劉 陽, 高 巍, 李大舟

(沈陽化工大學(xué) 計算機科學(xué)與技術(shù)學(xué)院, 遼寧 沈陽 110142)

隨著微博的快速發(fā)展，越來越多的人習(xí)慣用微博來發(fā)表自己對事物的看法.在微博上，人們有一定的言論自由，各抒己見，因此,如果我們想要得到一個正確的觀點，就需要對大量的微博文本進行情感分析.而且隨著輿情信息越來越多，輿情的監(jiān)控也變得更加困難，所以,對微博情感分析的研究具有重要意義.

情感分析又稱傾向性分析，它是對帶有情感色彩的主觀性文本進行分析、處理、歸納和推理的過程[1].情感傾向性分析主要有以下幾個方面：中文語料處理，抽取情感詞、程度副詞及否定詞，計算情感得分.其中在中文語料處理方面，基于詞典的分詞方法雖然算法簡單，運算效率高，但是隨著互聯(lián)網(wǎng)的發(fā)展，對一些新的詞匯或符號等的加入，詞典不能及時自動更新，其弊端也逐漸暴露[2].所以，本文采用基于隱馬爾可夫模型(HMM)的維特比算法做中文分詞處理[3].在語義分析方面，基于情感詞典的情感分析方法因具有簡單、易于理解、處理速度快、情感傾向性判斷準確等優(yōu)勢利用率比較高.因此，本文利用知網(wǎng)開放的情感分析用詞語集[4]進行語義分析，計算情感得分，判斷情感傾向.

1 中文分詞

1.1 隱馬爾可夫模型

馬爾可夫模型是由俄國化學(xué)家Markovnikov于1870年提出的一種統(tǒng)計模型，在語音識別、詞性自動標注、音字轉(zhuǎn)換、概率文法等各個自然語言處理領(lǐng)域有著廣泛的應(yīng)用.馬爾可夫模型本質(zhì)上是一種隨機過程，即表示在某事件發(fā)展的過程中，每一次狀態(tài)的轉(zhuǎn)移都取決于前一時刻的狀態(tài)，與過去的狀態(tài)無關(guān)，這樣的狀態(tài)鏈稱為馬爾可夫鏈.而馬爾可夫預(yù)測法就是一種基于馬爾可夫鏈去預(yù)測事件發(fā)生概率的方法[5].

隱馬爾可夫模型是一個二重馬爾可夫隨機過程,包括具有狀態(tài)轉(zhuǎn)移概率的馬爾可夫鏈和輸出觀測值的隨機過程,其狀態(tài)只有通過觀測序列的隨機過程才能表現(xiàn)出來.隱馬爾可夫模型提供了一種基于訓(xùn)練數(shù)據(jù)的概率自動構(gòu)造識別系統(tǒng),在信息抽取領(lǐng)域己經(jīng)表現(xiàn)出很好的發(fā)展勢頭.

隱馬爾可夫模型可以用5個元素來描述，包括2個狀態(tài)集合和3個概率矩陣.

(1) 可觀測狀態(tài)O:在模型中與隱含狀態(tài)相關(guān)聯(lián)，可通過直接觀測得到.

O={o1,o2,…,on}.

(1)

其中n為可觀測值的個數(shù).

(2) 隱含狀態(tài)S：這些狀態(tài)之間滿足馬爾可夫性質(zhì)，是馬爾可夫模型中實際所隱含的狀態(tài).這些狀態(tài)通常無法通過直接觀測得到.

S={s1,s2,…,sm}.

(2)

其中m為隱含狀態(tài)個數(shù).

(3) 初始狀態(tài)概率矩陣П={πi}，表示隱含在初始時刻的概率矩陣.

(3)

其中πi表示狀態(tài)si在初始時刻的概率.

(4) 隱含狀態(tài)概率矩陣A：描述了HMM模型中各個狀態(tài)之間的轉(zhuǎn)移概率.

A=[aij]M×M,aij=Q(pt+1=sj|pt=st),

1≤i,j≤N.

(4)

其中：A是一個M×M階的狀態(tài)轉(zhuǎn)移概率矩陣；aij表示狀態(tài)si到sj之間的轉(zhuǎn)換概率.

(5) 觀測狀態(tài)轉(zhuǎn)移概率矩陣B.

B=[bj(k)]M×N,bj(k)=Q(Ht=

Ok|Pt=Sj), 1≤i≤M, 1≤k≤N.

(5)

bj(k)表示在狀態(tài)sj時刻觀測值OK的概率.

通過以上內(nèi)容可知：隱含狀態(tài)概率矩陣A和觀測狀態(tài)轉(zhuǎn)移概率矩陣B中皆有對可觀測狀態(tài)O和隱含狀態(tài)S的說明，因此，將隱馬爾可夫模型表示為λ=(П，A，B).

