張冬慧，程顯毅

(1.北京信息科技大學(xué) 計(jì)算中心，北京 100192； 2.南通大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,江蘇 南通 226019)

認(rèn)知視角下的輿論觀點(diǎn)句情感計(jì)算

張冬慧1，程顯毅2

(1.北京信息科技大學(xué) 計(jì)算中心，北京 100192； 2.南通大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,江蘇 南通 226019)

針對(duì)目前觀點(diǎn)分析方法局限于傳統(tǒng)的文本分析技術(shù)，只能將輿論觀點(diǎn)句分為肯定和否定兩極或確定每一極的程度(粗粒度)，不能進(jìn)一步給出輿論觀點(diǎn)句是積極的還是消極的程度的問題。本文從認(rèn)知學(xué)角度研究細(xì)粒度語(yǔ)義情感計(jì)算框架。提出了一種輿情觀點(diǎn)句的定量分析方法，該方法將對(duì)于某話題的文本集合作為輸入，輸出一個(gè)實(shí)數(shù)表示文本中所表達(dá)觀點(diǎn)的能量。本文在NLPIR共享平臺(tái)上進(jìn)行了相關(guān)實(shí)驗(yàn)，給出了粗粒度情感和細(xì)粒度情感對(duì)觀點(diǎn)句識(shí)別的對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)表明，兩種方法對(duì)觀點(diǎn)句的識(shí)別性能相差不大；對(duì)非觀點(diǎn)句細(xì)粒度方法好于粗粒度方法。

認(rèn)知；情感計(jì)算；輿論觀點(diǎn)句；觀點(diǎn)的能量；消極；積極；語(yǔ)義；粗粒度；細(xì)粒度

當(dāng)前，計(jì)算文本情感主要采用情感詞加權(quán)、語(yǔ)義模式等技術(shù)[1]。語(yǔ)義模式技術(shù)，首先提取句子情感特征，然后確定句子的情感色彩，但是語(yǔ)義模式方法對(duì)于沒有明顯情感詞的句子，無(wú)法判斷句子的情感傾向程度。

文獻(xiàn)[2]從認(rèn)知學(xué)角度出發(fā)，考慮到情緒和認(rèn)知的關(guān)系，提出一種文本情感計(jì)算的認(rèn)知模型，該模型核心是引入了情感圖式，但情感圖式的構(gòu)造主要以手工標(biāo)注為主，缺少推理功能。任巨偉等[3]在文獻(xiàn)[2]的基礎(chǔ)上提出了一種新的情感圖式構(gòu)造方法，利用上下位關(guān)系并結(jié)合認(rèn)知語(yǔ)境擴(kuò)充圖式，增加圖式的推理功能。但文獻(xiàn)[3]沒有區(qū)分情感和情緒，不利于輿論觀點(diǎn)句的情感計(jì)算。

在觀點(diǎn)句的情感計(jì)算中，僅僅計(jì)算語(yǔ)句的肯定或否定還不夠，需要知道肯定或否定的趨勢(shì)，即是積極的還是消極的[4]。

本文首先依據(jù)認(rèn)知學(xué)原理，將傳統(tǒng)的情感細(xì)分為：情感、情緒和感受3類。區(qū)分后的情感稱為細(xì)粒度情感，區(qū)分前的情感稱為粗粒度情感；然后再將細(xì)粒度情感細(xì)分為輿論觀點(diǎn)和意見評(píng)價(jià)兩個(gè)子類,最后關(guān)注輿論觀點(diǎn)的情感計(jì)算。該方法輸入的是某一話題的文本集合，輸出是[-1,1]的實(shí)數(shù)，其中正數(shù)表示積極的態(tài)度，負(fù)數(shù)表示消極的態(tài)度，絕對(duì)值越大表示態(tài)度越強(qiáng)烈。研究的動(dòng)機(jī)有兩個(gè)：1)觀點(diǎn)態(tài)度識(shí)別在輿情分析中需求迫切；2)從細(xì)粒度語(yǔ)義角度進(jìn)行情感計(jì)算。

