• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    一種結(jié)合文章信息的新聞評(píng)論情感分析方法

    2022-12-02 11:55:42楊一璞朱永華高海燕高文靖
    關(guān)鍵詞:分類器聚類分類

    楊一璞,朱永華,高海燕,高文靖

    (1.上海大學(xué)上海電影學(xué)院,上海 200072;2.上海大學(xué)生命科學(xué)學(xué)院,上海 200444)

    情感分析是分析人們?cè)谖谋局兴憩F(xiàn)出的意見(jiàn)、觀點(diǎn)、情感態(tài)度的研究領(lǐng)域.如今,互聯(lián)網(wǎng)快速發(fā)展,新聞媒體平臺(tái)以及各種社交媒體平臺(tái)每天產(chǎn)生大量的內(nèi)容,其中包括用戶產(chǎn)生的大量評(píng)論.對(duì)這些信息進(jìn)行自動(dòng)的情感分析,在多個(gè)方面具有潛在的應(yīng)用價(jià)值.例如,企業(yè)可以了解用戶對(duì)特定事件和話題的態(tài)度,把握公眾意見(jiàn),及時(shí)掌握輿情以便做出相應(yīng)的決策.另外,透過(guò)對(duì)商品和服務(wù)相關(guān)內(nèi)容的評(píng)價(jià),企業(yè)還可以及時(shí)了解市場(chǎng)口碑,便于進(jìn)一步提高產(chǎn)品及服務(wù)質(zhì)量.

    傳統(tǒng)的情感分析方法大致可以分為基于情感詞典的方法和基于機(jī)器學(xué)習(xí)的方法.基于情感詞典的方法需要構(gòu)建由情感詞組成的情感詞典,通過(guò)設(shè)計(jì)一系列規(guī)則,如Turney[1]利用詞語(yǔ)間的點(diǎn)互信息(pointwise mutual information,PMI)對(duì)文本進(jìn)行情感分類.這種方法往往高度依賴情感詞典的構(gòu)建以及規(guī)則的設(shè)計(jì),難以應(yīng)對(duì)隱含的情感內(nèi)容.而基于機(jī)器學(xué)習(xí)的方法則通過(guò)有監(jiān)督的方式,利用提取的特征訓(xùn)練分類器.機(jī)器學(xué)習(xí)方法在許多任務(wù)中的有效性都得以證明,其效果往往依賴于特征工程.近年來(lái),深度神經(jīng)網(wǎng)絡(luò)在情感分析以及文本分類等領(lǐng)域得到了應(yīng)用.與傳統(tǒng)機(jī)器學(xué)習(xí)方法中特征往往比較稀疏的情況不同,深度神經(jīng)網(wǎng)絡(luò)的方法將文本轉(zhuǎn)換成密集向量,并將所獲文本的高層表示用于分類.

    就新聞評(píng)論或微博評(píng)論等內(nèi)容而言,現(xiàn)有的方法往往只集中于對(duì)評(píng)論文本本身的分析.這些評(píng)論具有篇幅普遍較短的特性,如果僅利用其文本內(nèi)容進(jìn)行特征提取可能不足以充分利用其語(yǔ)義以及背景信息.對(duì)于新聞事件而言,不同話題或主題往往對(duì)評(píng)論的情感基調(diào)有一定影響,因此引入評(píng)論的源文章信息就具有現(xiàn)實(shí)意義.本工作提出了一種基于支持向量機(jī)(support vector machine,SVM)和K均值(K-means)聚類的情感分類模型,并且將詞頻-逆文檔頻次(term frequency-inverse document frequency,TF-IDF)特征融入詞袋特征.實(shí)驗(yàn)結(jié)果表明,本方法相較于其他傳統(tǒng)方法有較好的分類效果,同時(shí)證明了采用K-means聚類的方法引入文章信息可以提升分類效果.

    1 相關(guān)研究

    文本分類是自然語(yǔ)言處理中的重要研究?jī)?nèi)容,而情感分析則被認(rèn)為是文本分類的一個(gè)分支.情感分析的目的是識(shí)別文本中所表達(dá)的整體情感,這些文本可以是網(wǎng)絡(luò)評(píng)論、文章、微博等內(nèi)容.傳統(tǒng)的方法通常通過(guò)有監(jiān)督的方式,利用詞袋(bag-of-words,BoW)模型訓(xùn)練分類器.Pang等[2]利用unigrams和SVM取得了比其他方法更好的分類效果;Gamon等[3]利用自然語(yǔ)言分析工具獲得了深層語(yǔ)言結(jié)構(gòu)特征,并將其加入其他表層特征,提升了分類的準(zhǔn)確率.此外,基于詞典及規(guī)則的方法也得到廣泛應(yīng)用,這種方法往往依賴于情感詞典的構(gòu)建以及規(guī)則的設(shè)計(jì).吳杰勝等[4]構(gòu)建了包括表情符號(hào)詞典在內(nèi)的多部情感詞典,并設(shè)計(jì)了轉(zhuǎn)折、遞進(jìn)、假設(shè)等句間分析規(guī)則以及句型分析規(guī)則,將情感詞典與規(guī)則集結(jié)合,實(shí)現(xiàn)了對(duì)中文微博的情感分析;王志濤等[5]在情感詞典和規(guī)則集的基礎(chǔ)上,結(jié)合表情符號(hào)信息,對(duì)微博進(jìn)行情感分析;姜杰等[6]將規(guī)則擴(kuò)展成規(guī)則特征,并將其嵌入基本特征,結(jié)合機(jī)器學(xué)習(xí)的方法訓(xùn)練情感分析模型;馬麗菲等[7]針對(duì)影評(píng)分類問(wèn)題構(gòu)建了電影領(lǐng)域的本體,對(duì)特征詞進(jìn)行擴(kuò)展,以決策樹作為分類器對(duì)擴(kuò)展后的特征進(jìn)行訓(xùn)練,顯著提升了分類的準(zhǔn)確率.

