朱顥東 李雯琦

關(guān)鍵詞：微博情感;表情符;情感詞;語義規(guī)則

摘要：針對(duì)目前中文微博情感分析方法考慮因素不全面，從而導(dǎo)致情感分析結(jié)果欠佳的問題，提出一種基于語義規(guī)則和表情加權(quán)的中文微博情感分析方法.該方法在使用傳統(tǒng)情感詞典分析中文微博情感傾向的基礎(chǔ)上，在普通情感詞典中融入否定詞、程度副詞和網(wǎng)絡(luò)新詞，根據(jù)中文微博文本獨(dú)有的語言特點(diǎn)和句式特點(diǎn)，采用從詞語到分句再到復(fù)句的方式對(duì)整個(gè)中文微博進(jìn)行情感分析，進(jìn)而使用表情加權(quán)和語義規(guī)則進(jìn)行權(quán)值求和，以確定情感傾向.實(shí)驗(yàn)結(jié)果表明，較另外3種中文微博情感分析方法，該方法效果更顯著，其平均準(zhǔn)確率為78.4%，平均查全率為75.2%，平均F值為76.7%.

Abstract：Aiming at the problem that the current Chinese micro-blog emotional analysis methods were not comprehensive， which led to poor sentiment analysis results， a Chinese micro-blog emotional analysis method based on semantic rules and expression weighting was proposed.On the basis of using traditional emotion dictionary to analyze the emotion tendency of Chinese micro-blog， negative words， degree adverbs and network neologisms were incorporated into the general emotion dictionary.According to the unique language characteristics and sentence pattern characteristics of Chinese micro-blog text， the method of emotional analysis from words to clauses and then to complex sentences was adopted to analyze the whole Chinese micro-blog.Expression weighting and semantic rules were used to perform weight summation to determine emotional tendency.The experimental results showed that compared with the other three Chinese micro-blog emotional analysis methods，the proposed method was more effective.It had an average precision rate of 78.4%， an average recall rate of 75.2%， and an average F value of 76.7%.

0 引言

伴隨著互聯(lián)網(wǎng)和社交媒體的不斷發(fā)展及廣泛應(yīng)用，其所承載和產(chǎn)生的數(shù)據(jù)信息迅速增長.微博中承載著海量有價(jià)值的信息，如何對(duì)其進(jìn)行合理的分析和利用，受到了國內(nèi)外學(xué)者的廣泛關(guān)注.用戶通過微博平臺(tái)可以隨時(shí)隨地獲取信息、表達(dá)情感，海量的微博信息包含著用戶對(duì)事件、產(chǎn)品、政策等的態(tài)度、意見和評(píng)價(jià)，對(duì)這些信息進(jìn)行情感趨向分析，能夠很好地挖掘網(wǎng)絡(luò)群體的行為規(guī)律，獲得潛在信息.因而，如何快速準(zhǔn)確地分析微博情感傾向是當(dāng)前研究的熱點(diǎn)之一.

當(dāng)前微博情感分析的主流方法為基于語義的分析方法，該方法通過情感詞典統(tǒng)計(jì)出微博文本中情感詞的情感權(quán)值，對(duì)其進(jìn)行相關(guān)運(yùn)算，計(jì)算出整個(gè)語句或文本的情感值，由此判斷微博的情感傾向.

國外的網(wǎng)絡(luò)社交媒體文本情感分析研究主要針對(duì)Twitter數(shù)據(jù).Y.Yu[1]提出了針對(duì)Twitter的情感分析方法，將從Twitter中提取的詞語與情感詞典中被標(biāo)注為正向或負(fù)向的情感詞語進(jìn)行比較，而后計(jì)算出文本的情感值.A.Pak等[2]在標(biāo)注Twitter文本情感極性數(shù)據(jù)集的基礎(chǔ)上，設(shè)計(jì)實(shí)現(xiàn)了基于樸素貝葉斯算法、支持向量機(jī)和條件隨機(jī)場的情感分類器.E.Riloff等[3]利用人工定制模板，選取種子情感詞語，運(yùn)用迭代法獲取了名詞詞性的情感詞語，以此對(duì)微博進(jìn)行情感傾向分析.