1.2 維特比算法

維特比算法由安德魯·維特比(Andrew Viterbi)于1967年提出，是一個特殊但應(yīng)用最廣的動態(tài)規(guī)劃算法.其用于尋找最有可能產(chǎn)生觀測事件序列的維特比路徑-隱含狀態(tài)序列,特別是在馬爾可夫信息源上下文和隱馬爾可夫模型中，利用動態(tài)規(guī)劃，可以解決任何一個圖中的最短路徑問題.而維特比算法是針對一個特殊的圖——籬笆網(wǎng)絡(luò)(Lattice)的有向圖的最短路徑問題提出的[6]，使用HMM描述的問題都可以用它來解碼，中文分詞即是其中一個.

算法實現(xiàn)主要步驟如下：

(1) 初始化，計算t=1時刻的概率，參數(shù)δt(i)表示在t時刻到狀態(tài)為i的各個節(jié)點的最大概率，即最短路徑

δ1(i)=πibi(o1),φ1(i)=0 .

(6)

(2) 迭代計算，計算t=2時刻的概率，參數(shù)φt(i)表示在t時刻到i狀態(tài)經(jīng)過的最大概率的路徑之前的一個節(jié)點，并且它將經(jīng)過的最短路徑的節(jié)點依次保存.

δ1(j)=max1?i?N[δi-1(i)aij]bj(ot),

2i?t?T, 1?j?N，

(7)

2?t?T, 1?j?N.

(8)

(9)

(10)

(4) 回溯，根據(jù)最終得出的最短路徑，依次向前回溯每個節(jié)點.

t=T-1,T-2,…,1.

(11)

1.3 利用維特比算法求解中文分詞問題

以“小明碩士畢業(yè)于中國科學(xué)院計算所”為例，將初始狀態(tài)概率矩陣Π、隱含狀態(tài)概率矩陣A和觀測狀態(tài)轉(zhuǎn)移概率矩陣B利用維特比算法求解，根據(jù)表1得到兩個矩陣δ[4][15]和φ[4][15].

δ[4][15]，其中4是狀態(tài)數(shù)(0:B,1:E,2:M,3:S)，15代表句子的總字數(shù).φ[4][15]同δ[4][15]一樣，4是狀態(tài)數(shù)(0:B,1:E,2:M,3:S)，15代表句子的總字數(shù).這里對最大概率的前一個字的狀態(tài)做記錄，就是為了下一步利用維特比算法計算完整矩陣δ[4][15]之后，對之前輸入的句子進行反向回溯，即得出最優(yōu)的狀態(tài)序列.

表1 各分詞初始狀態(tài)表Table 1 Initial state table of each participle

先對δ進行初始化，使用初始狀態(tài)概率矩陣Π和觀測狀態(tài)轉(zhuǎn)移概率矩陣B對δ二維數(shù)組進行初始化.由觀測狀態(tài)轉(zhuǎn)移概率矩陣B可以得出表2所示概率.

表2 下標0觀測狀態(tài)轉(zhuǎn)移概率矩陣Table 2 Subscript 0 observation state transition probability matrix

接下來初始化δ[i][0] 的值如表3所示.

表3 對0初始化Table 3 Initialization of 0

最后遍歷找出δ的最大值，并且記錄出φ的值：

for(size_ti=1;i<15;i++)//遍歷句子，對0已初始化結(jié)束，即從1開始

{

for(size_tj=0;j<4;j++)//遍歷可能的狀態(tài)

{δ[j][i]=MIN_DOUBLE;

φ[j][i]=-1;

for(size_tk=0;k<4;k++)//遍歷前一個字可能的狀態(tài)

{

double tmp=δ[k][i-1]+_transProb[j][sentence[i]];

If 9tmp>δ[j][i])//找出最大的δ[j][i]值

{

δ[j][i]=tmp;

φ[j][i]=k;

}

}

}

}

算法執(zhí)行完畢后，δ[4][15]和φ[4][15]的值計算完成，接下來就是要找到最優(yōu)序列.對于每個輸入的句子，根據(jù)中文分詞的規(guī)則，最后一個字的狀態(tài)只可能是 E 或者 S.本文中只要比較δ[4][15]和φ[4][15]的大小.δ[1][14]=-102.492，φ[3][14]=-101.632 ，因此,最優(yōu)路徑的起點是φ[3][14]，對此路徑進行回溯，得到序列“SEBEMBEBEMBEBEB”，進行倒序可得“BEBEBMEBEBMEBES”，進行切詞可得“BE/BE/BME/BE/BME/BE/S”，最終可得分詞結(jié)果為“小明/碩士/畢業(yè)于/中國/科學(xué)院/計算/所”.

2 情感分析

2.1 情感詞典

使用知網(wǎng)的情感分析用詞語集進行語義分析，并計算得分，根據(jù)得分的正負來判斷情感的傾向性.其中得分大于0的為正向情感、小于0的為負向情感，等于0的為中性情感.表4、表5為知網(wǎng)發(fā)布的“情感分析用詞語集(beta版)”,共12個文件.其中“中文情感分析用詞語集”與“英文情感分析用詞語集”各6個，一共包含詞語 17887個.文件中已經(jīng)將根據(jù)情感傾向分為6類，分別為“正面評價”詞語、“負面評價”詞語、“正面情感”詞語、“負面情感”詞語、“主張” 詞語、“程度級別”詞語.