    近年來(lái),由于深度神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的特征提取能力,多種基于深度神經(jīng)網(wǎng)絡(luò)的情感分析方法被提出.在傳統(tǒng)機(jī)器學(xué)習(xí)方法中,特征往往具有稀疏以及維度較高的特性.為了解決這一問(wèn)題,詞嵌入(word embedding)[8]將高維特征嵌入到一個(gè)維度較低的連續(xù)向量空間,每個(gè)單詞被表示為實(shí)數(shù)域上的一個(gè)向量.這些特征向量是通過(guò)連續(xù)詞袋模型(continuous bag-of-words,CBoW)、Skip-gram等算法在大規(guī)模語(yǔ)料訓(xùn)練所得到,其中受到最廣泛應(yīng)用之一的word embedding模型就是Word2Vec模型[9],許多方法都通過(guò)該模型獲得詞向量,并將其作為文本的表示.Kim[10]利用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)在預(yù)訓(xùn)練的詞向量的基礎(chǔ)上進(jìn)行句子分類任務(wù),包括情感分析任務(wù)以及問(wèn)題分類任務(wù);朱曉亮等[11]首先利用TextRank算法對(duì)文本進(jìn)行關(guān)鍵句提取并去除冗余信息,然后利用詞向量表示提取關(guān)鍵句后的文本,將其作為字符級(jí)卷積神經(jīng)網(wǎng)絡(luò)的輸入,訓(xùn)練分類模型.不同于以上方法,Johnson等[12]直接將CNN應(yīng)用于高維的one-hot向量,學(xué)習(xí)小范圍文本區(qū)域的embedding,利用單詞順序提升文本分類的效果.為了獲取文本中較長(zhǎng)序列的語(yǔ)義信息,諸如循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)及其變體的序列模型也被應(yīng)用于情感分類任務(wù)[13-19],然而在缺乏大量訓(xùn)練數(shù)據(jù)的情況下,這些深度模型不能很好地?cái)M合.

    本工作提出的基于SVM的新聞評(píng)論情感分析模型,利用了bag-of-ngrams特征并與TFIDF特征相結(jié)合,同時(shí)引入評(píng)論的源文章信息作為特征的補(bǔ)充,通過(guò)聚類將源文章主題對(duì)新聞評(píng)論的影響引入評(píng)論文本的情感分析.

    2 方法介紹

    2.1 模型框架

    本工作針對(duì)新聞評(píng)論的情感分析,構(gòu)造并結(jié)合多種特征,提出了基于SVM和K-means的情感分類模型.該模型的具體流程如圖1所示.

    圖1 本模型框架圖Fig.1 Framework of this model

    首先,對(duì)新聞評(píng)論以及評(píng)論的源文章分別進(jìn)行文本預(yù)處理,包括去掉重復(fù)的、存在空值的數(shù)據(jù),去除數(shù)據(jù)中無(wú)意義的符號(hào),單詞小寫轉(zhuǎn)換以及去停用詞等步驟,得到清洗后的數(shù)據(jù)進(jìn)行下一步特征提取.其次,特征提取部分通過(guò)BoW詞袋模型對(duì)文工作進(jìn)行特征表示;并結(jié)合TF-IDF賦予特征權(quán)重,分別得到評(píng)論文本與源文章文本的向量特征表示.然后,將K-means聚類算法應(yīng)用于所得的源文章特征向量,得到文本的聚類信息,并將其作為附加特征與評(píng)論文本的特征結(jié)合.最后,將結(jié)合后的特征與情感標(biāo)簽一起作為輸入,訓(xùn)練SVM分類器;將測(cè)試數(shù)據(jù)輸入訓(xùn)練好的SVM分類器,即可得到預(yù)測(cè)的情感標(biāo)簽.

    2.2 特征提取

    BoW是常見(jiàn)的通過(guò)向量的方式表示文本特征表示方法.向量的維度是根據(jù)文本所構(gòu)建的詞典大小,向量每一個(gè)維度表示文本中每個(gè)單詞出現(xiàn)的頻次.然而,這種方法無(wú)法表示文本中單詞的順序,使得語(yǔ)義會(huì)有一定損失,因此往往采取與n-gram結(jié)合的方式進(jìn)行特征表示,這也稱為bag-of-ngrams.這樣的特征表示方式仍然存在不足,一些單詞雖然在語(yǔ)料中出現(xiàn)的頻率很高,但是其本身并沒(méi)有太多語(yǔ)義信息,因此本工作采用結(jié)合TF-IDF的方式,給特征分配不用的權(quán)重,以此形成更高效的特征表示.

    TF-IDF算法是一種在信息檢索領(lǐng)域常用的算法,用來(lái)衡量由大量文本構(gòu)成的語(yǔ)料庫(kù)中一個(gè)詞對(duì)于某篇文本的重要程度.單詞i在文本j中的權(quán)重值為

    式中:nij為單詞i在文本j中出現(xiàn)的頻次;nj為文本j的單詞總數(shù);|D|為語(yǔ)料庫(kù)中文本總數(shù);|Di|為語(yǔ)料庫(kù)中包含單詞i的文本數(shù)量.

    2.3 K-means聚類

    聚類是一種無(wú)監(jiān)督學(xué)習(xí)方法,可以將無(wú)標(biāo)簽的數(shù)據(jù)自動(dòng)劃分為幾類.在得到源文章的特征后,本工作使用聚類算法對(duì)源文章數(shù)據(jù)進(jìn)行劃分.新聞評(píng)論表達(dá)的是用戶對(duì)新聞所描述事件的態(tài)度與看法,因此新聞的主題或話題內(nèi)容會(huì)對(duì)評(píng)論的整體情感基調(diào)有不同的影響.本工作通過(guò)K-means聚類的方式,將源文章信息引入新聞評(píng)論的情感分析模型,以便構(gòu)建更豐富的特征,提升情感分析的效果.K-means算法可以分為如下幾個(gè)步驟:

    (1)從源文章特征向量中隨機(jī)選取K個(gè)特征向量,代表K個(gè)簇的初始質(zhì)心;

    (2)計(jì)算每一個(gè)數(shù)據(jù)點(diǎn)到K個(gè)質(zhì)心的距離,并將數(shù)據(jù)點(diǎn)分配到距離自身最近的質(zhì)心所在的簇中;

    (3)將所有數(shù)據(jù)點(diǎn)完成劃分后,計(jì)算每一個(gè)簇所有數(shù)據(jù)點(diǎn)的平均值,將其作為新的質(zhì)心;

    (4)重復(fù)(2)、(3)這2個(gè)步驟直至數(shù)據(jù)點(diǎn)劃分趨于穩(wěn)定.

