• <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
    国产亚洲精品久久久久久毛片| 精品国产亚洲在线| 在线视频色国产色| 51午夜福利影视在线观看| 男人操女人黄网站| 高清在线国产一区| 777久久人妻少妇嫩草av网站| 午夜影院日韩av| 在线永久观看黄色视频| 免费看十八禁软件| 国产人伦9x9x在线观看| 一级黄色大片毛片| 欧美黑人精品巨大| 一级,二级,三级黄色视频| 日本vs欧美在线观看视频| 欧美最黄视频在线播放免费 | 男女午夜视频在线观看| 亚洲人成77777在线视频| 久9热在线精品视频| 精品日产1卡2卡| 久久久久久久久免费视频了| 色婷婷av一区二区三区视频| 国产精品久久电影中文字幕| 国产精品一区二区精品视频观看| 精品人妻在线不人妻| 一夜夜www| 日本撒尿小便嘘嘘汇集6| 久久国产亚洲av麻豆专区| 国产无遮挡羞羞视频在线观看| 国产欧美日韩一区二区三| 国产精品久久久久久人妻精品电影| 色婷婷av一区二区三区视频| netflix在线观看网站| 亚洲精品成人av观看孕妇| av欧美777| а√天堂www在线а√下载| 操美女的视频在线观看| 免费在线观看视频国产中文字幕亚洲| 最好的美女福利视频网| 国产有黄有色有爽视频| 欧美成人免费av一区二区三区| av电影中文网址| av中文乱码字幕在线| 91成年电影在线观看| 操出白浆在线播放| 国产精品电影一区二区三区| 国产深夜福利视频在线观看| 少妇裸体淫交视频免费看高清 | 精品一区二区三区视频在线观看免费 | 欧美日韩中文字幕国产精品一区二区三区 | 在线看a的网站| 欧美中文日本在线观看视频| 国产亚洲精品一区二区www| 亚洲伊人色综图| 成人免费观看视频高清| 97超级碰碰碰精品色视频在线观看| 亚洲国产欧美网| 91字幕亚洲| 美女高潮到喷水免费观看| 精品熟女少妇八av免费久了| 99国产精品99久久久久| 国产av在哪里看| 国产精品自产拍在线观看55亚洲| 久久精品国产99精品国产亚洲性色 | 国产在线精品亚洲第一网站| 在线观看www视频免费| 久久中文看片网| 久久久久国内视频| 天堂影院成人在线观看| 老汉色∧v一级毛片| 亚洲熟妇中文字幕五十中出 | 新久久久久国产一级毛片| 久久中文字幕人妻熟女| 国产亚洲欧美精品永久| 黑人巨大精品欧美一区二区mp4| 丰满的人妻完整版| 亚洲色图 男人天堂 中文字幕| 淫妇啪啪啪对白视频| 久久久久久免费高清国产稀缺| 岛国视频午夜一区免费看| 如日韩欧美国产精品一区二区三区| 丰满迷人的少妇在线观看| 日本黄色视频三级网站网址| 美女高潮到喷水免费观看| 美女 人体艺术 gogo| 久久精品国产综合久久久| 免费看a级黄色片| 又黄又爽又免费观看的视频| 欧美av亚洲av综合av国产av| 国产精品 国内视频| 成人亚洲精品av一区二区 | 波多野结衣一区麻豆| xxxhd国产人妻xxx| 黑人巨大精品欧美一区二区蜜桃| 高清黄色对白视频在线免费看| 欧美另类亚洲清纯唯美| av免费在线观看网站| 国产主播在线观看一区二区| 欧美精品一区二区免费开放| 国产成人精品久久二区二区免费| 国产一区在线观看成人免费| 久久久久九九精品影院| 亚洲 欧美一区二区三区| 999久久久国产精品视频| videosex国产| 日本撒尿小便嘘嘘汇集6| 免费在线观看视频国产中文字幕亚洲| 久久中文看片网| 麻豆国产av国片精品| 窝窝影院91人妻| 大型黄色视频在线免费观看| 日日干狠狠操夜夜爽| 国产成人啪精品午夜网站| 国产精品98久久久久久宅男小说| 