基于依存句法關(guān)系的在線(xiàn)評(píng)論情感屬性的降維

大規(guī)模文本的觀點(diǎn)挖掘已成為研究熱點(diǎn)，基于機(jī)器學(xué)習(xí)技術(shù)的情感分析應(yīng)運(yùn)而生，特征降維是其中的關(guān)鍵環(huán)節(jié)。方法：常見(jiàn)的特征降維方法有DF、IG、MI和CHI，這些方法運(yùn)用了統(tǒng)計(jì)的思想，沒(méi)有考慮特征詞之間的語(yǔ)義關(guān)系，在一定程度上影響了分類(lèi)效果。針對(duì)中文產(chǎn)品評(píng)論的特點(diǎn)，采用依存關(guān)系對(duì)句子進(jìn)行句法分析，并結(jié)合常見(jiàn)的降維方法進(jìn)行情感屬性降維。最后，采用SVM分類(lèi)器進(jìn)行文本分類(lèi)實(shí)驗(yàn)。結(jié)果：降維后的特征詞能更好地表示文本。結(jié)論：基于依存句法關(guān)系的情感屬性降維方法能夠有效提高情感分類(lèi)的效果。

隨著社交網(wǎng)絡(luò)與在線(xiàn)商城的融合，越來(lái)越多的用戶(hù)在線(xiàn)發(fā)表產(chǎn)品評(píng)論。產(chǎn)品評(píng)論是消費(fèi)者根據(jù)自己對(duì)商品的使用體驗(yàn)，從使用者的角度來(lái)描述商品屬性和評(píng)價(jià)商品性能。Podium于2016年的調(diào)查顯示，60%的網(wǎng)民至少每周都會(huì)瀏覽在線(xiàn)商品評(píng)論，其中93%認(rèn)為商品評(píng)論影響了他們的購(gòu)買(mǎi)決策。情感分析利用自然語(yǔ)言處理和文本挖掘等技術(shù)，自動(dòng)識(shí)別和分析主觀性評(píng)論文本信息。其中，情感屬性的降維是影響情感分析效果的重要環(huán)節(jié)。本文以依存句法關(guān)系為基礎(chǔ)，對(duì)情感屬性的降維方法進(jìn)行比較，旨在優(yōu)化降維模型，從而提高情感分析的效果。

情感分類(lèi)相關(guān)研究綜述

（一） 情感分類(lèi)基本流程

網(wǎng)絡(luò)評(píng)論的情感分類(lèi)是通過(guò)對(duì)非結(jié)構(gòu)化的網(wǎng)絡(luò)評(píng)論文本進(jìn)行分析，自動(dòng)將其判斷為正面評(píng)價(jià)或負(fù)面評(píng)價(jià)，從而識(shí)別消費(fèi)者的觀點(diǎn)?；具^(guò)程：經(jīng)過(guò)預(yù)處理、文本表示（特征項(xiàng)選擇、特征項(xiàng)降維、特征項(xiàng)權(quán)重設(shè)置）、分類(lèi)器處理，最終得到一個(gè)有關(guān)情感類(lèi)別的輸出。

（二）特征項(xiàng)選擇方法

特征項(xiàng)選擇，即選取語(yǔ)義單元作為特征項(xiàng)。特征項(xiàng)既要真實(shí)地反映文檔的情感信息，也要對(duì)不同文檔有較強(qiáng)的區(qū)分能力，可以是詞、詞的組合、N元組等。

1、選取詞或詞的組合。徐軍等利用樸素貝葉斯和最大熵方法對(duì)新聞?wù)Z料進(jìn)行情感分類(lèi)。實(shí)驗(yàn)顯示，選擇形容詞和名詞作為特征項(xiàng)時(shí)，具有較高分類(lèi)準(zhǔn)確率，且分類(lèi)性能好于只選擇形容詞[1]。周杰等針對(duì)新聞評(píng)論的特點(diǎn)，選取不同的特征集、特征維度、詞性進(jìn)行分類(lèi)測(cè)試，研究顯示，名詞和動(dòng)詞的分類(lèi)效果好于形容詞和副詞 [2]。