    經(jīng)過(guò)聚類后,源文章特征被劃分至K個(gè)簇中.同一個(gè)簇中的文章在主題或語(yǔ)義上有更高的相似度,而不同簇之間的文章則在主題和語(yǔ)義上有更大的區(qū)分度.通過(guò)聚類的方式,就不需要對(duì)源文章主題類別進(jìn)行額外標(biāo)注,即可完成對(duì)源文章類別的劃分.完成劃分后的類別信息即可作為特征,與新聞評(píng)論特征進(jìn)行進(jìn)一步結(jié)合,提升分類器的效果.

    2.4 SVM多分類策略

    SVM是經(jīng)典的有監(jiān)督機(jī)器學(xué)習(xí)方法,可用于線性和非線性分類.原始的SVM只適用于二分類,對(duì)于多分類任務(wù)則需要采用相應(yīng)的策略.常見(jiàn)的多分類策略有一對(duì)一(one vs.one,OVO)法和一對(duì)多(one vs.rest,OVR)法.

    一對(duì)一法對(duì)每2個(gè)類別樣本設(shè)計(jì)一個(gè)分類器,對(duì)于n個(gè)類別的樣本,則需要設(shè)計(jì)個(gè)分類器.一對(duì)多法則對(duì)含有n個(gè)類別的樣本構(gòu)造n個(gè)分類器,在每個(gè)分類器在處理樣本時(shí)將某一個(gè)類別歸為一類,將其余樣本全部歸于另一類.本方法所采用的SVM為基于一對(duì)多策略的線性SVM.

    3 實(shí)驗(yàn)

    3.1 實(shí)驗(yàn)設(shè)置

    為了驗(yàn)證本模型的有效性,本工作采用了Yahoo Labs Webscope的英文數(shù)據(jù)集Yahoo News Annotated Comments Corpus(YNACC)[20-21],并選取了其中帶有情感標(biāo)簽的新聞評(píng)論數(shù)據(jù)作為數(shù)據(jù)集.情感標(biāo)簽分為4個(gè)類別,分別為正向、負(fù)向、中立以及混合類別.利用這些情感標(biāo)簽即可進(jìn)行有監(jiān)督的情感分類.數(shù)據(jù)集中也包含了新聞評(píng)論源文章的URL信息,本工作根據(jù)其提供的地址獲得了部分源文章信息,部分信息由于網(wǎng)址失效未能獲取.

    此外,評(píng)論數(shù)據(jù)存在一定程度的類別不平衡問(wèn)題,即評(píng)論數(shù)據(jù)中的情感類別標(biāo)簽存在比較明顯的分布不均衡現(xiàn)象.針對(duì)這一問(wèn)題,本工作采用了過(guò)采樣的方式,分別嘗試了合成少數(shù)類過(guò)采樣技術(shù)(synthetic minority oversampling technique,SMOTE)和隨機(jī)過(guò)采樣算法,增加少數(shù)類樣本.經(jīng)過(guò)過(guò)采樣處理后的數(shù)據(jù)統(tǒng)計(jì)信息如表1所示.

    表1 數(shù)據(jù)集統(tǒng)計(jì)信息Table 1 Statistics information of the dataset

    針對(duì)數(shù)據(jù)集中的文本,本工作使用NLTK工具包進(jìn)行去除符號(hào)、去停用詞等預(yù)處理,將數(shù)據(jù)集中的數(shù)據(jù)按照4∶1的比例劃分為訓(xùn)練集和測(cè)試集.

    實(shí)驗(yàn)采用的評(píng)價(jià)標(biāo)準(zhǔn)為Precision、Recall、F1值和Accuracy這4個(gè)指標(biāo),計(jì)算公式分別如(2)~(5)所示,其中TP(true positive)表示為實(shí)際為正類、預(yù)測(cè)也為正類的樣本數(shù)量;FP(false positive)表示為實(shí)際為負(fù)類、預(yù)測(cè)為正類的樣本數(shù)量;FN(false negative)表示為實(shí)際為正類、預(yù)測(cè)為負(fù)類的樣本數(shù)量;TN(true negative)表示為實(shí)際為負(fù)類、預(yù)測(cè)也為負(fù)類的樣本數(shù)量:

    由于本實(shí)驗(yàn)為多分類任務(wù),故對(duì)以上Precision、Recall、F1值這3個(gè)評(píng)價(jià)指標(biāo)取Macro平均值,即先對(duì)每一個(gè)類計(jì)算指標(biāo)值,然后對(duì)所有類的指標(biāo)取算數(shù)平均值;Accuracy則取值為被正確分類的樣本數(shù)除以所有樣本數(shù).

