基于TSCM模型的网络短文本情感挖掘

doi:10.3969/j.issn.0372-2112.2016.08.017

电子学报 ›› 2016, Vol. 44 ›› Issue (8): 1887-1891.DOI: 10.3969/j.issn.0372-2112.2016.08.017

基于TSCM模型的网络短文本情感挖掘

黄发良¹, 李超雄¹, 元昌安², 汪焱¹, 姚志强¹

1. 福建师范大学软件学院, 福建福州 350007;
2. 广西师范学院计信学院, 广西南宁 530023

收稿日期:2014-08-25 修回日期:2015-03-09 出版日期:2016-08-25
- 作者简介:
- 黄发良 男,1975年生于湖南永州.福建师范大学软件学院副教授.研究方向为数据挖掘、智能信息系统.E-mail:huangfl@fjnu.edu.cn;李超雄 男,1991年生于福建莆田.硕士研究生,研究方向为数据挖掘与知识发现.
- 基金资助:
- 国家自然科学基金 (No.61370078，No.61363037）; 教育部人文社会科学研究青年基金项目 (No.12YJCZH074）; 福建省教育厅科技项目 (No.JA13077）

Mining Sentiment for Web Short Texts Based on TSCM Model

HUANG Fa-liang¹, LI Chao-xiong¹, YUAN Chang-an², WANG Yan¹, YAO Zhi-qiang¹

1. Faculty of Software, Fujian Normal University, Fuzhou, Fujian 350007, China;
2. School of Computer and Information Engineering, Guangxi Teachers Education University, Nanning, Guangxi 530023, China

Received:2014-08-25 Revised:2015-03-09 Online:2016-08-25 Published:2016-08-25

摘要/Abstract

摘要： 针对网络短文本情感挖掘问题，提出一种新的基于LDA和互联网短评行为理论的主题情感混合模型TSCM，TSCM模型中的整篇评论中每个句子的主题分布是不同的，TSCM产生词的流程是先确定词的情感极性，再确定词的主题，TSCM考虑了词与词之间的联系.真实数据集Movie与Amazon上的大量实验表明，与代表性算法JST、S-LDA、D-PLDA和SAS相比较，TSCM模型能对用户真实情感与讨论主题进行更加有效的分析建模.

关键词: 情感分析, 主题情感混合模型, LDA

Abstract: For sentiment analysis of web short texts,a topic sentiment combining model (TSCM) is proposed based on LDA and web review behavioral theory,which is founded on the assumption that topic distribution of each sentence in a review is unique and different from that of other sentences.Generative process of TSCM is to first determine sentiment orientation of each word and then topic of each sentence in a review while taking word relation into consideration.Extensive experiments on real-world datasets (Movie and Amazon) show that TSCM significantly outperforms JST,S-LDA,D-PLDA and SAS in terms of the accuracy of sentiment classification and topic detection.

Key words: sentiment analysis, topic sentiment mixture, latent dirichlet allocation (LDA)

中图分类号:

TP273

黄发良, 李超雄, 元昌安, 汪焱, 姚志强. 基于TSCM模型的网络短文本情感挖掘[J]. 电子学报, 2016, 44(8): 1887-1891.

HUANG Fa-liang, LI Chao-xiong, YUAN Chang-an, WANG Yan, YAO Zhi-qiang. Mining Sentiment for Web Short Texts Based on TSCM Model[J]. Acta Electronica Sinica, 2016, 44(8): 1887-1891.