2、選取N-gram。Pang等分別以詞頻作為權(quán)重的Unigrams、以布爾值作為權(quán)重的Unigrams、Bigrams、Unigrams + Bigrams等作為情感特征項(xiàng)。實(shí)驗(yàn)表明，使用布爾值作為權(quán)重的Unigram作為特征的分類(lèi)效果最好，使用Bigram作為特征未達(dá)到預(yù)期的分類(lèi)準(zhǔn)確率[3]。Zhang ZQ等選取N-gram作為情感特征項(xiàng)，結(jié)果顯示，Bigram的分類(lèi)效果好于Unigram 和Trigram[4]。Cui等指出Pang的語(yǔ)料較小，無(wú)法體現(xiàn)N-grams（n≥3）的優(yōu)勢(shì)，高階N-gram項(xiàng)能夠提高情感分類(lèi)準(zhǔn)確率[5]。與Cui的結(jié)論相反，Ng等發(fā)現(xiàn)將Bigram和Trigram加入U(xiǎn)nigram項(xiàng)后能夠提高SVM的分類(lèi)性能，但單獨(dú)使用Unigram、Bigram或Trigram作為特征項(xiàng)，分類(lèi)準(zhǔn)確率隨著階數(shù)增加而下降[6]。

（三） 情感屬性降維

通過(guò)向量空間模型，非結(jié)構(gòu)化的評(píng)論文本可以轉(zhuǎn)換成可機(jī)器處理的結(jié)構(gòu)化數(shù)據(jù)。采用向量空間模型需要降維，即根據(jù)語(yǔ)料庫(kù)的文本生成特征項(xiàng)的初始集。

常用降維方法有：文檔頻率法（Document Frequency，DF）、信息增益法（Information Gain，IG）、統(tǒng)計(jì)量法（Chi-square Statistic，CHI）、互信息法（Mutual Information，MI）等。學(xué)者對(duì)特征項(xiàng)降維方法進(jìn)行比較。劉勰等對(duì)DF、IG、CHI進(jìn)行比較，實(shí)驗(yàn)顯示DF法優(yōu)于CHI和IG[7]。Yao等對(duì)DF、MI、CHI和IG進(jìn)行比較，實(shí)驗(yàn)顯示，DF 方法的分類(lèi)效果較好，同時(shí)發(fā)現(xiàn)MI方法不適用于情感特征項(xiàng)的降維[8]。

此外，還需要設(shè)置特征權(quán)重。根據(jù)選取出的特征項(xiàng)，對(duì)訓(xùn)練集和測(cè)試集的每一條語(yǔ)料進(jìn)行權(quán)重賦值、歸一化等處理，將文本語(yǔ)料轉(zhuǎn)化為特征向量形式。

（四）依存句法分析

在進(jìn)行情感分析的句子中，需要確定評(píng)論的主題和修飾它的詞。所謂“依存”是指詞與詞之間支配與被支配的關(guān)系，一個(gè)關(guān)系連接兩個(gè)詞語(yǔ)，這種關(guān)系不是對(duì)等的，而是有方向的，處于支配地位的成分即為核心詞語(yǔ)，而處于被支配地位的成為被稱(chēng)為修飾詞語(yǔ)。直觀來(lái)講，依存句法分析識(shí)別句子中的“主謂賓”、“定狀補(bǔ)”這些語(yǔ)法成分，從而可以確定核心詞語(yǔ)與修飾詞語(yǔ) [9]。

一般來(lái)說(shuō)，依存句法分析的任務(wù)有三個(gè)：（1）判斷輸入的字符串是否屬于某種語(yǔ)言；（2）消除輸入的句子中詞法和結(jié)構(gòu)等方面的歧義；（3）分析輸入句子的內(nèi)部結(jié)構(gòu)，如成分構(gòu)成、上下文關(guān)系。常見(jiàn)的應(yīng)用有以下兩種：（1）利用句法分析結(jié)果，對(duì)捜索問(wèn)題的通用性改寫(xiě)和答案標(biāo)題匹配，提高改寫(xiě)和匹配的質(zhì)量，從而改善搜索結(jié)果的質(zhì)量。（2）利用句法信息對(duì)機(jī)器翻譯結(jié)果做調(diào)序處理?；诖?，本文將依存句法分析引入情感屬性降維中，以期解決傳統(tǒng)基于詞頻統(tǒng)計(jì)的降維方法中存在的忽略文本語(yǔ)義信息的缺陷，提高情感屬性降維的準(zhǔn)確性和可信度。