    3.2 實(shí)驗(yàn)結(jié)果及分析

    對(duì)本工作提出的基于SVM和K-means聚類的情感分析模型和其他baseline模型進(jìn)行對(duì)比,并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析.涉及的方法如下:

    AvgWordvec:將word2vec預(yù)訓(xùn)練模型[9]的詞向量作為單詞的特征表示,將評(píng)論中所有單詞的詞向量均值作為評(píng)論文本的特征,輸入到SVM分類器中進(jìn)行訓(xùn)練;

    K-means+uni:使用unigram詞袋特征表示評(píng)論文本,加入TF-IDF權(quán)重信息,并使用Kmeans對(duì)源文章進(jìn)行聚類,得到源文章特征,最后利用結(jié)合后的特征訓(xùn)練SVM分類器;

    K-means+bi:使用bigram二元詞組作為評(píng)論文本特征,將TF-IDF權(quán)重信息與特征結(jié)合進(jìn)行加權(quán),并使用K-means對(duì)源文章進(jìn)行聚類,得到源文章特征,最后利用結(jié)合后的特征訓(xùn)練SVM分類器;

    K-means+tri:以trigram三元詞組作為評(píng)論文本特征,利用TF-IDF權(quán)重信息對(duì)獲得的評(píng)論文本特征進(jìn)行加權(quán),并使用K-means對(duì)源文章進(jìn)行聚類,得到源文章特征,最后利用結(jié)合后的特征訓(xùn)練SVM分類器;

    K-means+uni+bi:使用unigram和bigram作為評(píng)論文本特征,利用TF-IDF權(quán)重信息對(duì)獲得的評(píng)論文本特征進(jìn)行加權(quán),并使用K-means對(duì)源文章進(jìn)行聚類,得到源文章特征,最后利用結(jié)合后的特征訓(xùn)練SVM分類器;

    uni+bi+tri:和本方法的區(qū)別是此方法未使用K-means聚類,僅使用unigram、bigram和trigram作為評(píng)論文本特征,并加入TF-IDF權(quán)重信息,訓(xùn)練SVM分類器;

    K-means+uni+bi+tri:本工作提出的基于SVM和K-means的情感分析方法,除使用unigram、bigram和trigram多重特征對(duì)評(píng)論進(jìn)行表示外,還加入TF-IDF權(quán)重信息,對(duì)特征進(jìn)行加權(quán),并使用K-means聚類對(duì)源文章特征進(jìn)行表示,將其與評(píng)論特征進(jìn)行結(jié)合后,使用SVM進(jìn)行模型訓(xùn)練.

    表2為不同方法的實(shí)驗(yàn)結(jié)果對(duì)比.

    表2 不同方法的實(shí)驗(yàn)結(jié)果對(duì)比Table 2 Comparison of different experimental results

    表2的結(jié)果表明,本工作提出的基于SVM和K-means聚類的情感分析模型取得了優(yōu)于其他方法的效果.在所有未使用K-means聚類的方法中,AvgWordvec的分類效果最不理想.該方法使用預(yù)訓(xùn)練的詞向量對(duì)單詞進(jìn)行表示,并將單詞詞向量的均值作為評(píng)論的特征,未能表示單詞的順序信息,使得部分語(yǔ)義信息缺失.相比之下uni+bi+tri方法的效果有明顯提升,該方法在詞袋模型的基礎(chǔ)上結(jié)合了二元詞組和三元詞組特征,在一定程度上保留了單詞出現(xiàn)的順序信息,TF-IDF特征的加入使得模型能夠根據(jù)各個(gè)單詞和詞組的重要程度對(duì)特征進(jìn)行加權(quán),提升分類的效果.

    在使用了K-means聚類對(duì)源文章特征進(jìn)行表示,并與評(píng)論特征進(jìn)行結(jié)合的所有方法中,K-means+tri的效果最差,K-means+bi方法其次.這2種方法分別只考慮了三元詞組特征和二元詞組特征,特征表示過(guò)于單一,缺失了評(píng)論文本的基礎(chǔ)語(yǔ)義信息.K-means+uni的方法相比于只使用bigram的方法F1值提高了10.2%,Accuracy提高了8.5%.對(duì)比只使用trigram的方法,該方法的F1值提高了14.1%,Accuracy提高了16%,在同樣采取單一特征的情況下,該方法效果有明顯的提高,體現(xiàn)了unigram特征對(duì)區(qū)分文本的重要性.K-means+uni+bi方法在該方法的基礎(chǔ)上加入了bigram特征,效果沒(méi)有明顯變化,說(shuō)明unigram對(duì)于評(píng)論文本而言可以表示更為基本的語(yǔ)義信息.而在此基礎(chǔ)上加入bigram和trigram的方法在各項(xiàng)評(píng)價(jià)指標(biāo)上有略微提升,體現(xiàn)了多種詞組特征對(duì)于文本語(yǔ)義有補(bǔ)充作用.

    本工作提出的基于SVM和K-means聚類的情感分析方法取得了上述對(duì)比方法中最優(yōu)的分類效果.在與uni+bi+tri方法的對(duì)比中,本方法在F1值上提升了4%,在Accuracy上提升了2.3%,證明了通過(guò)K-means方式能夠?qū)π侣勗u(píng)論的源文章信息進(jìn)行分類表示,并與新聞評(píng)論特征和結(jié)合,可以提升分類的準(zhǔn)確率,證明了本方法的有效性.

    3.3 變量分析

    為了研究在在進(jìn)行Bag-of-ngrams特征構(gòu)造時(shí),不同特征維數(shù)對(duì)分類效果的影響,本工作對(duì)采用不同特征維數(shù)的模型進(jìn)行了對(duì)比實(shí)驗(yàn)(見(jiàn)表3).

    表3 特征維數(shù)對(duì)實(shí)驗(yàn)結(jié)果影響Table 3 Impact of feature dimension on experimental results

    結(jié)果表明,模型的F1值和Accuracy這2項(xiàng)指標(biāo)隨著特征維數(shù)的增加而提高,當(dāng)特征維數(shù)達(dá)到10 000時(shí)2項(xiàng)指標(biāo)趨于穩(wěn)定;而Precision及Recall在特征數(shù)取10 000時(shí)達(dá)到最高值,之后隨著特征維度升高趨于穩(wěn)定并略有下降.因此,本方法將特征維數(shù)確定為10 000.

    考慮到SVM分類器參數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響,本工作同時(shí)對(duì)SVM分類器的參數(shù)C進(jìn)行了不同設(shè)置,對(duì)不同參數(shù)下模型分類效果進(jìn)行對(duì)比(見(jiàn)圖2).