1 感覺、感受、情緒和情感

1.1 感覺

感覺指人腦對(duì)直接作用于感覺器官的客觀事物的某些屬性的反應(yīng)。感覺是認(rèn)識(shí)活動(dòng)的開端，是人認(rèn)識(shí)客觀事物的第1步。其要點(diǎn)是：1)客觀事物直接作用于感覺器官；2)是對(duì)客觀事物個(gè)別屬性的反應(yīng)。如我的身高屬于我這個(gè)人的個(gè)別屬性。我衣服的顏色屬于衣服的個(gè)別屬性。顏色這個(gè)個(gè)別屬性直接作用于你的感覺器官，就是眼睛，具體說是視網(wǎng)膜上的視細(xì)胞，接收信息的器官叫做感受器。感受器接受信息后，經(jīng)傳入神經(jīng)，傳輸?shù)酱竽X中樞，與大腦中樞已有的顏色的概念結(jié)合，得出這是紅色。這就是感覺[5]。

常用描述感覺的詞包括：冷、熱、亮、暗、臭、香、痛、癢等。

1.2 感受

感覺產(chǎn)生的同時(shí)，還有一定的感受。你覺得我的衣服怎么樣？漂亮還是難看？這就是你產(chǎn)生的感受。所有的人產(chǎn)生一樣的感受嗎？有人就覺得這件衣服不好看不適合我，有人就覺得我穿紅顏色很好看。如果我們的感覺器官神經(jīng)系統(tǒng)沒有問題，所產(chǎn)生感覺的結(jié)果基本會(huì)相同，感受卻可能不同[6]。

在感覺的基礎(chǔ)上加上了主觀判斷而產(chǎn)生的心理現(xiàn)象稱為感受。對(duì)同樣的客觀事物，不同個(gè)體可能會(huì)產(chǎn)生不同的感受，即使是同一個(gè)體，在不同的時(shí)候?qū)ν皇挛镆矔?huì)產(chǎn)生不同的感受[7]。當(dāng)客觀事物直接作用于個(gè)體的感覺器官時(shí)，首先產(chǎn)生的是感覺，之后才有了感受，一般情況下感覺大體是相同的，感受卻大不相同。比如春天看到田野到處是盛開的油菜花，有人覺得漂亮，想多看幾眼，有人沒覺得有什么特別，這就是感受。

常用描述感受的詞包括：尊重、敬仰、欣賞、鄙視、舒服、滿意、幸福、難過、安全、快樂等。

1.3 情緒

伴隨著感受又會(huì)出現(xiàn)高興或厭煩的體驗(yàn)，這時(shí)又產(chǎn)生了另一種心理現(xiàn)象，就是情緒，是感受的外部表現(xiàn)。情緒沒有對(duì)錯(cuò)，不同的感受就會(huì)有不同的情緒。感受是內(nèi)在的，通過情緒表現(xiàn)出來(lái)，讓人能夠覺察到。人的面部表情，說話的音調(diào)、節(jié)奏，肢體，還有走路的步伐等都滲透著情緒。如：當(dāng)人憤怒的時(shí)候眉毛會(huì)立起來(lái)，恐懼時(shí)會(huì)大喊。于是通過人的外部的情緒表現(xiàn)，可以推測(cè)人的內(nèi)在感受。面對(duì)客觀事物時(shí)，首先產(chǎn)生的是感覺，然后是感受，最后發(fā)生的是情緒。但通常情況下是很難區(qū)分的。如：我看到老公醉醺醺的回來(lái)，臉立即拉下來(lái)了，直接表達(dá)了情緒。其實(shí)是先看到他走路歪歪扭扭，然后聽到他說話結(jié)結(jié)巴巴，又聞到濃濃的酒味，這些都是感覺。心里想，又喝醉了，幾乎每天都是這樣，我非常不滿，這是感受。我很生氣，甚至憤怒，這是情緒。外部表現(xiàn)是拉著臉，瞪著他或不理他。往往直接暴露的就是情緒。三者是密切聯(lián)系在一起的，甚至有時(shí)感到同時(shí)發(fā)生。而情緒的發(fā)生又會(huì)影響到感官的工作狀態(tài)。如：面對(duì)突發(fā)事件時(shí)，有人呆若木雞，有人急中生智。因此說情緒是能量，當(dāng)情緒為我們服務(wù)，有助于我們達(dá)成目標(biāo)時(shí)，情緒轉(zhuǎn)化的能量分為正能量和負(fù)能量。表1列舉了部分描述情緒的詞[8]。