（五） 研究評(píng)述

在情感分析研究中，分類(lèi)算法相對(duì)成熟，但是情感屬性降維方面仍存在不足。依存句法分析通過(guò)解析語(yǔ)言單位內(nèi)部各成員之間的依存關(guān)系，挖掘詞語(yǔ)構(gòu)成句子過(guò)程中發(fā)生的搭配關(guān)系并找出句子核心成分，基于此本文提出依存句法分析會(huì)對(duì)情感屬性降維效果起正向作用的實(shí)驗(yàn)假設(shè)。因此，本文提出了基于依存句法關(guān)系的特征降維方法，將特征降維和依存句法分析相結(jié)合。依存句法分析有助于從句法結(jié)構(gòu)找出支配地位的特征詞，讓情感屬性的特征降維結(jié)果更具代表性和準(zhǔn)確性，彌補(bǔ)傳統(tǒng)特征提取中忽略文本結(jié)構(gòu)信息的不足。

實(shí)驗(yàn)設(shè)計(jì)

（一）實(shí)驗(yàn)流程

實(shí)驗(yàn)流程分為文本表示、語(yǔ)料訓(xùn)練和文本分類(lèi)。文本表示模塊，抓取在線(xiàn)評(píng)論語(yǔ)料進(jìn)行預(yù)處理，單句依存句法分析并進(jìn)行節(jié)點(diǎn)重要度計(jì)算；設(shè)立對(duì)比實(shí)驗(yàn)，對(duì)照組采用DF＼IG＼MI＼CHI方法進(jìn)行特征項(xiàng)降維，實(shí)驗(yàn)組結(jié)合依存句法分析進(jìn)行特征項(xiàng)降維；特征項(xiàng)權(quán)重計(jì)算，構(gòu)建空間向量表示文本。語(yǔ)料訓(xùn)練模塊，采用SVM分類(lèi)算法，對(duì)訓(xùn)練集語(yǔ)料進(jìn)行訓(xùn)練。文本分類(lèi)模塊，對(duì)測(cè)試集語(yǔ)料進(jìn)行情感極性分類(lèi)實(shí)驗(yàn)，以文本分類(lèi)精度驗(yàn)證并比較降維效果優(yōu)劣。

（二）語(yǔ)料庫(kù)

選擇手機(jī)作為評(píng)論主體。中關(guān)村在線(xiàn)是全球第一中文科技門(mén)戶(hù)，每日影響超過(guò)80%的采購(gòu)用戶(hù)。因此選擇中關(guān)村在線(xiàn)的三星GALAXY Note 4（N9100/公開(kāi)版/雙4G）評(píng)論。抓取10000條評(píng)論，7000條用于訓(xùn)練，3000條用于測(cè)試，訓(xùn)練集和測(cè)試集中的正類(lèi)和負(fù)類(lèi)評(píng)論均比為1：1，待分類(lèi)文本屬于平衡數(shù)據(jù)。

（三）評(píng)論語(yǔ)料的預(yù)處理

選用哈工大社會(huì)計(jì)算與信息檢索研究中心研發(fā)的“語(yǔ)言技術(shù)平臺(tái)（LTP）” 進(jìn)行依存句法分析。中文評(píng)論在語(yǔ)言組織、句式表達(dá)上較隨意。這會(huì)導(dǎo)致LTP在切詞、詞性標(biāo)注的過(guò)程中產(chǎn)生大量空格，且會(huì)錯(cuò)誤識(shí)別標(biāo)點(diǎn)的詞性，對(duì)后續(xù)分類(lèi)器的訓(xùn)練結(jié)果造成影響。

為了后期處理單條評(píng)論的簡(jiǎn)潔性和易讀性，人工將原始語(yǔ)料進(jìn)行預(yù)處理。將空格、標(biāo)點(diǎn)符號(hào)作為分句的依據(jù)。而對(duì)于“、”，比如“屏幕、電池都很好”，作為一個(gè)分句處理，無(wú)需分開(kāi)。