    圖2 分類器參數(shù)C對(duì)分類效果的影響Fig.2 Impact of parameter C on classification performance

    實(shí)驗(yàn)結(jié)果顯示,模型在C取值較小時(shí)有更好的分類效果;當(dāng)C取值大于1.00時(shí),分類效果隨參數(shù)的增大而變差.根據(jù)實(shí)驗(yàn)結(jié)果,本方法將SVM分類器的參數(shù)C設(shè)置為0.10.

    在對(duì)文章進(jìn)行K-means聚類的過(guò)程中,K值的選取對(duì)聚類效果有很重要的影響.好的聚類結(jié)果能使同一簇內(nèi)的數(shù)據(jù)有更大的相似性,即同一簇內(nèi)的文章具有更相似的主題或語(yǔ)義信息.因此,聚類的結(jié)果將影響到最終評(píng)論特征的質(zhì)量以及模型最終的分類效果.本工作通過(guò)實(shí)驗(yàn)對(duì)比了K-means聚類方法中K取不同值時(shí)模型的最終效果(見(jiàn)圖3).

    圖3 不同K值對(duì)分類效果的影響Fig.3 Impact of different K values on classification performance

    實(shí)驗(yàn)結(jié)果顯示,Accuracy隨K值的增大呈小范圍浮動(dòng),F1值隨K取值的增大而增大;當(dāng)K值大于16時(shí),2項(xiàng)指標(biāo)均有明顯下降.因此,根據(jù)實(shí)驗(yàn)結(jié)果本工作將K值設(shè)置為16.

    4 結(jié)束語(yǔ)

    本工作提出了一種基于SVM和K-means聚類的新聞評(píng)論情感分析方法.考慮到新聞文章主題或話題內(nèi)容對(duì)其評(píng)論情感產(chǎn)生的影響,本方法通過(guò)K-means聚類的方式對(duì)新聞文章進(jìn)行簇的劃分,將這種主題或語(yǔ)義的差異進(jìn)行表示,并結(jié)合新聞評(píng)論特征訓(xùn)練SVM分類器.實(shí)驗(yàn)結(jié)果表明,該方法取得了優(yōu)于其他對(duì)比方法的效果,證明了采用K-means聚類的方法引入文章信息可以提升分類效果,驗(yàn)證了該方法對(duì)于新聞評(píng)論情感分析的有效性.此外,構(gòu)造更低維度和更高效的特征來(lái)提升方法的分類效果,也是需要進(jìn)一步研究的內(nèi)容之一.

