(jìn)行傾向性判別［13］.周詠梅等針對微博上的網(wǎng)絡(luò)用語，使用上下文熵和詞頻統(tǒng)計(jì)閾值在過濾后的微博的語料部分中來濾篩選網(wǎng)絡(luò)用語，構(gòu)建網(wǎng)絡(luò)情感詞典［14］.

2 詞典構(gòu)造

本文構(gòu)造的詞典主要包括情感詞典和輔助詞典集，各詞典的關(guān)系如圖1所示.

圖1 詞典集結(jié)構(gòu)關(guān)系Fig．1 Structural relationship of dictionaries

2．1 情感詞典構(gòu)造

將 HowNet［15］發(fā)布的正面評(píng)價(jià)詞典、正面情感詞典、情感詞匯本體［16］中極性為“1”的詞合并去重，構(gòu)成正面基礎(chǔ)情感詞典，且詞語的情感傾向值都為“＋1”；將 HowNet中的負(fù)面評(píng)價(jià)詞典、負(fù)面情感詞典、情感詞匯本體中極性為“2”的詞合并去重，構(gòu)成負(fù)面基礎(chǔ)情感詞典，且詞語的情感傾向值都為“－1”.

基礎(chǔ)情感詞典是通用詞典，這種詞典的優(yōu)點(diǎn)通用性強(qiáng).但是通用的情感詞典在領(lǐng)域相關(guān)的文本分析中，面對含有某些領(lǐng)域相關(guān)的情感詞的評(píng)論的時(shí)候并不能準(zhǔn)確分析出結(jié)果.為了增加對特定領(lǐng)域的識(shí)別能力，本文借鑒機(jī)器學(xué)習(xí)的思想，對特定領(lǐng)域進(jìn)行語料分析和學(xué)習(xí)，擴(kuò)充基礎(chǔ)情感詞典.基礎(chǔ)情感詞典的擴(kuò)充過程如下：

step1：對于每一條訓(xùn)練語料，進(jìn)行分詞和停用詞過濾.

step2：將經(jīng)過預(yù)處理之后的文本與基礎(chǔ)情感詞典中的詞語匹配，如果匹配成功，則說明該詞語已經(jīng)收錄在基礎(chǔ)情感詞典中，不再考慮；如果未匹配成功，則該詞語屬于未收錄詞語，將該詞語加入未收錄候選詞表中.

step3：待所有訓(xùn)練語料處理完畢之后，對于未收錄候選詞表中的詞，進(jìn)行人工判斷詞語的情感傾向，并且根據(jù)傾向性賦予傾向值（褒義為“＋1”，貶義為“－1”），將傾向值為正的詞，加入正向基礎(chǔ)情感詞典中，將傾向值為負(fù)的詞，加入負(fù)向基礎(chǔ)情感詞典中.

本文沒有使用SO－PMI或PMI等方法去計(jì)算情感詞更為具體的傾向值，原因有如下幾點(diǎn)：

a.對于整個(gè)分析過程來講，正向詞傾向值定為＋1，負(fù)向詞傾向值定為－1，這樣可以簡化分析過程的計(jì)算量，并且具體的傾向值對傾向分析的影響沒有否定詞、程度副詞、關(guān)聯(lián)詞等的影響大.如本文這樣定義情感詞的傾向值，在傾向值計(jì)算的時(shí)候節(jié)省了開銷，配合輔助詞典進(jìn)行分析得到的分析結(jié)果已經(jīng)能夠滿足要求.

b.使用SO－PMI或PMI算法計(jì)算詞語傾向值，需要選擇種子詞，而種子詞的選擇方法沒有固定標(biāo)準(zhǔn)，理論上是選擇情感傾向強(qiáng)烈的詞作為種子詞，但是計(jì)算詞語傾向性強(qiáng)烈程度本身就是要解決的問題.另外，選擇的種子詞的數(shù)量對分析結(jié)果也有影響.

2．2 輔助詞典集的構(gòu)造

2．2．1 停用詞典 停用詞是在表達(dá)中為了語義連貫而添加的沒有實(shí)際意義的詞語，或者對于情感傾向分析來說沒有幫助的詞.例如，在“這部手機(jī)太好了”和“這部手機(jī)用著真流暢”中，“了”和“著”這兩個(gè)詞在語言表達(dá)上都沒有實(shí)際的意義，僅僅只是習(xí)慣表達(dá)或者為了語意連貫而加上的.本文構(gòu)建的停用詞典共收錄停用詞1 118個(gè).