表1 部分描述情緒的詞

1.4 情感

1.4.1 情緒與情感的區(qū)別

從它們產(chǎn)生的基礎(chǔ)和特征表現(xiàn)上來(lái)看，情緒與情感有所區(qū)別[9]。

1)情緒。情緒出現(xiàn)較早，取決于人的生理需要，是人和動(dòng)物共有的特征。其特征是：情境性、暫時(shí)性、沖動(dòng)性、明顯的外部表現(xiàn)。

2)情感。情感出現(xiàn)晚些，取決于人的社會(huì)需要，是只有人才有的特征。情感的主要特征是：深刻性、穩(wěn)定性。情緒常隨著環(huán)境的變化而變化。情感多指內(nèi)心的體驗(yàn)，不輕易表現(xiàn)流露出來(lái)。

3)情緒與情感的聯(lián)系。情緒和情感盡管有所不同，但卻是密不可分。情感是在多次情緒體驗(yàn)的基礎(chǔ)上形成了的，并通過情緒表現(xiàn)出來(lái)；反過來(lái)，情緒的表現(xiàn)受到情感的制約。所以，情緒是情感的基礎(chǔ)，情感是情緒的深化。

1.4.2 描述情感的詞

表2列出了部分描述情感的詞語(yǔ)[10]。

表2 部分描述情感的詞

2 輿論觀點(diǎn)句

2.1 主觀情感與客觀情感

情感是人的本性，但它是主觀和客觀對(duì)立統(tǒng)一的產(chǎn)物?？陀^事物是情感產(chǎn)生的源泉，人的主觀需要是情感產(chǎn)生的內(nèi)在原因。情感作為信息加工、調(diào)節(jié)主體行為的一種方式，成為主體反映客體的特殊形式，對(duì)人的思維方式發(fā)生影響。它影響著思維的波動(dòng)性、非邏輯性、選擇性和指向性。它可以轉(zhuǎn)化為個(gè)體的思維動(dòng)機(jī)。所以，情感與“主觀性”有關(guān)也與“客觀性”有關(guān)。

所謂主觀性情感就是自己由自己的認(rèn)識(shí)、理解、看法所引發(fā)的心理反應(yīng)。就是沒有什么道理可言，自然而然地就產(chǎn)生這種感情了，不受自我控制[11]。

被觀察事物的性質(zhì)和規(guī)律不隨觀察者的意愿而改變的情感稱為客觀情感。如“股票漲了”就是客觀情感句[12]。

2.2 輿論觀點(diǎn)句

網(wǎng)絡(luò)的匿名性、開放性、平等性、交互性等特點(diǎn)不可避免地會(huì)出現(xiàn)一些不和諧“雜音”。因?yàn)樗芯W(wǎng)民都可以自由發(fā)表自己的信息或觀點(diǎn)，為了使發(fā)布的信息得到跟帖或采納，就會(huì)突出感性色彩以產(chǎn)生感染力和影響力。因此，在網(wǎng)絡(luò)空間，不加證實(shí)隨意發(fā)布信息，或有意制造假消息是不可避免的，以至于造成網(wǎng)絡(luò)欺騙，一些網(wǎng)民嘩眾取寵、使得網(wǎng)上出現(xiàn)非理性的語(yǔ)言人身攻擊、謾罵等。所以研究輿論觀點(diǎn)句判別方法成為網(wǎng)絡(luò)信息安全迫切需要解決的問題。

由于我們對(duì)情感加以限制，排除了感覺、感受和情緒的詞語(yǔ)，所以輿論觀點(diǎn)句就是包含主觀情感詞語(yǔ)的句子。

3 輿論觀點(diǎn)句情感計(jì)算

3.1 主觀特征詞本體構(gòu)建

人之所以比機(jī)器聰明，一個(gè)很重要的因素就是人有解決問題的領(lǐng)域常識(shí)或語(yǔ)境知識(shí)(本體)，在解決問題中有著特殊的作用。

本文使用的領(lǐng)域本體包括：褒貶詞典[13-14]、Hownet情感詞典[15]、臺(tái)灣大學(xué)NTUSD情感詞典[9]等詞典資源。因?yàn)榇至６惹楦性~大部分和輿論觀點(diǎn)的判別關(guān)系不大，首先去除感受詞和情緒詞，然后進(jìn)行篩選和整理，最后確定426個(gè)靜態(tài)情感詞，其中正向情感詞287個(gè)，負(fù)向情感詞139個(gè)，在此基礎(chǔ)上，增加程度副詞、否定詞、連詞、動(dòng)詞、代詞、嘆詞、疑問詞、敏感詞、網(wǎng)絡(luò)用語(yǔ)集，擴(kuò)展后的主觀特征詞匯本體并不是封閉的，在系統(tǒng)工作時(shí)，用GATE[16-17]向本體中動(dòng)態(tài)添加新的主觀特征詞。