参考文献

[1] Pang B,Lee L.Opinion mining and sentiment analysis[J].Foundations and trends in information retrieval,2008,2(1-2):1-135.
[2] Tang H,Tan S,Cheng X.A survey on sentiment detection of reviews[J].Expert Syst Appl,2009,36(7):10760-10773
[3] 吕品,钟珞,唐琨皓.在线产品评论用户满意度综合评价研究[J].电子学报,2014,42(4):740-746.Lv P,Zhong L,Tang K.Customer satisfaction degree evaluation of online product review[J].Acta Electronica Sinica,2014,42(4):740-746(in Chinese)
[4] Lin C,He Y.Joint sentiment/topic model for sentiment analysis[A].Proceedings of CIKM[C].New York:ACM,2009.375-384.
[5] Li F,Huang M,Zhu X.Sentiment analysis with global topics and local dependency[A].Proceedings of AAAI[C].Atlanta:AAAI,2010.1371-1376.
[6] Jo Y,Oh A H.Aspect and sentiment unification model for online review analysis[A].Proceedings of WSDM[C].NY:ACM,2011.815-824.
[7] 淘宝评价流程[EB/OL].http://wenku.baidu.com/view/1ea83bd751e79b8969022629.html,2014-08-15.
[8] Blei DM,Ng AY,Jordan MI.Latent dirichlet allocation[J].Journal of Machine Learning Research,2003,3:993-1022.
[9] Mei QZ,Ling X,Wondra M,et al.Topic sentiment mixture:Modeling facets and opinions in weblogs[A].Proceedings of WWW[C].New York:ACM,2007.171-180
[10] Titov I,McDonald R.Modeling online reviews with multi-grain topic models[A].Proceedings of WWW[C].NY:ACM,2008.111-120
[11] Dasgupta S,Ng V.Topic-wise,sentiment-wise,or otherwise? Identifying the hidden dimension for unsupervised text classification[A].Proceedings of EMNLP[C].Singapore:ACL 2009.580-589
[12] He Y.Latent Sentiment Model for Weakly-Supervised Cross-lingualSentiment Classification[M].Advances in Information Retrieval.Berlin:Springer,2011.214-225.
[13] Lin C,He Y,Everson R,et al.Weakly supervised joint sentiment-topic detection from text[J].IEEE Transactions on Knowledge and Data Engineering,2012,24(6):1134-1145.
[14] Brody S,Elhadad N.An unsupervised aspect-sentiment model for online reviews[A].Proceedings of ACL[C].Stroudsburg:ACL,2010.804-812.
[15] Moghaddam S,Ester M.ILDA:interdependent LDA model for learning latent aspects and their ratings from online product reviews[A].Proceedings of SIGIR[C].New York:ACM,2011.665-674.
[16] Moghaddam S,Ester M.On the design of LDA models for aspect-based opinion mining[A].Proceedings of CIKM[C].New York:ACM,2012.803-812.
[17] Mukherjee A,Liu B.Aspect extraction through semi-supervised modeling[A].Proceedings of ACL[C].Stroudsburg:ACL,2012.339-348.

基于TSCM模型的网络短文本情感挖掘

Mining Sentiment for Web Short Texts Based on TSCM Model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 12

编辑推荐

Metrics

[1]	陈杰, 刘学军, 李斌, 章玮. 一种基于用户动态兴趣和社交网络的微博推荐方法[J]. 电子学报, 2017, 45(4): 898-905.
[2]	许文文, 时鹏, 于留宝, 胡长军. 一种在线社交网络的自适应观点引导模型及实现[J]. 电子学报, 2016, 44(7): 1714-1720.
[3]	曹玖新, 陈高君, 吴江林, 刘波, 周涛, 胥帅, 朱子青. 基于多维特征分析的社交网络意见领袖挖掘[J]. 电子学报, 2016, 44(4): 898-905.
[4]	吴斌, 吉佳, 孟琳, 石川, 赵惠东, 李仪清. 基于迁移学习的唐诗宋词情感分析[J]. 电子学报, 2016, 44(11): 2780-2787.
[5]	欧阳继红, 刘燕辉, 李熙铭, 周晓堂. 基于LDA的多粒度主题情感混合模型[J]. 电子学报, 2015, 43(9): 1875-1880.
[6]	孙雪, 李昆仑, 韩蕾, 白晓亮. 基于特征项分布的信息熵及特征动态加权概念漂移检测模型[J]. 电子学报, 2015, 43(7): 1356-1361.
[7]	卜湛, 伍之昂, 曹杰, 朱桂祥. 在线评论情感计算与博弈预测[J]. 电子学报, 2015, 43(12): 2530-2535.
[8]	王李冬, 魏宝刚, 袁杰. 基于概率主题模型的文档聚类[J]. 电子学报, 2012, 40(11): 2346-2350.
[9]	吴永辉;王晓龙;丁宇新;徐军;郭鸿志. 基于主题的自适应、在线网络热点发现方法及新闻推荐系统[J]. 电子学报, 2010, 38(11): 2620-2624.
[10]	方娟, 张书杰, 邸瑞华, 黄河. 基于移动Agent的网格资源发现与监控技术的研究[J]. 电子学报, 2005, 33(2): 341-344.
[11]	陈力;丁晓青. 基于小波特征的单字符汉字字体识别[J]. 电子学报, 2004, 32(2): 177-180.
[12]	史媛媛;刘加;刘润生. 一种改进的线性区分分析方法及其在汉语数码语音识别上的应用[J]. 电子学报, 2002, 30(7): 959-963.