    猜你喜歡
    分類器聚類分類
    分類算一算
    分類討論求坐標(biāo)
    數(shù)據(jù)分析中的分類討論
    BP-GA光照分類器在車道線識(shí)別中的應(yīng)用
    基于DBSACN聚類算法的XML文檔聚類
    教你一招:數(shù)的分類
    加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
    結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機(jī)的TSK分類器
    基于改進(jìn)的遺傳算法的模糊聚類算法
    一種層次初始的聚類個(gè)數(shù)自適應(yīng)的聚類方法研究
    久久精品人人爽人人爽视色| 亚洲人成77777在线视频| 高清毛片免费看| 好男人视频免费观看在线| 菩萨蛮人人尽说江南好唐韦庄| 国产有黄有色有爽视频| 一个人看视频在线观看www免费| 精品亚洲成a人片在线观看| 另类精品久久| 午夜老司机福利剧场| 最近中文字幕高清免费大全6| 亚州av有码| 成人毛片a级毛片在线播放| 日韩成人伦理影院| 亚洲精品国产av蜜桃| 亚洲av免费高清在线观看| 婷婷色综合大香蕉| 人成视频在线观看免费观看| www.av在线官网国产| 日韩欧美三级三区| avwww免费| 日韩制服丝袜自拍偷拍| 国产有黄有色有爽视频| 久久毛片免费看一区二区三区| 18禁观看日本| 国产高清国产精品国产三级| 日韩大码丰满熟妇| 精品视频人人做人人爽| 天天躁日日躁夜夜躁夜夜| 欧美日韩中文字幕国产精品一区二区三区 | 亚洲情色 制服丝袜| 欧美日韩中文字幕国产精品一区二区三区 | 国产一区二区三区在线臀色熟女 | 欧美日韩亚洲综合一区二区三区_| 巨乳人妻的诱惑在线观看| 亚洲精品一卡2卡三卡4卡5卡| 首页视频小说图片口味搜索| 大香蕉久久成人网| 精品久久久久久久毛片微露脸| 日韩欧美一区二区三区在线观看 | 午夜福利在线观看吧| 国产精品.久久久| 久久久久久久大尺度免费视频| 国产麻豆69| 这个男人来自地球电影免费观看| 免费女性裸体啪啪无遮挡网站| 国产亚洲精品久久久久5区| a级片在线免费高清观看视频| 亚洲av成人不卡在线观看播放网| 国产精品久久久久久精品电影小说| 久久影院123| 国产成人av教育| 亚洲国产av新网站| 高清毛片免费观看视频网站 | www.999成人在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 日本黄色视频三级网站网址 | 最新美女视频免费是黄的| 日韩中文字幕视频在线看片| 菩萨蛮人人尽说江南好唐韦庄| 又大又爽又粗| 黄片大片在线免费观看| 大香蕉久久成人网| 精品国产一区二区久久| 最新在线观看一区二区三区| 国产极品粉嫩免费观看在线| 人人妻人人澡人人看| 国产精品美女特级片免费视频播放器 | 精品人妻在线不人妻| 麻豆乱淫一区二区| 伦理电影免费视频| 国产亚洲精品久久久久5区| 丝袜喷水一区| 成人特级黄色片久久久久久久 | 国产精品一区二区免费欧美| 精品一区二区三区av网在线观看 | 日韩精品免费视频一区二区三区| 午夜福利视频精品| 黄色片一级片一级黄色片| 久久国产精品大桥未久av| 精品亚洲成a人片在线观看| 精品福利观看| 国产成人av激情在线播放| 美女主播在线视频| 黑丝袜美女国产一区| 国产xxxxx性猛交| 少妇 在线观看| 久久人人爽av亚洲精品天堂| 黄色片一级片一级黄色片| 俄罗斯特黄特色一大片| 水蜜桃什么品种好| 欧美 亚洲 国产 日韩一| 精品国产一区二区久久| 久久久久国内视频| 夜夜爽天天搞| 久久久国产精品麻豆| av视频免费观看在线观看| 人人妻,人人澡人人爽秒播| 午夜福利影视在线免费观看| 怎么达到女性高潮| 国产精品久久电影中文字幕 | 手机成人av网站| xxxhd国产人妻xxx| 首页视频小说图片口味搜索| 汤姆久久久久久久影院中文字幕| 精品国产乱码久久久久久男人| www.自偷自拍.com| 又紧又爽又黄一区二区| xxxhd国产人妻xxx| 亚洲人成伊人成综合网2020| 黄频高清免费视频| 欧美日韩亚洲综合一区二区三区_| 国产成人精品无人区| 五月开心婷婷网| 亚洲男人天堂网一区| 欧美黑人欧美精品刺激| 成年人免费黄色播放视频| 亚洲国产看品久久| 国产欧美日韩一区二区三| h视频一区二区三区| 成年动漫av网址| 亚洲 国产 在线| 五月天丁香电影| 国产在线精品亚洲第一网站| 欧美成狂野欧美在线观看| 大陆偷拍与自拍| 丝袜喷水一区| 老司机在亚洲福利影院| 91大片在线观看| 国产欧美日韩综合在线一区二区| 亚洲男人天堂网一区| 日韩欧美一区视频在线观看| 亚洲成人免费av在线播放| 极品少妇高潮喷水抽搐| 亚洲三区欧美一区| 国产精品98久久久久久宅男小说| 我要看黄色一级片免费的| 精品少妇久久久久久888优播| 久久久国产一区二区| 国产成人av教育| 丝袜人妻中文字幕| 日韩欧美免费精品| 日本精品一区二区三区蜜桃| 欧美精品高潮呻吟av久久| 精品国产超薄肉色丝袜足j| 在线十欧美十亚洲十日本专区| 黑人欧美特级aaaaaa片| 日本av免费视频播放| 最近最新免费中文字幕在线| 亚洲性夜色夜夜综合| 大陆偷拍与自拍| 欧美日韩亚洲综合一区二区三区_| 国产有黄有色有爽视频| 中文字幕人妻丝袜制服| 汤姆久久久久久久影院中文字幕| 女人精品久久久久毛片| 91麻豆av在线| 少妇的丰满在线观看| 中文字幕色久视频| 成年女人毛片免费观看观看9 | 欧美激情高清一区二区三区| 国产男女超爽视频在线观看| 香蕉国产在线看| 久久久久久亚洲精品国产蜜桃av| 视频区图区小说| 国产成人av教育| 亚洲人成伊人成综合网2020| 99热国产这里只有精品6| 无人区码免费观看不卡 | 国产成+人综合+亚洲专区| 亚洲精品一卡2卡三卡4卡5卡| av不卡在线播放| 中文字幕av电影在线播放| 国产日韩一区二区三区精品不卡| 国产精品免费大片| 日本wwww免费看| 黄片大片在线免费观看| 天天操日日干夜夜撸| 亚洲精品中文字幕一二三四区 | 亚洲欧美激情在线| 咕卡用的链子| xxxhd国产人妻xxx| 