主觀特征詞匯本體中概念層次關(guān)系如圖1所示(片段)。矩形框代表本體類別，圓框代表本體實(shí)例，每個(gè)實(shí)例附帶的數(shù)字是該特征在主觀性判別所起的作用，我們稱之為主觀性權(quán)重，取值在[-1,1]。取負(fù)表示有利于持反對(duì)觀點(diǎn)的主觀句判別，取正表示有利于持支持觀點(diǎn)的主觀句判別。本體共收錄18個(gè)否定詞、219個(gè)程度副詞、68個(gè)連詞、21個(gè)情感動(dòng)詞、17個(gè)嘆詞、25個(gè)疑問詞、210個(gè)敏感詞、185個(gè)網(wǎng)絡(luò)流行詞。

3.2 主觀句判別算法

1)對(duì)語(yǔ)料自動(dòng)分詞和詞性標(biāo)注算法[8];

2)對(duì)詞性標(biāo)注后的句子，提取全部連續(xù)的2-gram模式;

3)根據(jù)2)提取出的2-gram模式計(jì)算2-gram模式主觀性權(quán)重Onto(t)。

4)根據(jù)式(1)計(jì)算句子的主觀性權(quán)重w(S)：

式中:w(S)為句子S的主觀性權(quán)重;o為句子S的主觀性2-gram模式個(gè)數(shù)，n為S的2-gram模式個(gè)數(shù)，式(1)分子是句子主觀性系數(shù)，分母是對(duì)在句子出現(xiàn)的本體實(shí)例權(quán)重之積的歸一化。

圖1 主觀特征詞匯本體片段Fig.1 The fragment of subjective feature words ontology

如果w(S)>α，則識(shí)別句子S為主觀性句子，閾值α是一個(gè)經(jīng)驗(yàn)常數(shù)。

3.3 實(shí)驗(yàn)結(jié)果分析

1)實(shí)驗(yàn)數(shù)據(jù)

為了推動(dòng)主觀性判別的研究，北京理工大學(xué)張華平博士曾在NLPIR共享平臺(tái)分享了微博語(yǔ)料[18]，此外NLP&CC 2012評(píng)測(cè)集等[19]，極大地方便了主觀性判別的研究分析。這些語(yǔ)料評(píng)價(jià)的力度較粗，不適合本文的實(shí)驗(yàn)。所以，本文的實(shí)驗(yàn)語(yǔ)料，來(lái)自采集2016年3月10日～6月10日期間新浪微博熱門話題數(shù)據(jù)集，共包含28個(gè)熱門話題，其中每個(gè)話題約有1 000條左右的微博。采用投票策略對(duì)訓(xùn)練語(yǔ)料進(jìn)行標(biāo)注，首先由4人分別對(duì)同一個(gè)句子進(jìn)行標(biāo)注，然后由第5個(gè)人對(duì)標(biāo)注結(jié)果進(jìn)行核查，剔除意見分歧較大、主觀性不易確定的句子。為使訓(xùn)練語(yǔ)料更加平衡，本文最終收集的訓(xùn)練語(yǔ)料共包含非觀點(diǎn)句500條，觀點(diǎn)句480條，其中正能量觀點(diǎn)句250條，負(fù)能量觀點(diǎn)句230條。對(duì)語(yǔ)料2/3作訓(xùn)練，1/3作測(cè)試。

2)觀點(diǎn)句分類性能分析

表3給出了粗粒度情感和細(xì)粒度情感對(duì)觀點(diǎn)句識(shí)別的對(duì)比實(shí)驗(yàn)，粗粒度情感的觀點(diǎn)句識(shí)別采用文獻(xiàn)[20]抽取主觀模式的方法。

結(jié)果表明，兩種方法對(duì)觀點(diǎn)句的識(shí)別性能相差不大，并且準(zhǔn)確率和召回率不盡人意，可能的原因是本體的構(gòu)造還有待改進(jìn)，也可能是人為對(duì)語(yǔ)料的標(biāo)注有問題。對(duì)非觀點(diǎn)句細(xì)粒度方法好于粗粒度方法，原因是有一些非觀點(diǎn)句包含了觀點(diǎn)句的模式。

