三支決策在中文貼吧觀點句識別中的應用

王保敏 王睿 潘洪志 楊帆

摘要：信息傳播與交互隨著互聯(lián)網(wǎng)的發(fā)展變得日益普遍，網(wǎng)絡輿論的表達方式也日益多元。中文貼吧作為網(wǎng)絡輿論表達的重要通道，已逐漸成為網(wǎng)民反映自身情感需求的一個平臺，對其觀點進行識別進而判斷其情感傾向非常重要。根據(jù)三支決策理論對貼吧觀點進行識別，采用基于三支決策的貝葉斯分類器，給出了中文貼吧觀點句識別方法和主要步驟 ，取得了較好的識別效果。

關鍵詞： 三支決策；觀點句識別 ；貝葉斯分類；貼吧

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2019）10-0164-03

開放科學（資源服務）標識碼（OSID）：

1 概述

互聯(lián)網(wǎng)的快速發(fā)展吸引了越來越多的用戶，這一趨勢隨著移動互聯(lián)網(wǎng)興起更加明顯。針對某一事實或者觀點，這些用戶可以便捷的表達自己的情緒、態(tài)度和立場等，形成了海量的客觀或者主觀信息。中文貼吧作為個人情感表達的一個重要渠道，使得對同一個話題感興趣的用戶方便地展開交流，其主題內(nèi)容廣泛，可以涵蓋社會、生活、教育等方面。作為用戶觀點表達和思想交流的網(wǎng)絡空間，對中文貼吧的觀點進行識別已經(jīng)愈發(fā)受到重視。

中文貼吧觀點句識別是數(shù)據(jù)挖掘的子領域，其目的在于分析和判斷用戶對事物的觀點傾向。在不同主題貼吧的觀點句識別具有很強的實用性。如針對某一熱點時事，通過有效識別貼吧中的觀點句，可以實現(xiàn)對輿情的及時監(jiān)測和有效引導，從而化解輿論危機，這對維護社會穩(wěn)定促進事態(tài)向有益方向發(fā)展具有極其重要的現(xiàn)實意義。

2 三支決策基本思想

三支決策（Three-way Decision）是一種符合人類認知的決策模式。在實際決策過程中，對于掌握足夠信息的事物，立即做出接受或者拒絕的判斷；而對于哪些信息掌握不充分、認知不夠徹底的事物，則往往會推遲判斷。

3 中文貼吧的語言特征

與微博相比，微博發(fā)言具有嚴格的字數(shù)限制，體現(xiàn)觀點的語句表達較為集中，而貼吧發(fā)言語句較長，字詞較多，表達作者情感或觀點的句子較為稀疏分散。與新聞或者評論相比，新聞或評論的撰寫發(fā)表須符合特定的格式，文體較為集中統(tǒng)一，主旨明確，往往首尾句在很大程度上即表明了作者的態(tài)度和觀點，而貼吧的發(fā)言具有較大的隨意性，語言風格因人而異，反映帖子情感或觀點的語句甚至是隱藏起來的，即使是同一個詞語，在不同的語境或上下文環(huán)境下其情感傾向完全不同甚至是相反的，如“呵呵”，既可以表示贊同也可以表示戲謔。這一語言特點在新興網(wǎng)絡用語日益普遍的情況下尤為明顯。

因此，針對不同主題環(huán)境的貼吧，對觀點句的識別需結合其自身的語言特征，考慮到不同的領域觀點詞所表現(xiàn)出的不同的語義。

4 基于三支決策的中文貼吧觀點句識別

4.1 設計三支決策分類器

常見的機器學習算法（常規(guī)分類器）有樸素貝葉斯算法、最近鄰算法、支持向量機等，將三支決策與機器學習算法結合，形成了基于三支決策的相應算法分類器。由于樸素貝葉斯分類器具有穩(wěn)定的分類效率、易于處理多分類任務、可分批進行增量訓練等優(yōu)點，本文采用經(jīng)拉普拉斯校準的樸素貝葉斯分類器。其基本思想是利用先驗概率和類條件概率估計帖子中句子x屬于觀點句集合C的概率，公式如下：

4.2 構建貼吧領域觀點詞庫

判斷貼吧中的語句是否屬于觀點句，實際上是一個二分類問題，由兩步組成：即訓練和預測。因此需要有一個訓練數(shù)據(jù)集。本文采用基于詞典和統(tǒng)計分析相結合的方法構建貼吧領域觀點詞庫。基本步驟如下：

1）對某一主題的貼吧，采用人工標注的方式，將其中的語句分成兩類，即觀點句和非觀點句。根據(jù)貼吧的語言特征，標注過程中，對可能反映觀點傾向的網(wǎng)絡用語或者符號如“？？”“??！”“”“”等，需加以考慮。從觀點句集合中抽取主觀特征（能反映貼吧觀點的詞）作為候選領域觀點詞庫1。

2）采用文獻[3]的方法，將知網(wǎng)HowNet的情感詞典中正面情感詞、負面情感詞、正面評價詞、負面評價詞合并去重，得到候選領域觀點詞庫2。

3）將上述兩步得到的候選領域觀點詞庫1和候選領域觀點詞庫2合并去重，最終得到貼吧的領域觀點詞庫。

4.3 設定閾值

5 實例及結果

本文從某貼吧選取了一個主題為“非機動車撞上違停機動車該不該賠償”的部分回帖，對每個回帖的句子進行編碼，用id表示，首兩位數(shù)字表示回帖的編號，末兩位數(shù)字表示該回貼中句子的編號。經(jīng)過文本預處理，將所有句子保存在一個文本文件中，同時構建出訓練樣本集和領域觀點詞庫。為便于說明原理，現(xiàn)從回帖中抽取6句已經(jīng)標注的帖子作為訓練樣本集，選擇1句作為測試集。分詞后的結果如表1所示。

5 結論

本文給出了基于三支決策的中文貼吧觀點句識別的基本原理和步驟，分析了具體的計算過程。通過簡例表明，這一方法可以有效避免人為判斷的主觀性，如果在測試集數(shù)量足夠大的情況下，基于三至決策的識別方法能夠更好地提高識別的準確性。分類過程中，閾值的選取是關鍵，是值得深入研究的一個方面。

參考文獻：

[1] 杜麗萍，李曉戈，于根，等.基于互信息改進算法的新詞發(fā)現(xiàn)對中文分詞系統(tǒng)改進[J].北京大學學報：自然科學版，2016，52（1）：35-40.

[2] 葛斌，李芳芳，郭絲路，等.基于知網(wǎng)的詞匯語義相似度計算方法研究[J].計算機應用研究，2010，27（9）：3329-3333.

[3] 朱艷輝，田海龍，劉璟，等.基于三支決策的新聞情感關鍵句識別方法[J].山西大學學報：自然科學版，2015，38（4）：595-600.

[4] 陳剛，劉秉權，吳巖.求三支決策最優(yōu)閾值的新算法[J].計算機應用，2012，32（8）：2212-2215.

[5] 杜麗萍，李曉戈，于根，等.基于互信息改進算法的新詞發(fā)現(xiàn)對中文分詞系統(tǒng)改進[J].北京大學學報：自然科學版，2006，52（1）：35-40.

[6] 于洪，王國胤，李天瑞，等. 三支決策：復雜問題求解方法與實踐[M].北京：科學出版社，2016： 219-228.

【通聯(lián)編輯：謝媛媛】