（四）依存句法分析及節(jié)點(diǎn)重要度計(jì)算

依存語(yǔ)法通過(guò)分析語(yǔ)言單位內(nèi)成分之間的依存關(guān)系，揭示其句法結(jié)構(gòu)。利用依存關(guān)系確定關(guān)聯(lián)詞對(duì)，既可保證關(guān)聯(lián)詞對(duì)之間存在一定句法關(guān)聯(lián)，又可實(shí)現(xiàn)有向關(guān)聯(lián)，從而保證文本網(wǎng)絡(luò)構(gòu)建的準(zhǔn)確性。依存句法分析標(biāo)注關(guān)系（共14種）。

在LTP中對(duì)單句的依存句法分析結(jié)果示例如下圖1：

LTP將句子切分成詞語(yǔ)視圖。其中，節(jié)點(diǎn)代表詞語(yǔ)；邊代表特征詞之間的語(yǔ)義關(guān)聯(lián)；邊的權(quán)重代表詞之間語(yǔ)義關(guān)聯(lián)的程度。由此得到：大→屏幕（SBV）、屏幕→手機(jī)（ATT）、效果→顯示（ATT）、好→效果（SBV）、好→很（ADV）等。

將LTP單句分析的結(jié)果批量導(dǎo)出，其中包含大量有標(biāo)點(diǎn)符號(hào)產(chǎn)生的關(guān)聯(lián)對(duì)，LTP依存句法分析將其標(biāo)注為WP。如圖3中的大→，（WP）。本文將其刪除，以得到最終的有效關(guān)聯(lián)詞對(duì)集。

（3）節(jié)點(diǎn)重要度的計(jì)算

文本網(wǎng)絡(luò)的邊由節(jié)點(diǎn)所代表的特征詞的依存句法分析結(jié)果確定。邊的權(quán)重由其所連接的節(jié)點(diǎn)代表的特征詞之間存在關(guān)聯(lián)的頻次決定，且需考慮邊的方向。本文參考了文獻(xiàn)[10]進(jìn)行邊權(quán)重計(jì)算，公式如式（1）所示：

其中，wij表示由節(jié)點(diǎn)i指向節(jié)點(diǎn)j的邊的權(quán)重， fre（ti ）和fre（tj ）分別表示節(jié)點(diǎn)i和j代表的特征詞在文本Di中出現(xiàn)的頻次，fre（ti，tj ）表示詞對(duì)“i→j”在文本Di的有效關(guān)聯(lián)詞對(duì)集中出現(xiàn)的頻次。

根據(jù)邊權(quán)重計(jì)算節(jié)點(diǎn)重要度的公式如式（2）所示：

其中，Qi表示節(jié)點(diǎn)i的節(jié)點(diǎn)重要度，wij表示由節(jié)點(diǎn)i指向節(jié)點(diǎn)j的邊的權(quán)重，wji表示由節(jié)點(diǎn)j指向節(jié)點(diǎn)i的邊的權(quán)重。

（五）特征項(xiàng)降維

1、特征選擇

若把所有切詞結(jié)果作為文本的特征項(xiàng)，特征向量空間的維數(shù)將過(guò)大，增加計(jì)算復(fù)雜度，也對(duì)分類(lèi)器性能產(chǎn)生負(fù)面效應(yīng)。特征選擇在保留文本核心信息表述的情況下，剔除不重要的詞，降低特征向量的維度，縮短訓(xùn)練時(shí)間，提高分類(lèi)處理的精度。本文參考文獻(xiàn)[7]選取特定的詞性特征來(lái)減少抽取成本、減少噪音。

文獻(xiàn)[10]的實(shí)驗(yàn)結(jié)果顯示：在句子級(jí)別的情感分類(lèi)中，名詞、形容詞、副詞、動(dòng)詞單獨(dú)作為特征時(shí)達(dá)到的分類(lèi)效果排序依次是：形容詞>動(dòng)詞>副詞>名詞。形容詞最為關(guān)鍵，評(píng)論的情感傾向大多由形容詞表達(dá)；動(dòng)詞作為分類(lèi)特征時(shí)所能達(dá)到的分類(lèi)效果較好；程度副詞和被修飾詞語(yǔ)一同作為特征詞對(duì)文本的情感極性有很大影響；名詞作為特征項(xiàng)產(chǎn)生的分類(lèi)貢獻(xiàn)微乎其微，從分類(lèi)成本上講，多一類(lèi)詞性增加了選取和篩選成本。由此，本文選取詞性為形容詞、動(dòng)詞、副詞作為文本特征項(xiàng)。