表3粗粒度情感和細(xì)粒度情感對(duì)觀點(diǎn)句識(shí)別的對(duì)比實(shí)驗(yàn)

Table3Experimentsofviewrecognitiontocomparecoarse-grainedaffectionwithfine-grainedaffection

方法準(zhǔn)確率召回率非觀點(diǎn)句觀點(diǎn)句非觀點(diǎn)句觀點(diǎn)句粗粒度98．887．576．284．1細(xì)粒度10087．898．582．5

3)觀點(diǎn)能量值計(jì)算性能分析

根據(jù)式(1)，每個(gè)句子都映射為[-1，1]的一個(gè)實(shí)數(shù)。實(shí)驗(yàn)的目的驗(yàn)證通過定量的方法來(lái)對(duì)文本分類，定量的準(zhǔn)則不同可實(shí)現(xiàn)深層次語(yǔ)義分類。由于還沒有發(fā)現(xiàn)文本定量分類的報(bào)道，所以無(wú)法實(shí)現(xiàn)對(duì)比實(shí)驗(yàn)，圖2的實(shí)驗(yàn)結(jié)果也只是個(gè)實(shí)驗(yàn)型的，希望能為文本分類提供一種新的途徑。

圖2 文本能量值分布圖Fig.2 Chart of text energy distribution

圖2橫軸為能量值，能量值為0表示該語(yǔ)句識(shí)別為非觀點(diǎn)句，能量值為負(fù)表示該語(yǔ)句識(shí)別為負(fù)能量觀點(diǎn)句，能量值為正表示該語(yǔ)句識(shí)別為正能量觀點(diǎn)句?？v軸為對(duì)應(yīng)能量值語(yǔ)句個(gè)數(shù)。將其轉(zhuǎn)換為混合矩陣(表4)。

從表4可知，正能量識(shí)別準(zhǔn)確率為32.3%，正能量識(shí)別召回率54.4%，負(fù)能量識(shí)別準(zhǔn)確率為57.0%，負(fù)能量識(shí)別召回率73.9%，非觀點(diǎn)句識(shí)別準(zhǔn)確率為68.3%，非觀點(diǎn)句識(shí)別召回率16.8%。

表4細(xì)粒度情感對(duì)觀點(diǎn)句識(shí)別的混合矩陣

Table4Themixedmatrixoffine-grainedemotiontoviewrecognition

正能量觀點(diǎn)句負(fù)能量觀點(diǎn)句非觀點(diǎn)句136882647170133764084

4 結(jié)束語(yǔ)

針對(duì)現(xiàn)有的主觀句判別多采用基于統(tǒng)計(jì)和關(guān)鍵詞的方法，導(dǎo)致結(jié)果不準(zhǔn)確的問題，從認(rèn)知角度出發(fā)，將情感分為細(xì)粒度情感、感受和情緒，在此基礎(chǔ)上構(gòu)建了主觀特征詞匯本體，給出句子級(jí)深度語(yǔ)義情感分類方法，下一步的研究就是改進(jìn)能量值計(jì)算模型，提高深度語(yǔ)義分類性能。

[1]MCKEOWN G, VALSTAR M F, COWIE R, et al. The SEMAINE corpus of emotionally colored character interactions[C]//Proceedings of IEEE International Conference on Multimedia and Expo, ICME 2010. IEEE Computer Society, 2010: 1079-1084.

[2]徐琳宏,林鴻飛.認(rèn)知視角下的文本情感計(jì)算[J]. 計(jì)算機(jī)科學(xué), 2010, 37(12): 182-185．

XU Linhong, LIN Hongfei. Text affective computing from cognitive perspective[J]. Computer science, 2010, 37(12): 182-185.

[3]任巨偉,楊亮,林鴻飛.情感圖式構(gòu)造及其在文本情感計(jì)算中的應(yīng)用[J].江西師范大學(xué)學(xué)報(bào)：自然科學(xué)版, 2013, 37(2): 130-136.

REN Juwei,YANG Liang, LIN Hongfei. The construc-tion of affective schemata and its application in text affective computing[J]. Journal of Jiangxi normal university： natural science, 2013, 37(2): 130-136.

[4]PETRANTONAKIS P C, HADJILEONTIADIS L J. A novel emotion elicitation index using frontal brain asymmetry for enhanced eeg-based emotion recognition[J]. IEEE transactions on information technology in biomedicine, 2011, 15(5): 737-746.