由于國內(nèi)外語言結(jié)構(gòu)和表達(dá)方式不同，中文微博的情感分析比英文微博的情感分析要復(fù)雜得多.國內(nèi)的網(wǎng)絡(luò)社交媒體文本情感分析研究主要針對(duì)新浪微博數(shù)據(jù)展開.朱嫣嵐等[4]基于HowNet中情感詞匯的情感信息，通過語義相似度和語義相關(guān)場來計(jì)算詞語情感傾向，以提高情感分析的準(zhǔn)確率.譚皓等[5]引進(jìn)表情符和注意力機(jī)制，將表情符和詞語同時(shí)訓(xùn)練，使用表情加權(quán)與普通情感詞相結(jié)合的方式進(jìn)行情感分類.李繼東[6]結(jié)合普通情感詞典和語義規(guī)則計(jì)算感情值，對(duì)中文微博進(jìn)行情感分析.王文等[7]基于普通情感詞典計(jì)算語義相似度，考慮正面情感增強(qiáng)因素，綜合表情和語義規(guī)則獲得情感傾向結(jié)果.劉志明等[8]通過對(duì)比3種機(jī)器學(xué)習(xí)算法、3種特征權(quán)重計(jì)算方法和3種特征選擇算法后發(fā)現(xiàn)，使用支持向量機(jī)、詞頻-逆文本頻率（TF-IDF）和信息增益（IG）選擇特征項(xiàng)權(quán)重時(shí)，情感傾向分析效果最佳.但是上述研究對(duì)于影響中文微博情感傾向分析結(jié)果的因素考慮不夠全面，導(dǎo)致情感傾向分析結(jié)果欠佳.

鑒于此，本文擬提出一種基于語義規(guī)則和表情加權(quán)的中文微博情感分析方法，根據(jù)中文微博特有的語言特點(diǎn)，在情感詞典的基礎(chǔ)上，融入語義規(guī)則和表情符號(hào)，計(jì)算文本情感值以確定微博情感傾向，以期有效改善中文微博情感分析結(jié)果.

1 中文微博情感分析方法與流程

中文微博情感分析方法的流程一般分為以下4個(gè)步驟：

1）通過微博爬蟲和API接口獲取微博語料信息;

2）對(duì)獲取的微博數(shù)據(jù)進(jìn)行預(yù)處理，通過中文分詞將微博文本中的句子劃分為詞語，并進(jìn)行詞性標(biāo)注;

3）對(duì)微博文本情感詞和常用的表情符號(hào)進(jìn)行抽取和極性標(biāo)注;

4）借助情感詞典和語義規(guī)則計(jì)算情感值，對(duì)其進(jìn)行加權(quán)處理，根據(jù)最終情感值將微博文本劃分為正向、中性和負(fù)向3類.

中文微博情感分析流程如圖1所示.

1.1 中文微博語料的收集和文本預(yù)處理

中文微博數(shù)據(jù)的獲取方法主要有兩種：一種是通過爬蟲獲取微博數(shù)據(jù)，將解析到的數(shù)據(jù)流內(nèi)容轉(zhuǎn)換成文本存入數(shù)據(jù)庫，該方法可以收集大量的微博數(shù)據(jù)，但受限于訪問速度，且需要下載大量的頁面，因而效率不高;另一種是利用微博官方API獲取數(shù)據(jù)[9]，但如果僅使用API接口，所采集到的數(shù)據(jù)范圍不夠廣泛，并且微博API開放接口會(huì)限制每段時(shí)間的請(qǐng)求次數(shù)，而過度或者惡意調(diào)用又會(huì)對(duì)微博平臺(tái)性能產(chǎn)生不良影響.

因此，本文使用爬蟲與API接口相結(jié)合的方式來獲取微博數(shù)據(jù)，而后對(duì)其進(jìn)行預(yù)處理.對(duì)沒有價(jià)值的信息進(jìn)行降噪處理，如刪除微博中的廣告、具有轉(zhuǎn)發(fā)性質(zhì)的微博、只含有表情符號(hào)的微博等.本文運(yùn)用當(dāng)前使用頻率較高、性能較穩(wěn)定、準(zhǔn)確率較高的jieba組件（Python版）對(duì)獲取的微博文本進(jìn)行分詞處理，并分析詞法，標(biāo)注詞性.

1.2 微博文本表情符號(hào)標(biāo)注

表情符號(hào)直接影響著微博這種短文本的最終情感分析結(jié)果.中文微博中常常存在大量的表情符號(hào)，其中使用最為廣泛的就是微博中的默認(rèn)表情符和輸入法中自帶的emoji表情符[10].這些表情符大多具有明顯的情感傾向，在輸入表情符號(hào)時(shí)，會(huì)出現(xiàn)相對(duì)應(yīng)的標(biāo)注，可以利用它們進(jìn)行明確的情感傾向劃分.

對(duì)于表情符號(hào)的情感分析研究主要有3種方式：將文本中表情符的情感極性直接作為句子的情感極性，忽略文本信息對(duì)情感極性的影響;將表情符和情感詞視為相同級(jí)別的元素，賦予相同的權(quán)值進(jìn)行情感極性計(jì)算;將表情符和文本視為相同級(jí)別的元素，但使用不同的權(quán)值對(duì)微博情感極性進(jìn)行計(jì)算[11].本文選擇第3種方式對(duì)微博的情感值進(jìn)行計(jì)算.通過人工方式選擇微博常用的表情符號(hào)，刪除其中不具有情感傾向的表情符號(hào).常用表情符情感傾向標(biāo)注如表1所示.