2．2．2 否定詞典 在自然語言中，否定表達(dá)根據(jù)否定詞數(shù)量的不同，分為否定表達(dá)和多重否定.否定詞數(shù)量的多少能夠直接影響情感詞的傾向值.其中否定和三重否定表示的否定的意思，而雙重否定表達(dá)的是著重肯定的意思.這里引入乘積因子β，用來處理否定詞數(shù)量對情感詞傾向值的影響.在匹配的過程中記錄否定詞的匹配的次數(shù)，匹配過程結(jié)束后，若否定詞的數(shù)量為偶數(shù)，將β置為2，若否定詞的數(shù)量為奇數(shù)，將β置為－1.

2．2．3 程度副詞詞典 程度副詞既可以改變情感詞的傾向性，又可以改變情感詞的傾向值，從而在分句及整句的傾向值計(jì)算中影響傾向分析的結(jié)果，例如“手機(jī)好用”是正面評(píng)價(jià)，“手機(jī)很好用”是對“好用”的加強(qiáng).程度副詞詞典收錄了115個(gè)程度副詞，是將HowNet提供的程度級(jí)別詞典進(jìn)行人工篩選過濾之后，添加進(jìn)部分新詞構(gòu)成的.本文定義乘積因子α來綜合表征這三類程度副詞的影響，在程度副詞詞典中記錄程度副詞的權(quán)值，在進(jìn)行程度副詞匹配時(shí)，若匹配成功，則將情感詞的傾向值乘以α，并用于后續(xù)計(jì)算.程度副詞詞典結(jié)構(gòu)如表1所示.

表1 部分程度副詞及權(quán)值Table 1 Weights of some degree adverbs

2．2．4 關(guān)聯(lián)詞詞典 關(guān)聯(lián)詞是對傾向性分析影響較大的一個(gè)原因，尤其在中文表達(dá)中，連詞的出現(xiàn)頻率非常高，忽視這些連詞對傾向性的影響可能會(huì)使傾向值的計(jì)算不準(zhǔn)確，甚至導(dǎo)致傾向分析出現(xiàn)錯(cuò)誤，例如“這個(gè)手機(jī)雖然貴，但是性價(jià)比高”，這條評(píng)論里重點(diǎn)要表達(dá)的是對手機(jī)的正面情感，如果不考慮關(guān)聯(lián)詞，“貴”的傾向?yàn)椤埃?”，“性價(jià)比高”傾向值為“＋1”，綜合傾向值為“0”，為中性，但是從漢語語法來看，這條評(píng)論表達(dá)了作者正面情感.為了處理關(guān)聯(lián)詞對于傾向分析的影響，本文構(gòu)建了關(guān)聯(lián)詞詞典.關(guān)聯(lián)詞詞典中收錄的是常用的漢語關(guān)聯(lián)詞，根據(jù)這些關(guān)聯(lián)詞對漢語表達(dá)不同分句之間語義的影響，賦予關(guān)聯(lián)詞所影響的分句不同的權(quán)值.定義參數(shù)θ表征重點(diǎn)分句的權(quán)值（非重點(diǎn)分句權(quán)值為1），部分關(guān)聯(lián)詞權(quán)重如表2所示.

表2 部分關(guān)聯(lián)詞及權(quán)重Table 2 Weights of some conjunctivewords

2．2．5 動(dòng)態(tài)詞典 動(dòng)態(tài)詞的處理是近年中文情感傾向分析中的一個(gè)難點(diǎn).所謂動(dòng)態(tài)詞，就是情感傾向不固定，隨著語境和評(píng)論主體的不同會(huì)發(fā)生變化的詞，如“快”、“高”等情感詞，單獨(dú)從詞語的傾向性來看是褒義的，收錄在正面情感詞典中，但是在“耗電快”、“發(fā)熱高”等表達(dá)中，顯然是負(fù)面的.

在不涉及領(lǐng)域的通用詞典中，對于這類詞語是無法識(shí)別的，因?yàn)橥ㄓ迷~典是基于詞語匹配來分析的，無法識(shí)別語義信息.無法識(shí)別動(dòng)態(tài)情感詞將會(huì)大大降低情感分析的準(zhǔn)確度.