[5]宋靜靜. 中文短文本情感傾向性分析研究[D].重慶： 重慶理工大學(xué), 2013.

SONG Jingjing. Research on Chinese short-text sentiment analysis[D]. Chongqing: Chongqing University of Technology, 2013.

[6]程顯毅，劉穎. 基于知識(shí)圖的觀點(diǎn)句識(shí)別算法研究[J].計(jì)算機(jī)科學(xué), 2015, 2015. 42(6): 123-129.

CHENG Xianyi, LIU Ying. Research on algorithm of perspective sentence identification based on knowledge map[J]. Computer science, 2015， 42(6): 123-129.

[7]蔡艷婧,程曉紅,程顯毅. 網(wǎng)絡(luò)敏感信息動(dòng)態(tài)特征的抽取方法[J]. 常州大學(xué)學(xué)報(bào), 2014, 16(4): 80-86.

CAI Yanjing, CHENG Xiaohong, CHENG Xianyi. Research on algorithm of network sensitive inforamtion features extracting[J]. Journal of changzhou university： natural science edition, 2014， 16(4): 80-86.

[8]王志良.人工心理與人工情感[J].智能系統(tǒng)學(xué)報(bào), 2006, 1(1): 38-44.

WANG Zhiliang. Artificial psychology and artificial emotion[J]. CAAI transactions on intelligent systems, 2006, 1(1): 38-44.

[9]齊鑫.網(wǎng)絡(luò)民意對(duì)我國(guó)政府決策的影響[D].沈陽(yáng):東北大學(xué), 2010.

QI Xin. The influence of net citizen on government decision-making in China[D]. Shenyang: Northeastern University, 2010.

[10]史楊. 網(wǎng)絡(luò)輿情與公共政策議程的設(shè)置[J].云南電大學(xué)報(bào), 2011, 13(3): 55-59.

SHI Yang. Setting of internet public opinion and public policy agenda[J]. Journal of Yunnan RTV university, 2011, 13(3): 55-59.

[11]孫浩博,侯軍岐. 論我國(guó)互聯(lián)網(wǎng)種業(yè)發(fā)展[J]. 價(jià)值工程, 2016, 37(9): 327-329.

SUN Haobo, HOU Junqi. On the development of China's seed industry based on internet[J]. Value engineering, 2016, 37(9): 327-329.

[12]高云棋. 基于主題模型的輿情分析子系統(tǒng)研究與設(shè)計(jì)[D]. 成都:電子科技大學(xué), 2013.

GAO Yunqi. Research and development of opinion mining sub-system based on topic model[D]. Chengdu: University of Electronic Science and Technology of China, 2013.

[13]史繼林,朱英貴.褒義詞詞典[M].成都:四川辭書出版社, 2006: 23-28.

SHI Jilin, ZHU Yinggui. The commendatory word dictionary[M]. ChengDu: Sichuan publishers of Lexicogr-aphical, 2006: 23-28.

[14]楊玲,朱英貴. 貶義詞詞典[M]. 成都: 四川辭書出版社, 2006: 15-35.

YANG Ling， Zhu Yinggui. Derogatory term dictionary[M]. Sichuan publishers of Lexicogr-aphical, 2006: 15-35.

[15]董振東.知網(wǎng)的情感詞典[EB/OL]. (2007-10-22) [2013-12-20]. http://www.keenage.com/html/c_bulletin_ 2007.htm.

DONG Zhendong. Hownet dictionary [EB/OL]. (2007-10-22)[2013-12-20]. http://www.keenage.com/html/c_bulletin_2007.htm

[16]rongzhe. NTUSD[EB/OL].臺(tái)灣:臺(tái)北大學(xué),(2013-8-2) [2014.11-21]. http://www. datatang. com/ data/11837.rongzhe. NTUSD[EB/OL]. Taiwan: Taipei university, (2013 -8-2)[2014.11-21].http://www. datatang. com/ data/11837.

[17]王曉東,王娟,張征. 基于情感詞匯本體的主觀性句子傾向性計(jì)算[J]. 計(jì)算機(jī)應(yīng)用, 2012, 32(6): 1678-1681.

WANG Xiaodong, WANG Juan, ZHANG Zheng. Computation on orientation for subjective sentence based on sentiment words ontology[J]. Journal of computer applications, 2012, 32(6): 1678-1681.