免费高清视频大片| 夜夜夜夜夜久久久久| 高清欧美精品videossex| 国产成人系列免费观看| a级毛片在线看网站| 制服人妻中文乱码| 成人国产一区最新在线观看| 免费人成视频x8x8入口观看| 久久热在线av| 三上悠亚av全集在线观看| 露出奶头的视频| 最新在线观看一区二区三区| 女同久久另类99精品国产91| 美女高潮喷水抽搐中文字幕| 日韩一卡2卡3卡4卡2021年| 欧美乱色亚洲激情| 欧美激情 高清一区二区三区| 69精品国产乱码久久久| 欧美乱码精品一区二区三区| 国产免费av片在线观看野外av| 中文欧美无线码| 一级毛片精品| 国产一区在线观看成人免费| 久9热在线精品视频| 在线观看免费高清a一片| 最好的美女福利视频网| 精品福利永久在线观看| 亚洲色图综合在线观看| 成人三级黄色视频| 中国美女看黄片| av国产精品久久久久影院| 纯流量卡能插随身wifi吗| 99国产综合亚洲精品| 欧美一级毛片孕妇| 超碰97精品在线观看| 五月开心婷婷网| 可以免费在线观看a视频的电影网站| 水蜜桃什么品种好| 19禁男女啪啪无遮挡网站| 亚洲一区高清亚洲精品| 夜夜看夜夜爽夜夜摸 | 欧美大码av| 每晚都被弄得嗷嗷叫到高潮| 18禁美女被吸乳视频| 国产精品一区二区在线不卡| 精品人妻1区二区| 69av精品久久久久久| 成人影院久久| 欧美日本亚洲视频在线播放| 中亚洲国语对白在线视频| 高潮久久久久久久久久久不卡| 婷婷精品国产亚洲av在线| 日韩av在线大香蕉| 国产精品野战在线观看 | 久久热在线av| 天天影视国产精品| 亚洲人成电影免费在线| 在线观看66精品国产| 长腿黑丝高跟| 欧美中文综合在线视频| 国产欧美日韩一区二区三区在线| 狠狠狠狠99中文字幕| 国产在线精品亚洲第一网站| 无遮挡黄片免费观看| 久久天躁狠狠躁夜夜2o2o| 精品国产乱子伦一区二区三区| 免费看a级黄色片| 色精品久久人妻99蜜桃| 香蕉久久夜色| 欧美黄色片欧美黄色片| 高清av免费在线| 在线观看www视频免费| 极品教师在线免费播放| 最新美女视频免费是黄的| 精品电影一区二区在线| 亚洲精品中文字幕一二三四区| 国产高清国产精品国产三级| 亚洲精品一区av在线观看| 亚洲国产欧美一区二区综合| 亚洲国产欧美网| 80岁老熟妇乱子伦牲交| 亚洲人成伊人成综合网2020| 日本黄色视频三级网站网址| 满18在线观看网站| 丝袜美足系列| 深夜精品福利| 成人国语在线视频| www日本在线高清视频| 亚洲欧美日韩无卡精品| 嫩草影院精品99| 在线观看免费午夜福利视频| 成人18禁高潮啪啪吃奶动态图| 欧美性长视频在线观看| 久久人人97超碰香蕉20202| 1024香蕉在线观看| 满18在线观看网站| 国产97色在线日韩免费| 国产成人精品久久二区二区免费| 老汉色∧v一级毛片| 欧美激情 高清一区二区三区| 色精品久久人妻99蜜桃| 国产成人啪精品午夜网站| 中文字幕精品免费在线观看视频| 91字幕亚洲| 成人亚洲精品一区在线观看| 精品无人区乱码1区二区| av免费在线观看网站| videosex国产| 夜夜躁狠狠躁天天躁| 丁香欧美五月| 美女 人体艺术 gogo| 亚洲五月色婷婷综合| 国产精品自产拍在线观看55亚洲| 脱女人内裤的视频| a级片在线免费高清观看视频| aaaaa片日本免费| 女同久久另类99精品国产91| 男女下面插进去视频免费观看| 久久青草综合色| 男女下面进入的视频免费午夜 | 精品一区二区三区四区五区乱码| 身体一侧抽搐| 十八禁人妻一区二区| 国产伦一二天堂av在线观看| 国产欧美日韩精品亚洲av| 高清av免费在线| 韩国精品一区二区三区| 欧美精品一区二区免费开放| 亚洲欧美日韩另类电影网站| 久久精品国产亚洲av高清一级| 免费观看精品视频网站| 黄片小视频在线播放| 中文字幕色久视频| av天堂在线播放| 91国产中文字幕| 中文字幕精品免费在线观看视频| 午夜福利在线免费观看网站| 日日爽夜夜爽网站| 亚洲,欧美精品.