通過對大量語料研究，發(fā)現(xiàn)動(dòng)態(tài)表達(dá)呈現(xiàn)一定的規(guī)律，即情感詞之所以能夠表現(xiàn)出動(dòng)態(tài)的情感傾向，是因?yàn)檫@些動(dòng)態(tài)詞描述的是評(píng)論主體或評(píng)論主體某一屬性的特點(diǎn)，而這些屬性往往是領(lǐng)域相關(guān)的，且情感詞往往具有與平時(shí)表達(dá)相反的情感傾向，如上文“耗電快”、“發(fā)熱高”等表達(dá)中的“快”、“高”.

在不涉及特定領(lǐng)域的傾向分析中，這些評(píng)論主體數(shù)量很多，但是具體到特定的領(lǐng)域，這些評(píng)論主體的數(shù)量就非常有限了，而本文的研究目的也正好是在保留通用性的情況下來滿足領(lǐng)域適用性，所以經(jīng)過大量的語料研究，提出了一種解決動(dòng)態(tài)詞傾向識(shí)別的方法，即構(gòu)建一個(gè)動(dòng)態(tài)詞典，其中收錄能夠改變情感詞傾向性的評(píng)論主體.通過上面的分析，筆者認(rèn)為解決動(dòng)態(tài)詞的核心不是怎樣去處理動(dòng)態(tài)詞本身，而是怎樣去識(shí)別動(dòng)態(tài)詞所描述的對象.通過語料分析，動(dòng)態(tài)詞的數(shù)量是不多的，涉及到特定領(lǐng)域的就更少了，但是這部分少量的動(dòng)態(tài)詞卻對某些評(píng)論的傾向分析的結(jié)果的準(zhǔn)確性起到了決定性的作用.

由于目前對動(dòng)態(tài)詞的研究還處于初步階段，本文給出了處理動(dòng)態(tài)詞的一種方法，但是動(dòng)態(tài)詞典的構(gòu)建需要手動(dòng)完成.

2．3 新詞發(fā)現(xiàn)及詞典維護(hù)方法

傾向分析中另外一個(gè)難點(diǎn)，就是新詞識(shí)別的問題.這里的新詞指的是情感詞典中未收錄的詞語.例如“給力”、“坑爹”、“不明覺厲”等，這些詞是不符合漢語語法規(guī)則的，但是借由網(wǎng)絡(luò)快速傳播，從而讓大部分網(wǎng)民了解并廣泛使用.

目前國內(nèi)有部分這方面的研究，都是通過復(fù)雜的自動(dòng)發(fā)現(xiàn)算法來識(shí)別新詞，這樣做的優(yōu)點(diǎn)是完全不需要人工參與，但是就目前的研究現(xiàn)狀來看，識(shí)別效果并不是很好，而且算法復(fù)雜，開銷很大.綜合考慮識(shí)別效果、算法復(fù)雜度、計(jì)算開銷等因素，本文提出一種有監(jiān)督的新詞發(fā)現(xiàn)方法.

橫向比較每個(gè)網(wǎng)絡(luò)用語出現(xiàn)的時(shí)間，發(fā)現(xiàn)如此多的網(wǎng)絡(luò)用語并不是在短時(shí)間內(nèi)集中出現(xiàn)的，而是在相對較長的時(shí)間里零散的出現(xiàn).考慮到這種事實(shí)，花費(fèi)少量的人工來換取高效的新詞發(fā)現(xiàn)效率是可行的，主要過程如下：

a.當(dāng)發(fā)現(xiàn)未匹配的分詞片段的時(shí)候，不僅僅只記錄該片段，同時(shí)記錄該片段的上一片段和下一片段，這樣當(dāng)提交給人工判斷時(shí)候方便人工進(jìn)行正確處理；

b.當(dāng)未匹配片段達(dá)到閾值，交由人工判斷，若判定為未收錄新詞，將該詞加入情感詞典或輔助詞典集中對應(yīng)的詞典；對于判斷為不是新詞的組合，添加進(jìn)非情感詞典中，這樣可以避免重復(fù)判斷不是新詞的高頻組合.

關(guān)于閾值T的設(shè)定可以根據(jù)分析規(guī)模的大小來設(shè)定.

這種新詞發(fā)現(xiàn)方法可以用來收錄情感詞典中為收錄的新詞，也可以用來維護(hù)構(gòu)建輔助詞典集.

3 傾向計(jì)算與結(jié)果分析

3．1 傾向值計(jì)算方法

通過分析可知，進(jìn)行傾向分析的評(píng)論必須是同一主體，若評(píng)論中含有多個(gè)評(píng)論主體，則需進(jìn)行句子級(jí)的挖掘.