[18]張華平. NLPIR微博關(guān)注關(guān)系語(yǔ)料庫(kù)1000萬(wàn)條[EB/OL]. (2013-10-23)[2014-11-2].http://www.datatang.com/data/14350.

ZHANG Huaping. NLPIR Weibo focused on relationship between corpus of 10 million, [EB/OL].(2013-10-23) [2014-11-2].http://www.datatang. com/data/14350.

[19]中國(guó)計(jì)算機(jī)學(xué)會(huì).中文微博情感分析評(píng)測(cè)結(jié)果[EB/OL]. 北京:北京大學(xué). (2012-11-2)[2014-9-22].http:// tcci.ccf.org. cn/conference/2012/pages/page04_evares. html.

CCF.Chinese microblog sentiment analysis evaluation results[EB/OL]. Peiking:Peiking university. (2012-11-2) [2014-9-22]. http://tcci.ccf.org. cn/conference/2012/pages/ page04_evares. html.

[20]林慧恩,林世平.中文情感傾向分析中主觀句子抽取方法的研究[C]//全國(guó)第20屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議(CACIS·2009)暨全國(guó)第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集(上冊(cè)). 上海, 2009: 379-383.

LIN Huien, Lin Shiping. Research on extracting subjective sentence in chinese sentiment orientation analysis[C]//Conference CACIS·2009. Shanhai, China, 2009: 379-383.

Researchoncomputationofaffectinpublicopinionsentencesfromthecognitionviewpoint

ZHANG Donghui1, CHENG Xianyi2

(1. Computing Center, Beijing Information Science & Technology University, Beijing 100192, China; 2. School of Computer Science and Technology, Nantong University, Nantong 226019, China )

The current viewpoint analysis method is limited to the traditional text analysis technology, whereby a public opinion sentence can only be divided into positive and negative poles and the extent of each pole (coarse-grained) determined. It is difficult to determine whether a public opinion sentence is active or passive. In this paper, we discuss a computation framework for fine-grained semantic sentiments from the cognitive science viewpoint and propose a quantitative analysis method for public opinion sentences. This method takes the text collection of some topic as input and uses a real number to represent the energy of a viewpoint in the text. We conducted an experiment using the Natural Language Processing and Information Retrieval (NLPIR) sharing platform and a contrasting experiment with respect to view recognition by comparing coarse-grained and fine-grained affects. The experimental results show that the two methods have the same recognition performance regarding sentence viewpoints. For no-opinion sentences, the fine-grained method performs better than the coarse-grained method.

cognitive; sentiment computer; public opinion sentence; energy of view;active; negative; semantic; coarse-grained; fine granularity

2016-07-23.網(wǎng)絡(luò)出版日期2017-04-05.

國(guó)家自然科學(xué)基金項(xiàng)目(61340037).

程顯毅. E-mail：xycheng@ntu.edu.cn.

10.11992/tis．201607023

http://kns.cnki.net/kcms/detail/23.1538.tp.20170405.1519.002.html

TP391.1

A

1673-4785(2017)04-0498-06

中文引用格式：張冬慧，程顯毅.認(rèn)知視角下的輿論觀點(diǎn)句情感計(jì)算J.智能系統(tǒng)學(xué)報(bào)， 2017, 12(4): 498-503.

英文引用格式：ZHANGDonghui,CHENGXianyi.ResearchoncomputationofaffectinpublicopinionsentencesfromthecognitionviewpointJ.CAAItransactionsonintelligentsystems, 2017, 12(4): 498-503.

張冬慧，女，1969年生，博士,主要研究方向?yàn)樽匀徽Z(yǔ)言處理、計(jì)算機(jī)網(wǎng)絡(luò)教育應(yīng)用、知識(shí)工程。參與出版教材2部，發(fā)表學(xué)術(shù)論文5篇。

程顯毅，男，1956年生，教授，博士，主要研究方向?yàn)橹R(shí)工程、大數(shù)據(jù)應(yīng)用、自然語(yǔ)言處理。主持國(guó)家自然科學(xué)基金2項(xiàng)、江蘇省重點(diǎn)科技攻關(guān)項(xiàng)目1項(xiàng)、省部級(jí)項(xiàng)目6項(xiàng)。獲省優(yōu)秀教學(xué)成果一等獎(jiǎng)1項(xiàng)，二等獎(jiǎng)1項(xiàng)。出版專著5部，教材3部，發(fā)表學(xué)術(shù)論文100余篇。