2、特征降維

特征降維方法DF、IG、MI、CHI的性能在不同的文本分類(lèi)任務(wù)和不同的語(yǔ)言環(huán)境下結(jié)論不同。為此，本文將在后續(xù)電子產(chǎn)品評(píng)論情感極性判斷的研究中展開(kāi)比較。

本文將降維方法計(jì)算出的特征項(xiàng)評(píng)分值和根據(jù)依存句法關(guān)系得到的節(jié)點(diǎn)重要度相結(jié)合，得到特征項(xiàng)的綜合評(píng)分值。實(shí)驗(yàn)發(fā)現(xiàn)，DF＼IG＼MI＼CHI特征項(xiàng)評(píng)分值和節(jié)點(diǎn)重要度歸一方程，確定量綱比例為1：0.5時(shí)分類(lèi)效果最好。

3、特征項(xiàng)權(quán)重計(jì)算

在空間向量模型里，特征項(xiàng)的權(quán)重代表了它的表述能力、相關(guān)度和重要性。同時(shí)，特征項(xiàng)的權(quán)重大小將影響文本分類(lèi)的效果。常用的方法有布爾權(quán)重、頻度權(quán)重、TF-IDF權(quán)重。

本文采用最簡(jiǎn)便的布爾權(quán)重法，如果特征項(xiàng)在語(yǔ)料中出現(xiàn)，則其權(quán)重計(jì)為1；如果特征項(xiàng)在語(yǔ)料中不出現(xiàn)，則其權(quán)重計(jì)為0。

（六）文本分類(lèi)器的選擇

常用的分類(lèi)算法有：Rocchio、k-最近鄰算法（KNN）、樸素貝葉斯（NB）、支持向量機(jī)（SVM）、線(xiàn)性最小平方擬合（LLSF）和神經(jīng)網(wǎng)絡(luò)法（NNet）等。

在情感分類(lèi)領(lǐng)域，Pang等[11]、Ni等[12]、 Mullen等[13]和Whitelaw等[14]研究了SVM在情感分類(lèi)中的表現(xiàn)，發(fā)現(xiàn)SVM比其他分類(lèi)算法能達(dá)到更好的精度。因此，本文選擇SVM作為分類(lèi)算法，并選擇臺(tái)灣大學(xué)開(kāi)發(fā)的LIBSVM軟件包實(shí)施分類(lèi)。

實(shí)驗(yàn)結(jié)果分析

（一）特征抽取數(shù)量的閾值

特征數(shù)量的閾值是指令分類(lèi)效果最佳的特征數(shù)目。數(shù)目較少時(shí)，每個(gè)文本的特性無(wú)法充分表達(dá)，分類(lèi)效果顯然不佳；數(shù)目增加，文本充分表達(dá)，分類(lèi)效果也會(huì)改善；當(dāng)數(shù)目達(dá)到一定程度，再增加特征數(shù)目會(huì)加重分類(lèi)成本，增加特征噪音，導(dǎo)致分類(lèi)效果降低。為此，針對(duì)不同語(yǔ)料環(huán)境，需要通過(guò)實(shí)驗(yàn)來(lái)確定特征最佳數(shù)目。在不同降維方法下，不同特征抽取數(shù)量下所能達(dá)到的分類(lèi)精度，如表1所示。

共有4組實(shí)驗(yàn)，分別以50、100、200、300為特征數(shù)量確定最佳抽取數(shù)量的范圍。結(jié)果顯示，分類(lèi)精度先提高后降低。每種降維方法拐點(diǎn)基本都在100左右，最高精確度能達(dá)到78.79%。不同的情境下合理的特征數(shù)會(huì)有所不同，為此，下文比較不同特征降維方法時(shí)，特征抽取數(shù)量均取100。

（二）DF＼IG＼MI＼CHI的特征降維結(jié)果

分別采用DF＼IG＼MI＼CHI構(gòu)造特征評(píng)估函數(shù)，計(jì)算特征項(xiàng)的評(píng)分值。表2分別給出各個(gè)特征降維方法下評(píng)分值排名前5位的特征項(xiàng)。

（三）基于依存句法關(guān)系的特征降維結(jié)果

根據(jù)公式（2），計(jì)算節(jié)點(diǎn)重要度。表2沒(méi)有考慮依存句法關(guān)系對(duì)評(píng)分值的影響。如果引入基于依存句法分析得到的節(jié)點(diǎn)重要度，可得到特征項(xiàng)的綜合評(píng)分值，如表3所示。