設(shè)計(jì)傾向值計(jì)算方法的思路是先計(jì)算分句的傾向值，再計(jì)算整句的傾向值，最后計(jì)算文本的傾向值.算法描述如下：

輸入：待分類文本d，情感詞典sendic，停用詞典stopdic，否定詞典ndic，程度副詞詞典levdic，關(guān)聯(lián)詞典reldic，動(dòng)態(tài)詞典dyndic；

輸出：文本d的分析結(jié)果

step1：將待分類文本d使用中科院的分詞系統(tǒng) ICTCLAS［17］進(jìn)行分詞；

step2：將分詞完成的文本使用停用詞典stopdic進(jìn)行過濾；

step3：將文本按照句號(hào)劃分成整句集合S＝｛S1，S2，．．Sn｝， 并對每一個(gè)整句根據(jù)逗號(hào)和分號(hào)劃分成分句 s1，s2，．．sn；

step4：對每一分句使用情感詞典sendic匹配情感詞，若匹配失敗，則對下一分句進(jìn)行匹配，直至所有分句匹配失?。蝗羝ヅ涑晒?，進(jìn)行下一步；

step5：從情感詞的位置開始反向遍歷分句，根據(jù)程度副詞詞典levdic匹配程度副詞，若匹配到程度副詞，則置乘積因子α＝2，否則置乘積因子為1；

step6：從情感詞的位置反向遍歷分句，根據(jù)否定詞典ndic匹配否定詞，記錄否定詞的數(shù)量n，若n為奇數(shù)，則置乘積因子β＝－1，若為非0偶數(shù)，則置為2，若為0則置為1；

step7：從情感詞的位置反向遍歷分句，根據(jù)動(dòng)態(tài)詞典dyndic匹配動(dòng)態(tài)情感詞的評(píng)論主體，若匹配成功，則將情感詞的傾向性改變，傾向值的絕對值不變；

step8：從情感詞的位置反向遍歷分句，根據(jù)關(guān)聯(lián)詞典reldic匹配關(guān)聯(lián)詞，根據(jù)關(guān)聯(lián)詞典中定義的分句權(quán)值確定乘積因子θ的值；

step9：根據(jù)公式（1）計(jì)算文檔d的傾向值O rientation（d）；

step10：若d的傾向值＞0，則文檔為褒義；若d的傾向值＜0，則文檔為貶義.

式（1）中m為整句中分句的數(shù)量，n為文檔中整句的數(shù)量.O ri（w）為分句中情感詞結(jié)合動(dòng)態(tài)詞典dyndic之后的傾向值，α表示程度副詞對傾向性分析的影響；β表示否定詞對傾向性分析的影響；θ表示關(guān)聯(lián)詞對情感分析的影響.

3．2 試驗(yàn)和結(jié)果分析

以手機(jī)領(lǐng)域的評(píng)論為例，進(jìn)行情感詞典的擴(kuò)充和動(dòng)態(tài)詞典的構(gòu)造.實(shí)驗(yàn)數(shù)據(jù)為數(shù)據(jù)堂下載的真實(shí)手機(jī)評(píng)論.從獲取的手機(jī)評(píng)論中隨機(jī)選擇2 000條作為訓(xùn)練語料，用于情感詞典的構(gòu)建.從中選擇1 000條作為測試語料用于實(shí)驗(yàn)結(jié)果分析.

通過對2 000條訓(xùn)練語料進(jìn)行以上處理，新增了71個(gè)領(lǐng)域情感詞.其中褒義23個(gè)，貶義48個(gè).將褒義詞添加進(jìn)正向基礎(chǔ)情感詞典，構(gòu)成正面情感詞典，將貶義詞添加進(jìn)負(fù)向基礎(chǔ)情感詞典，構(gòu)成負(fù)面情感詞典.構(gòu)成的正面情感詞典和負(fù)面情感詞典部分內(nèi)容如表3所示.

然后人工在手機(jī)評(píng)論的語料中搜集動(dòng)態(tài)情感詞的評(píng)論主體和評(píng)論主體的屬性，構(gòu)成動(dòng)態(tài)詞典，部分動(dòng)態(tài)詞典如圖2所示.