| 99久久综合精品五月天人人| 欧美日本亚洲视频在线播放| 美女 人体艺术 gogo| 成人特级黄色片久久久久久久| 一个人免费在线观看的高清视频| 精品久久久久久久久久免费视频 | 性少妇av在线| 国产99白浆流出| 日韩av在线大香蕉| 黑人操中国人逼视频| 国产精品二区激情视频| 黄色丝袜av网址大全| 精品久久久久久,| 久9热在线精品视频| 国产精品免费视频内射| 精品福利永久在线观看| 在线十欧美十亚洲十日本专区| 啦啦啦 在线观看视频| 国产精品永久免费网站| 午夜福利欧美成人| 中出人妻视频一区二区| 久久久国产欧美日韩av| av片东京热男人的天堂| 伊人久久大香线蕉亚洲五| 日韩高清综合在线| 色老头精品视频在线观看| 久久久精品欧美日韩精品| 国产成人av激情在线播放| 国产高清激情床上av| 在线av久久热| ponron亚洲| 午夜免费激情av| www日本在线高清视频| 亚洲av电影在线进入| 50天的宝宝边吃奶边哭怎么回事| 午夜免费观看网址| 夫妻午夜视频| 日本 av在线| 欧美中文日本在线观看视频| 亚洲成人免费av在线播放| 99热国产这里只有精品6| 国产亚洲精品久久久久久毛片| 欧美成人性av电影在线观看| 高清欧美精品videossex| 成人免费观看视频高清| 一级毛片精品| 老汉色av国产亚洲站长工具| 黄色怎么调成土黄色| 日韩欧美一区二区三区在线观看| 久久草成人影院| 嫩草影视91久久| 久久精品亚洲av国产电影网| 国产亚洲av高清不卡| cao死你这个sao货| 日韩国内少妇激情av| 久久久精品欧美日韩精品| av国产精品久久久久影院| 欧美老熟妇乱子伦牲交| 免费av中文字幕在线| 国产成人系列免费观看| 狂野欧美激情性xxxx| 婷婷精品国产亚洲av在线| 在线观看免费午夜福利视频| 日韩免费av在线播放| 国产av又大| 亚洲五月色婷婷综合| 免费人成视频x8x8入口观看| 曰老女人黄片| 母亲3免费完整高清在线观看| 国产伦一二天堂av在线观看| 亚洲人成77777在线视频| 黄色毛片三级朝国网站| 免费高清视频大片| 脱女人内裤的视频| 黄色视频不卡| 一级毛片精品| 黄色视频不卡| 99精品在免费线老司机午夜| 亚洲精品粉嫩美女一区| 窝窝影院91人妻| 亚洲男人天堂网一区| www.熟女人妻精品国产| 黄色女人牲交| av天堂久久9| 黄色女人牲交| 搡老乐熟女国产| av视频免费观看在线观看| 成人亚洲精品av一区二区 | 久久国产精品人妻蜜桃| 日韩欧美三级三区| xxx96com| 国产欧美日韩精品亚洲av| 国产精品一区二区免费欧美| 岛国视频午夜一区免费看| 国产精品一区二区在线不卡| 午夜福利,免费看| 制服人妻中文乱码| 美女高潮喷水抽搐中文字幕| 日韩大尺度精品在线看网址 | 国产色视频综合| 一级黄色大片毛片| 超色免费av| 亚洲人成网站在线播放欧美日韩| 99riav亚洲国产免费| 女性被躁到高潮视频| 国产xxxxx性猛交| 国产熟女午夜一区二区三区| 国产高清视频在线播放一区| 国产极品粉嫩免费观看在线| 神马国产精品三级电影在线观看 | 一区福利在线观看| 法律面前人人平等表现在哪些方面| 丁香欧美五月| 国产激情久久老熟女| 日韩精品免费视频一区二区三区| 