2.1.1 情感詞

情感詞，是主體對于某一客體表示內(nèi)在評價的詞語，帶有強烈的情感色彩.情感詞有兩個屬性：情感極性(Emotional polarity)和強度(intensity)，其中情感極性又分為正向情感、中性情感和負向情感，見表4.正向情感和負向情感分別賦值2分和-2分.

表4 情感詞Table 4 Emotional words

2.1.2 程度副詞

程度副詞是對一個形容詞或者副詞在程度上加以限定或修飾的副詞，其本身沒有情感傾向性，但被程度副詞修飾的情感詞的情感強度會被程度副詞影響.如果忽略程度副詞對情感詞的影響，即使文本的傾向性不變，但情感傾向性的強度一定會有所偏差.程度副詞及權(quán)值見表5.

表5 程度副詞及權(quán)值Table 5 Degree adverbs and weights

2.1.3 否定詞

否定詞本身沒有情感傾向性，但否定詞能夠改變情感的傾向性，知網(wǎng)給出的詞集中沒有否定詞集，本文對日常使用的一些常用的否定詞做了匯總并將其構(gòu)建為否定詞詞典：

沒 沒有 不 不要 不曾 毋 非 莫 弗 勿 否 別 無 休 無 難以 未 未曾 未必

2.2 設(shè)計計分方法

計分方法如下：

(1)如果某語句中有情感詞，那么該語句的情感得分為：

Score=Emotional polarity×intensity

(2)如果情感詞前有程度副詞，那么該語句的情感得分將受程度副詞的影響，得分為：

Score=Score×weight

(3)如果情感詞前有否定詞，否定詞能改變語句的極性，此時的情感得分為：

Score=-Score

這里將(2)中的情感得分加負號是因為否定詞會改變語義的極性.如：“開心”，“不開心”，多了一個“不”字，整個句子的傾向性就變得完全相反了.

(4)當(dāng)一個句子中同時出現(xiàn)否定詞和程度副詞時，依次根據(jù)否定詞與程度副詞出現(xiàn)的先后順序計算得分.

3 情感傾向性分析過程

利用基于HMM的維特比算法對“這樣的酒店配這樣的價格著實不錯，我很滿意！”這句話進行中文分詞并且去除停用詞，即得到：

酒店/配/價格/著實/不錯，很/滿意

依次將處理后得到的單詞與知網(wǎng)情感詞典進行逐個查找，如果能找到，則是情感詞，記錄該情感詞的位置，表示為(詞語位置,情感詞,得分).然后以每個情感詞為基準，向前依次尋找程度副詞、否定詞，并作相應(yīng)分值計算.隨后對分句中每個情感詞的得分作求和運算.每個句子的得分再求和即得到文章的情感得分，根據(jù)分值即可分析情感傾向性.

得分計算過程如下：

(1)依次從左至右掃描詞語，得到情感詞“不錯”，得分+2并記錄詞語位置，(5，“不錯”，2).

向前依次尋找否定詞或程度副詞，找到一個程度副詞“著實”，該程度副詞的權(quán)值為1.3，計算得分1.3×2=2.6 ，更新情感得分為：(5，“著實”，2.6 ).

(2)從第5個詞繼續(xù)向后掃描詞語，得到情感詞“滿意”，得分+2并記錄詞語位置，(7，“滿意”，2 ).

(3)從位置7向前尋找否定詞或程度副詞，找到一個程度副詞“很”，該程度副詞的權(quán)值為1.3，計算得分 1.3×2=2.6 ，更新情感得分為：(7，“滿意”，2.6 ).

(4)然后從第7個位置向后尋找情感詞，直至結(jié)束.

最終這個句子的情感得分為2.6+2.6=5.2 ，為正向情感.

4 實驗結(jié)果與分析

文章主要研究的是怎樣判斷文本的情感傾向性.重點介紹了如何進行中文分詞，以及計算情感得分的方法，并通過得分來判斷情感的傾向性.通過實驗驗證了算法的有效性.實驗利用Python爬取的新浪微博文章進行測試，共計200篇文章，得分分布情況如圖1所示，情感傾向匯總?cè)鐖D2所示.

圖1 情感得分分布Fig.1 Emotional score distribution

圖2 情感傾向匯總Fig.2 Summary of emotional tendencies

由圖2可知：正向情感128篇，中性情感20篇，負向情感52篇.實驗表明：通過基于HMM的維特比算法以及基于情感詞典的情感傾向性分析方法，能有效判斷微博文本的情感傾向性，這為未來微博輿情分析提供了有效方法.

5 結(jié) 論

采用基于情感詞典的情感傾向性分析方法，有效利用了詞典中各個詞語之間的語義聯(lián)系，挖掘出情感詞，得到大量的情感詞語.但是隨著科技的發(fā)展，情感的表達方式多種多樣，比如利用表情或者符號等，因此，不能只靠單純的文本分析方法確定文章中所有情感的傾向性.未來對于這一方面還要做出很多改進，完善情感詞典，利用標點符號或表情符號等改進計分策略.