久久ye,这里只有精品| 欧美另类亚洲清纯唯美| 99久久国产精品久久久| 国产精品成人在线| 纵有疾风起免费观看全集完整版| 亚洲精品美女久久av网站| 久久精品国产亚洲av香蕉五月 | 多毛熟女@视频| 亚洲成国产人片在线观看| 女人精品久久久久毛片| 国产精品秋霞免费鲁丝片| 亚洲一卡2卡3卡4卡5卡精品中文| 中国美女看黄片| av网站免费在线观看视频| 国产福利在线免费观看视频| 国产男女超爽视频在线观看| 国产在线免费精品| kizo精华| av视频免费观看在线观看| 自线自在国产av| 蜜桃国产av成人99| 另类精品久久| 丰满饥渴人妻一区二区三| 黄色视频在线播放观看不卡| 欧美激情久久久久久爽电影 | 精品乱码久久久久久99久播| 考比视频在线观看| 亚洲欧美色中文字幕在线| avwww免费| 宅男免费午夜| av有码第一页| 免费高清在线观看日韩| 日韩欧美免费精品| 欧美精品人与动牲交sv欧美| 久久性视频一级片| 性少妇av在线| 亚洲成a人片在线一区二区| √禁漫天堂资源中文www| 免费一级毛片在线播放高清视频 | 免费女性裸体啪啪无遮挡网站| 久久人妻福利社区极品人妻图片| 男女床上黄色一级片免费看| 视频区欧美日本亚洲| 久久99一区二区三区| 一级片免费观看大全| 国产欧美日韩一区二区精品| 青草久久国产| 国产精品秋霞免费鲁丝片| 欧美成人免费av一区二区三区 | 亚洲精品国产区一区二| 日韩免费av在线播放| 欧美在线黄色| 久久精品人人爽人人爽视色| 18禁美女被吸乳视频| 欧美精品一区二区免费开放| 国产熟女午夜一区二区三区| 色综合欧美亚洲国产小说| 免费一级毛片在线播放高清视频 | 高清视频免费观看一区二区| 女性生殖器流出的白浆| 亚洲熟妇熟女久久| 久久久久精品人妻al黑| 亚洲精品美女久久久久99蜜臀| 国产一区二区激情短视频| 一夜夜www| 黄频高清免费视频| 日本av免费视频播放| 菩萨蛮人人尽说江南好唐韦庄| 久久久久视频综合| 成年女人毛片免费观看观看9 | 在线观看免费视频日本深夜| 老汉色∧v一级毛片| 国产不卡一卡二| 99re6热这里在线精品视频| 亚洲一区二区三区欧美精品| 精品国产一区二区久久| 精品午夜福利视频在线观看一区 | 黄片播放在线免费| 国精品久久久久久国模美| 久久久久网色| 精品亚洲乱码少妇综合久久| 露出奶头的视频| 免费在线观看黄色视频的| 中文字幕高清在线视频| 国产一区有黄有色的免费视频| 免费日韩欧美在线观看| 亚洲少妇的诱惑av| 亚洲精品中文字幕一二三四区 | 人人澡人人妻人| 黄色 视频免费看| 黄色视频不卡| 精品国产乱码久久久久久男人| 香蕉国产在线看| 99riav亚洲国产免费| 中亚洲国语对白在线视频| tocl精华| av又黄又爽大尺度在线免费看| 999久久久精品免费观看国产| 免费观看av网站的网址| 亚洲avbb在线观看| 亚洲成人免费电影在线观看| 99国产精品免费福利视频| 欧美成狂野欧美在线观看| 久久99热这里只频精品6学生| 美女视频免费永久观看网站| 欧美精品高潮呻吟av久久| 动漫黄色视频在线观看| 国产伦理片在线播放av一区| 嫁个100分男人电影在线观看| 亚洲精品国产色婷婷电影| 一级a爱视频在线免费观看| 国产一卡二卡三卡精品| 最近最新中文字幕大全免费视频| e午夜精品久久久久久久| 热re99久久国产66热| 曰老女人黄片| 久久亚洲精品不卡| 久久精品91无色码中文字幕| 多毛熟女@视频| 一区二区三区激情视频| 国产精品一区二区在线观看99| 精品熟女少妇八av免费久了| 国产99久久九九免费精品| 欧美日韩黄片免| 欧美日本中文国产一区发布| 69精品国产乱码久久久| 丁香六月欧美| 丝瓜视频免费看黄片| 国产av精品麻豆| 精品久久久久久电影网| 亚洲av片天天在线观看| 亚洲少妇的诱惑av| 51午夜福利影视在线观看| av福利片在线| 欧美人与性动交α欧美精品济南到| 国产单亲对白刺激| 欧美国产精品va在线观看不卡| 美女午夜性视频免费| 18禁美女被吸乳视频| 精品国产乱码久久久久久男人| 国产成人系列免费观看| 免费看a级黄色片| 欧美激情高清一区二区三区| 国产成人欧美在线观看 | 视频区欧美日本亚洲| 久久精品亚洲av国产电影网| 亚洲av片天天在线观看| 国产不卡一卡二| 国产精品 国内视频| 中文字幕最新亚洲高清| 另类精品久久| 99精品欧美一区二区三区四区| 免费观看av网站的网址| 一级片'在线观看视频| 九色亚洲精品在线播放| 亚洲视频免费观看视频| 国产伦人伦偷精品视频| 亚洲国产中文字幕在线视频| 国产精品98久久久久久宅男小说| 他把我摸到了高潮在线观看 | 亚洲av片天天在线观看| 亚洲精品在线观看二区| 久久亚洲真实| 国产高清国产精品国产三级| 亚洲全国av大片| 亚洲精品中文字幕一二三四区 | 一个人免费看片子| 中文字幕人妻丝袜制服| 免费av中文字幕在线| 老司机靠b影院| 香蕉丝袜av| 久久久久精品国产欧美久久久| 每晚都被弄得嗷嗷叫到高潮| 香蕉丝袜av| 美女扒开内裤让男人捅视频| 侵犯人妻中文字幕一二三四区| 美女高潮到喷水免费观看| 桃花免费在线播放| 国产成人免费无遮挡视频| 国产精品99久久99久久久不卡| 午夜福利欧美成人| 亚洲人成电影观看| netflix在线观看网站| 丁香六月天网| 欧美精品一区二区大全| 久久久久久久久免费视频了| 乱人伦中国视频| 亚洲人成电影免费在线| 亚洲五月色婷婷综合| 国产成人精品久久二区二区91| 9191精品国产免费久久| 80岁老熟妇乱子伦牲交| 日韩有码中文字幕| 亚洲一区中文字幕在线| 欧美黄色片欧美黄色片| 精品熟女少妇八av免费久了| 亚洲专区字幕在线| 考比视频在线观看| 久久午夜亚洲精品久久| 中文字幕最新亚洲高清| 无限看片的www在线观看| 国产主播在线观看一区二区| 在线观看免费午夜福利视频| 热99国产精品久久久久久7| 亚洲av成人不卡在线观看播放网| 久久中文看片网| 国产成人av教育| a级毛片黄视频| 一本一本久久a久久精品综合妖精| 在线观看免费日韩欧美大片| 国产1区2区3区精品| 亚洲国产看品久久| 午夜福利在线观看吧| 精品高清国产在线一区| 国产又色又爽无遮挡免费看| 欧美成人免费av一区二区三区 | 国产深夜福利视频在线观看| 狠狠婷婷综合久久久久久88av| √禁漫天堂资源中文www| 国产精品98久久久久久宅男小说| 国产淫语在线视频| 在线观看免费日韩欧美大片| 黄色怎么调成土黄色| 美女视频免费永久观看网站| 90打野战视频偷拍视频| 精品久久蜜臀av无| 欧美激情久久久久久爽电影 | 搡老熟女国产l中国老女人| 人妻 亚洲 视频| 国产色视频综合| 亚洲午夜理论影院| 一区福利在线观看| 嫁个100分男人电影在线观看| 国产精品一区二区免费欧美| 国产在线一区二区三区精| 亚洲国产精品一区二区三区在线| 午夜久久久在线观看| 精品国产超薄肉色丝袜足j| 免费观看人在逋| www.