午夜成年电影在线免费观看| 他把我摸到了高潮在线观看| 国产在线精品亚洲第一网站| 19禁男女啪啪无遮挡网站| 国产激情欧美一区二区| 99在线人妻在线中文字幕| 国产99久久九九免费精品| 十八禁网站免费在线| 免费在线观看日本一区| 色综合站精品国产| 香蕉久久夜色| 满18在线观看网站| 久久国产精品影院| 亚洲人成电影观看| 身体一侧抽搐| 久久久精品国产亚洲av高清涩受| 亚洲成人精品中文字幕电影 | 91字幕亚洲| 99久久国产精品久久久| 久久婷婷成人综合色麻豆| 一个人观看的视频www高清免费观看 | 久久青草综合色| 日本欧美视频一区| 香蕉国产在线看| 亚洲精品一卡2卡三卡4卡5卡| 国产精品爽爽va在线观看网站 | 色综合婷婷激情| 免费高清视频大片| 制服人妻中文乱码| 神马国产精品三级电影在线观看 | 国产高清videossex| xxx96com| 亚洲国产毛片av蜜桃av| 国产精品成人在线| 少妇 在线观看| 亚洲熟妇中文字幕五十中出 | 男人舔女人下体高潮全视频| 在线av久久热| 99国产精品99久久久久| 国产xxxxx性猛交| 无人区码免费观看不卡| 国产精品乱码一区二三区的特点 | 露出奶头的视频| 淫妇啪啪啪对白视频| 精品人妻在线不人妻| 亚洲成国产人片在线观看| 每晚都被弄得嗷嗷叫到高潮| 久久天躁狠狠躁夜夜2o2o| 无限看片的www在线观看| 啦啦啦 在线观看视频| 国产高清videossex| 亚洲国产精品999在线| 国产av又大| 欧美精品啪啪一区二区三区| 久久精品影院6| 日韩欧美在线二视频| 伊人久久大香线蕉亚洲五| 久久久久九九精品影院| 老司机亚洲免费影院| 久久精品影院6| 天堂影院成人在线观看| 日韩欧美国产一区二区入口| 一个人观看的视频www高清免费观看 | 久久精品aⅴ一区二区三区四区| 99香蕉大伊视频| 变态另类成人亚洲欧美熟女 | 成人手机av| 欧美精品亚洲一区二区| 国产精品av久久久久免费| 久久国产亚洲av麻豆专区| 国产一卡二卡三卡精品| e午夜精品久久久久久久| 欧美精品啪啪一区二区三区| 久久中文字幕人妻熟女| 久久 成人 亚洲| 在线免费观看的www视频| 男女高潮啪啪啪动态图| 午夜视频精品福利| 欧美人与性动交α欧美精品济南到| 精品一区二区三区视频在线观看免费 | 国产日韩一区二区三区精品不卡| av有码第一页| 久久精品亚洲熟妇少妇任你| 亚洲人成电影观看| 男人舔女人的私密视频| 国产成人欧美在线观看| 欧美午夜高清在线| 可以在线观看毛片的网站| 亚洲人成77777在线视频| www日本在线高清视频| 丝袜人妻中文字幕| 一进一出抽搐gif免费好疼 | 国产精品国产av在线观看| 日韩大尺度精品在线看网址 | 欧美中文日本在线观看视频| 国产欧美日韩一区二区三| 亚洲 欧美一区二区三区| 国产精品自产拍在线观看55亚洲| 午夜激情av网站| 亚洲色图 男人天堂 中文字幕| 99久久人妻综合| 成人三级做爰电影| 中文字幕人妻丝袜一区二区| 亚洲av成人一区二区三| 久久亚洲真实| 女人被躁到高潮嗷嗷叫费观| 成年女人毛片免费观看观看9| 一进一出好大好爽视频| 看片在线看免费视频| 亚洲av第一区精品v没综合| 国产精品亚洲一级av第二区| 久久久精品国产亚洲av高清涩受| 一a级毛片在线观看| 人人澡人人妻人| 久久久精品欧美日韩精品| 激情在线观看视频在线高清| 99在线视频只有这里精品首页| 午夜影院日韩av| www.