表3 部分正面情感詞Table 3 Some positive emotionalwords

圖2 部分動(dòng)態(tài)詞Fig．2 Some dynamic terms

邀請3位標(biāo)注者分別對1 000條測試語料進(jìn)行人工標(biāo)注，然后對標(biāo)注結(jié)果進(jìn)行匯總，若有兩名標(biāo)注者或所有標(biāo)注者對語料標(biāo)注為正向，則語料傾向性為正，若有兩名標(biāo)注者或所有標(biāo)注者對語料標(biāo)注為負(fù)向，則語料傾向性為負(fù).

將本文提出的方法和傳統(tǒng)的使用HowNet計(jì)算的方法進(jìn)行比較，為了更具體的對比分析兩種方法，對正面情感和負(fù)面情感分開計(jì)算，結(jié)果如表4所示.

表4 實(shí)驗(yàn)結(jié)果Table 4 Experimental results

通過對上表實(shí)驗(yàn)數(shù)據(jù)的分析可以得到以下結(jié)論：

在進(jìn)行領(lǐng)域相關(guān)文本的傾向性分析時(shí)，本文提出的方法在正面情感的判斷和負(fù)面情感的判斷上，無論準(zhǔn)確率和召回率都要比基于HowNet的傳統(tǒng)情感詞典方法要高.首先是因?yàn)閷owNet進(jìn)行了篩選過濾，去除了不符合收錄規(guī)則的詞；其次是進(jìn)行了領(lǐng)域相關(guān)的訓(xùn)練語料的學(xué)習(xí)工作，引入了領(lǐng)域情感詞，并且擴(kuò)充了網(wǎng)絡(luò)流行用語，對領(lǐng)域相關(guān)的評(píng)論進(jìn)行分析可以提高分析的準(zhǔn)確度；第三是輔助詞典集全面的考慮了語義和句子間的結(jié)構(gòu)關(guān)系，能夠處理否定詞、程度副詞、關(guān)聯(lián)詞，能夠提高傾向值計(jì)算的準(zhǔn)確性，對于動(dòng)態(tài)詞的識(shí)別能夠增強(qiáng)分析的準(zhǔn)確度.

4 結(jié) 語

以上提出的一種基于領(lǐng)域情感詞典的網(wǎng)絡(luò)評(píng)論傾向分析方法，給出了情感詞典的構(gòu)建和擴(kuò)充方法，并通過構(gòu)建輔助詞典集以及有監(jiān)督的維護(hù)方法來進(jìn)行輔助分析.

目前的方法還存在以下不足：不能識(shí)別網(wǎng)絡(luò)表達(dá)中表情符號(hào)和不符合語法規(guī)則的表達(dá)；需要研究出自動(dòng)的新詞發(fā)現(xiàn)方法；對于特殊句式如反問句等還不能識(shí)別.將在今后的工作中對這些問題做進(jìn)一步的研究.

［1］黃萱菁，張奇，吳苑斌．文本情感傾向分析［J］．中文信息學(xué)報(bào)，2011，10（9）：118－126．H UANG Xuan jing，Zhang Qi， W U Yuan bin．A Survey on Sentiment Analysis ［J］．Journal of Chinese information，2011，10（9） 118－126．（in Chinese）

［2］Turney PD．Thumbs up or thumbs down semantic orientation applied to unsupervised classification of views［C］//Proceedings of the 40th annualmeeting on association for computational linguistics．Philadelphia： Association for Computational Linguistics，2002：417－424．

［3］Pang B， Lee L．Seeing stars： Exploiting class relationships for sentiment categorization with respect to rating scales ［C］//Proceedings of the 43rd annualmeeting on association for computational linguistics．New York：NJ，ACM，2005：115－124．

［4］Nozomi Kobayashi， Kentaro Inui， Yuji Matsumoto．Collecting Evaluation Expressions for Opinion ExtractionIn［C］//Proceedings of the 1st International Joint Conference on Natural Language Processing（IJCNLP）.2004：584–589．

［5］Nozomi Kobayashi， Kentaro Inui， Yuji Matsumoto．Extracting Aspect－Evaluating and Aspect－of Relatons in Opinion mining ［C］//Proceedings of the 2007 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning， Prague， June 2007：1065－1074．

［6］Marrese－Taylor E， Velasquez JD， Bravo－Marquez F．A novel deterministic approach for aspect－based opinionmining in tourism products reviews［J］．Expert Systemswith Applications，2014，41（17）：7764－7775．

［7］Penalver－Martinez I， Garcia－Sanchez F，Valencia－Garcia R，et al．Feature－based opinion mining through ontologies ［J］．Expert System with Applications，2014，41（13）：5995－6008．