（四） 不同特征降維方法下的分類(lèi)性能比較

1階段使用傳統(tǒng)的4種降維方法DF＼IG＼MI＼CHI，2階段將依存句法分析結(jié)果和4種傳統(tǒng)降維方法結(jié)合，分別抽取100個(gè)特征詞，分別進(jìn)行4次分類(lèi)訓(xùn)練實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果見(jiàn)圖2。

在特征抽取數(shù)量為100的情況下，得到以下結(jié)論：

（1）不同降維方法達(dá)到的分類(lèi)精度略有不同，但是均保持在73%以上，因此本文的分類(lèi)實(shí)驗(yàn)是有效的，可作為推導(dǎo)以下實(shí)驗(yàn)結(jié)論的基礎(chǔ)。

（2）單一使用傳統(tǒng)降維方法時(shí)，分類(lèi)效果最好的是DF法，分類(lèi)精度達(dá)到78.79%。將依存句法分析和傳統(tǒng)降維方法相結(jié)合，分類(lèi)效果最好的是依存句法分析結(jié)合DF法，分類(lèi)精度達(dá)到79.34%。

（3）圖2顯示，“結(jié)合依存句法分析”總位于“單一傳統(tǒng)方法”之上，即每組對(duì)比試驗(yàn)中，結(jié)合了依存句法分析的降維方法之分類(lèi)精度更高。由此得到趨勢(shì)假設(shè)，依存句法分析對(duì)降維效果起到正向作用。

（五）實(shí)驗(yàn)結(jié)論

（1）特征項(xiàng)數(shù)量不足會(huì)導(dǎo)致文本信息表達(dá)不充分，導(dǎo)致分類(lèi)精度下降。增加特征項(xiàng)數(shù)量能夠提高特征空間的維度，從而提高文本的分類(lèi)精度。但是，過(guò)多的特征項(xiàng)也會(huì)造成信息紊亂，降低文本分類(lèi)效率?；诖?，確定特征規(guī)模時(shí)應(yīng)平衡效率和準(zhǔn)確率的關(guān)系。在本文語(yǔ)料集規(guī)模下，特征數(shù)量在100附近分類(lèi)效果最佳。因此，語(yǔ)料規(guī)模不同的情況，應(yīng)通過(guò)實(shí)驗(yàn)來(lái)確定特征項(xiàng)的數(shù)量以保證文本分類(lèi)試驗(yàn)準(zhǔn)確度。

（2）選用不同詞性和詞性組合作為特征項(xiàng)，分類(lèi)的效果也不同。實(shí)驗(yàn)證明，選取形容詞為特征項(xiàng)的實(shí)驗(yàn)分類(lèi)效果比較理想，動(dòng)詞、副詞次之。對(duì)大量文本進(jìn)行分類(lèi)時(shí)，可以選擇形容詞、動(dòng)詞、副詞作為特征項(xiàng)，以提高文本分類(lèi)的準(zhǔn)確度。

（3）實(shí)驗(yàn)結(jié)果表明，將特征降維和依存句法分析相結(jié)合，降維效果更好，彌補(bǔ)了傳統(tǒng)特征提取中忽略文本結(jié)構(gòu)信息的不足，能夠在一定程度上提高文本分類(lèi)的效果，為后續(xù)的情感分析奠定了基礎(chǔ)。

結(jié)語(yǔ)

以中文在線(xiàn)評(píng)論為研究對(duì)象，分別采用基于詞頻的降維方法、結(jié)合依存句法分析的降維方法選擇特征項(xiàng)。實(shí)驗(yàn)研究證明，依存句法分析對(duì)情感屬性降維效果起到正向作用。今后將在以下幾方面進(jìn)一步探討：

（1）依存句法分析中計(jì)算節(jié)點(diǎn)重要度方法。

（2）情感屬性降維結(jié)果和依存句法分析結(jié)果的擬合方法。

（3）非結(jié)構(gòu)化的數(shù)據(jù)中的某些標(biāo)點(diǎn)符號(hào)和表情符號(hào)也表達(dá)了強(qiáng)烈的用戶(hù)情感。希望在后續(xù)的研究中將納入數(shù)據(jù)集進(jìn)行處理。