熟女人妻精品国产| 女性生殖器流出的白浆| 一边摸一边抽搐一进一出视频| 在线观看免费日韩欧美大片| 悠悠久久av| 夜夜夜夜夜久久久久| 亚洲精品久久成人aⅴ小说| 人人妻人人添人人爽欧美一区卜| 叶爱在线成人免费视频播放| 国产精品1区2区在线观看.| 69精品国产乱码久久久| 国产又爽黄色视频| 50天的宝宝边吃奶边哭怎么回事| 免费观看人在逋| 国产亚洲精品久久久久久毛片| 国产成人av教育| 日本欧美视频一区| 午夜免费鲁丝| 亚洲av第一区精品v没综合| 一区二区三区激情视频| 国产亚洲欧美98| 国产欧美日韩一区二区三| 成人精品一区二区免费| 日韩人妻精品一区2区三区| 免费在线观看影片大全网站| 久久久久国产一级毛片高清牌| 日韩欧美三级三区| 美国免费a级毛片| 丝袜人妻中文字幕| av中文乱码字幕在线| 丰满人妻熟妇乱又伦精品不卡| 美女高潮到喷水免费观看| 亚洲一区中文字幕在线| 在线观看日韩欧美| 在线观看一区二区三区| 一级毛片精品| 久久久久久久久久久久大奶| 91字幕亚洲| 日本三级黄在线观看| 国产精品日韩av在线免费观看 | 国产精品香港三级国产av潘金莲| 欧美最黄视频在线播放免费 | 午夜91福利影院| 午夜福利在线观看吧| 日本免费一区二区三区高清不卡 | 亚洲av五月六月丁香网| 国产精品美女特级片免费视频播放器 | 国产一卡二卡三卡精品| 久久精品国产综合久久久| 丝袜人妻中文字幕| 涩涩av久久男人的天堂| 国产在线精品亚洲第一网站| 男女之事视频高清在线观看| 黄色 视频免费看| www国产在线视频色| 中文字幕人妻丝袜一区二区| 高清欧美精品videossex| 国产色视频综合| 国产在线观看jvid| 看免费av毛片| 大型av网站在线播放| 久久久久久人人人人人| 欧美中文综合在线视频| 琪琪午夜伦伦电影理论片6080| 午夜激情av网站| 无人区码免费观看不卡| 精品国产美女av久久久久小说| 色播在线永久视频| 十八禁人妻一区二区| 亚洲美女黄片视频| 夜夜躁狠狠躁天天躁| 欧美成人性av电影在线观看| 日韩免费av在线播放| 黑人猛操日本美女一级片| 精品久久久久久久毛片微露脸| 久久国产精品影院| 亚洲免费av在线视频| 91麻豆精品激情在线观看国产 | 亚洲黑人精品在线| 纯流量卡能插随身wifi吗| 美女扒开内裤让男人捅视频| 久久精品人人爽人人爽视色| 欧美成人午夜精品| 可以免费在线观看a视频的电影网站| 十八禁网站免费在线| 曰老女人黄片| 黄色片一级片一级黄色片| 婷婷六月久久综合丁香| 真人做人爱边吃奶动态| 99riav亚洲国产免费| 新久久久久国产一级毛片| 精品一区二区三区av网在线观看| 男女之事视频高清在线观看| 老熟妇仑乱视频hdxx| www.熟女人妻精品国产| 国内毛片毛片毛片毛片毛片| 老司机靠b影院| 免费久久久久久久精品成人欧美视频| 久久久久久大精品| 夜夜看夜夜爽夜夜摸 | 久久久久久久精品吃奶| 亚洲全国av大片| 亚洲精品国产色婷婷电影| 少妇裸体淫交视频免费看高清 | 少妇裸体淫交视频免费看高清 | 中文字幕另类日韩欧美亚洲嫩草| 久久香蕉精品热| 性欧美人与动物交配| 欧美日本中文国产一区发布| 黄色成人免费大全| 精品一区二区三区四区五区乱码| 宅男免费午夜| 岛国在线观看网站| 精品无人区乱码1区二区| 深夜精品福利| 久久精品亚洲熟妇少妇任你| 人人妻人人澡人人看| 午夜福利一区二区在线看| 亚洲国产欧美网| 国产精品偷伦视频观看了| 日韩成人在线观看一区二区三区| 日日摸夜夜添夜夜添小说| 免费搜索国产男女视频| 涩涩av久久男人的天堂| 高潮久久久久久久久久久不卡| 最近最新免费中文字幕在线| 在线视频色国产色| 99精品在免费线老司机午夜| 久久精品国产亚洲av高清一级|