［8］朱嫣嵐，閔錦，周雅倩，等．基于HowNet的詞匯語義傾向計(jì)算［J］．中文信息學(xué)報(bào)， 2006，20（1）：14－20．ZHU Yan－lan，MIN Jin，ZHOU Ya－qian，etc．Semantic orientation computing based on hownet［J］．Journal of Chinese I nformation，2006，20（1）：14－20．（in Chinese）

［9］孫建旺，呂學(xué)強(qiáng)，張鐳翰．基于詞典與機(jī)器學(xué)習(xí)的中文微博情感分析研究［J］．計(jì)算機(jī)應(yīng)用與軟件，2014，31（7）：177－181．S UN Jianwang L V Xueqiang Zhang Leihan．O n sentiment analysis of chinese microblogging based on lexicon and machine learning［J］．Journal of C omputer A pplications and S oftware，2014，31（7）：177－181．（in Chinese）

［10］肖紅，許少華．基于句法分析和情感詞典的網(wǎng)絡(luò)輿情傾向性分析研究［J］．小型微型計(jì)算機(jī)系統(tǒng)，2014，35（4）：811－813．XIAO Hong，XU Shao－ hua．Analysis on web public opinion orientation based on syntactic parsing and emotional dictionary ［J］．Small M icrocomputer system，2014，35（4）：811－813．（in Chinese）

［11］王勇，呂學(xué)強(qiáng)，姬連春，等．基于極性詞典的中文微博客情感分類 ［J］．計(jì)算機(jī)應(yīng)用與軟件，2014，31（1）：35－37，126．W ANG Yong， L V Xueqiang， J I Lianchun，et al．S entiment classification for chinese microblogging based on polarity lexicons ［J］．Computer A pplications and S oftware， 2014，31（1）：35－37，126．（in Chinese）

［12］徐曉丹，段正杰，陳中育．基于擴(kuò)展情感詞典及特征加權(quán)的情感挖掘方法［J］．山東大學(xué)學(xué)報(bào)（工學(xué)版），2014，144（6）：15－18，69.XU Xiaodan，DUAN Zhengjie，CHEN Zhongyu．The sentimentminingmethod based on extended sentiment dictionary and integrated features ［J］．Journal of S handong U niversity（engineering science），2014，144（6）：15－18，69．（in Chinese）

［13］謝松縣，劉博，王挺．應(yīng)用語義關(guān)系自動(dòng)構(gòu)建情感詞典［J］．國防科技大學(xué)學(xué)報(bào)， 2014，36（3）：111－115．XIE Songxian，LIU Bo，WANG Ting．Applying semantic relations to construct sentiment lexicon automaticlly ［J］．Journal of N ational U niversity of D efense T echnology，2014，36（3）：111－115．（in Chinese）

［14］周詠梅，陽愛民，林江豪．中文微博情感詞典構(gòu)建方法［J］．山東大學(xué)學(xué)報(bào)（工學(xué)版）， 2014，4（3）：36－40．ZHOU Yongmei，YANG Aimin，LIN Jianghao． A method of building Chinese microblog sentiment lexicon［J］．Journal of S handong U niversity （engineering science）， 2014，4（3）：36－40．（in Chinese）

［15］周強(qiáng)，馮松巖．構(gòu)建知網(wǎng)關(guān)系的網(wǎng)狀表示［J］．中文信息學(xué)報(bào)，2000，14（6）：21－27．ZHOU Qiang ，F(xiàn)ENG Song－yan．Build a relation network representation for How－net．Journal of Chinese information，2000，14（6）：21－27．（in Chinese）

［16］郭凱．基于評(píng)論情感的微博謠言檢測研究 ［D］．大連：大連理工大學(xué)，2014．G UO Kai．The research of Microblog Rumors Dection Based on Comments Sentiment［D］．Dalian： dalian university of technology，2014．（in Chinese）

［17］蔡小艷，寇應(yīng)展，沈巍，等．漢語詞法分析系統(tǒng)ICTCLAS在 Nutch一 0．9中的應(yīng)用與實(shí)現(xiàn) ［J］．軍械工程學(xué)院學(xué)報(bào)， 2008， 20（5）：63－70．CAIXiao yan， KOU Ying zhan ， Shen Wei，et al．The Application and Realization of ICTCLASon Nutch-0．9［J］．Journal of ordnance engineering college，2008，20（5）：63－70．（in Chinese）