熟女人妻精品国产| 国产主播在线观看一区二区| 午夜激情久久久久久久| 国产精品影院久久| 日本wwww免费看| 在线观看www视频免费| 最近最新免费中文字幕在线| 国产精品一区二区精品视频观看| 欧美在线一区亚洲| 色老头精品视频在线观看| 大陆偷拍与自拍| 一区二区三区国产精品乱码| 国产亚洲欧美在线一区二区| 美女福利国产在线| 19禁男女啪啪无遮挡网站| 久久久久久久久免费视频了| 国产欧美日韩一区二区三| 国产精品久久电影中文字幕 | 成年人午夜在线观看视频| 69精品国产乱码久久久| 亚洲五月色婷婷综合| 色精品久久人妻99蜜桃| 亚洲精品在线美女| 午夜精品久久久久久毛片777| 国产在线一区二区三区精| 久久久久国产一级毛片高清牌| 亚洲精品久久成人aⅴ小说| 久久国产精品人妻蜜桃| 午夜福利免费观看在线| 久久久久网色| 中文欧美无线码| 嫩草影视91久久| 可以免费在线观看a视频的电影网站| 国产主播在线观看一区二区| xxxhd国产人妻xxx| 国内毛片毛片毛片毛片毛片| 少妇 在线观看| 国产熟女午夜一区二区三区| 久久久国产欧美日韩av| 亚洲精品国产色婷婷电影| 精品少妇黑人巨大在线播放| 久久人人爽av亚洲精品天堂| 日韩三级视频一区二区三区| 国产免费视频播放在线视频| 人人妻人人澡人人爽人人夜夜| 日韩中文字幕视频在线看片| 日韩视频在线欧美| 老司机福利观看| 久久精品熟女亚洲av麻豆精品| 久久热在线av| 深夜精品福利| 国产av国产精品国产| 亚洲第一青青草原| 制服人妻中文乱码| 国产精品二区激情视频| 国产一区二区 视频在线| 他把我摸到了高潮在线观看 | 99久久人妻综合| 91国产中文字幕| 欧美国产精品va在线观看不卡| 在线看a的网站| 成年版毛片免费区| 久久久久国内视频| 日本黄色视频三级网站网址 | 国产精品美女特级片免费视频播放器 | 免费看a级黄色片| 一区在线观看完整版| 在线观看免费高清a一片| 国产免费视频播放在线视频| 国产精品影院久久| 久久亚洲真实| 欧美黄色淫秽网站| 黄色成人免费大全| 蜜桃在线观看..| 日韩有码中文字幕| 国产成人av教育| 一本久久精品| 国产不卡一卡二| 首页视频小说图片口味搜索| 久久久久久人人人人人| 亚洲av欧美aⅴ国产| 一区二区三区国产精品乱码| 国产精品免费一区二区三区在线 | 亚洲中文字幕日韩| 欧美精品一区二区大全| 中文字幕av电影在线播放| 一区福利在线观看| 最新在线观看一区二区三区| 伊人久久大香线蕉亚洲五| 国产精品久久久久久人妻精品电影 | 国产精品免费大片| 波多野结衣av一区二区av| 制服诱惑二区| 亚洲五月色婷婷综合| 亚洲一码二码三码区别大吗| 高潮久久久久久久久久久不卡| 久久久精品免费免费高清| 国产成人欧美在线观看 | 国产97色在线日韩免费| 日本黄色视频三级网站网址 | 欧美黑人精品巨大| 国产色视频综合| 亚洲精品国产一区二区精华液| 亚洲国产看品久久| 国产亚洲欧美精品永久| 亚洲第一av免费看| 国产精品欧美亚洲77777| 亚洲第一青青草原| 啦啦啦中文免费视频观看日本| 在线天堂中文资源库| 欧美国产精品一级二级三级| 婷婷成人精品国产| 成人亚洲精品一区在线观看| 日本wwww免费看| 精品少妇内射三级| 亚洲成人免费av在线播放| 日韩熟女老妇一区二区性免费视频| 91大片在线观看| 啦啦啦免费观看视频1| 99热国产这里只有精品6| 热re99久久精品国产66热6| 大型av网站在线播放| 在线观看免费高清a一片| 1024香蕉在线观看| 久久这里只有精品19| 另类精品久久| 五月开心婷婷网| 高清在线国产一区| 老熟妇仑乱视频hdxx| 一级,二级,三级黄色视频| 一本大道久久a久久精品| 国产欧美亚洲国产| 黄色a级毛片大全视频| 国产精品久久久人人做人人爽| 免费在线观看黄色视频的| 999久久久精品免费观看国产| 久久精品成人免费网站| 老司机亚洲免费影院| 大香蕉久久网| 多毛熟女@视频| 国产一区有黄有色的免费视频| 满18在线观看网站| 在线观看舔阴道视频| 国产在线视频一区二区| 国产精品久久电影中文字幕 | 伊人久久大香线蕉亚洲五| 欧美人与性动交α欧美精品济南到| 亚洲专区字幕在线| 国产亚洲欧美在线一区二区| 亚洲成a人片在线一区二区| 亚洲欧美激情在线| 亚洲国产精品一区二区三区在线| 亚洲色图综合在线观看| 欧美av亚洲av综合av国产av| 视频区图区小说| 国产1区2区3区精品| 亚洲成人国产一区在线观看| 成人18禁在线播放| 波多野结衣av一区二区av| 一区二区三区精品91| 在线观看66精品国产| 极品教师在线免费播放| 精品少妇内射三级| av有码第一页| av国产精品久久久久影院| 亚洲,欧美精品.| 久久ye,这里只有精品| 久久精品国产亚洲av香蕉五月 | 成人精品一区二区免费| www.999成人在线观看| 国产免费福利视频在线观看| 国产精品1区2区在线观看. | 亚洲成av片中文字幕在线观看| 亚洲av成人一区二区三| 久久久久久久精品吃奶| 亚洲精品国产区一区二| 一区二区av电影网| tube8黄色片| 伦理电影免费视频| 亚洲视频免费观看视频| 久久久久精品国产欧美久久久| 黄片小视频在线播放| 丰满人妻熟妇乱又伦精品不卡| 日韩精品免费视频一区二区三区| 国产高清videossex| 捣出白浆h1v1| 精品久久久精品久久久| 夜夜爽天天搞| 999精品在线视频| 最新在线观看一区二区三区| 在线观看免费视频网站a站| 人人妻人人添人人爽欧美一区卜| 黄色视频,在线免费观看| 下体分泌物呈黄色|