除了對(duì)表情符號(hào)進(jìn)行情感極性標(biāo)注，本文對(duì)表情符號(hào)的情感強(qiáng)度也進(jìn)行了相應(yīng)的標(biāo)注.利用王文等[7]對(duì)正向和負(fù)向表情情感權(quán)值的定義，正向表情情感權(quán)值在（0，1]區(qū)間內(nèi)取值，負(fù)向表情情感權(quán)值在[-1，0）內(nèi)取值，部分表情符號(hào)及其權(quán)值如表2所示.

1.3 微博文本情感詞的抽取和標(biāo)注

微博文本情感詞的抽取和標(biāo)注離不開情感詞典.在情感分析領(lǐng)域，目前使用較為廣泛的情感詞典有知網(wǎng)的HowNet情感詞典、大連理工大學(xué)詞匯本體庫和臺(tái)灣大學(xué)的中文情感詞典[12].

三者各有優(yōu)缺點(diǎn)，HowNet情感詞典和中文情感詞典對(duì)正向和負(fù)向情感詞進(jìn)行了細(xì)致的劃分，但未標(biāo)注情感詞詞性及其情感權(quán)值，而詞匯本體庫雖然不如HowNet情感詞典詞匯豐富，卻對(duì)詞性和情感權(quán)值都進(jìn)行了標(biāo)注.因此，本文將融合HowNet情感詞典和詞匯本體庫來確定情感詞的極性及其情感權(quán)值，并在此基礎(chǔ)上，針對(duì)微博文本特點(diǎn)，加入否定詞詞庫、網(wǎng)絡(luò)新詞詞庫和程度副詞詞庫，以提高情感分析的準(zhǔn)確性.

在對(duì)網(wǎng)絡(luò)新詞進(jìn)行詞性標(biāo)注時(shí)，引入PMI算法，通過計(jì)算基準(zhǔn)詞與網(wǎng)絡(luò)新詞之間的相似度來判斷其情感極性，具體公式為若SO-PMI（word1）>0，則網(wǎng)絡(luò)新詞word1為正向情感詞匯，否則為負(fù)向情感詞匯.

在對(duì)微博進(jìn)行情感分析時(shí)，應(yīng)充分考慮到微博文本中程度副詞和否定詞對(duì)情感極性判定的影響.程度副詞會(huì)加重或減輕微博情感傾向的程度，根據(jù)藺璜等[13]對(duì)程度副詞的特點(diǎn)、范圍和分類的研究，將程度副詞分為4個(gè)級(jí)別，即極度、高度、中度和微度，如果某個(gè)情感詞語前出現(xiàn)多個(gè)程度副詞，只對(duì)其前面出現(xiàn)的3個(gè)以內(nèi)程度副詞進(jìn)行權(quán)值求積，超出3個(gè)的程度副詞按無效詞處理.否定詞在情感分析中的作用更是不容小覷，若一個(gè)分句中存在兩個(gè)否定詞，雙重否定則表示為否定之否定即肯定.因此，本文將否定詞的權(quán)值設(shè)置為負(fù)值，用累乘的方式來計(jì)算其情感權(quán)值[14].部分網(wǎng)絡(luò)新詞、程度副詞和否定詞示例見表3—表5.

1.4 語義規(guī)則

中文的微博情感分析不同于英文微博，不僅要考慮情感詞（表情符、否定詞、網(wǎng)絡(luò)新詞和程度副詞）的權(quán)值，還要考慮語義規(guī)則對(duì)整體情感分析的影響[15].本文的語義規(guī)則主要包括句型關(guān)系語義規(guī)則和句間關(guān)系語義規(guī)則.

1.4.1 句型關(guān)系語義規(guī)則

在進(jìn)行情感分析時(shí)，先根據(jù)標(biāo)點(diǎn)符號(hào)將復(fù)句分割成若干個(gè)小的分句，再對(duì)每個(gè)分句進(jìn)行分析.用戶在發(fā)布微博時(shí)，常用的句型主要有陳述句、問句和感嘆句.陳述句對(duì)整體的情感影響不大;問句又分為反問句和疑問句，反問句會(huì)使整個(gè)句子的情感傾向從正向變?yōu)樨?fù)向或者從負(fù)向變?yōu)檎?，疑問句通常只是傳遞疑惑的態(tài)度，句子本身無情感變化;感嘆句具有加強(qiáng)情感傾向的作用[16].如果用si來表示整個(gè)句子的影響權(quán)值，那么這3種句型的影響權(quán)值如下：陳述句si=1;疑問句si=0，反問句si=-1.5;趙天奇等[17]研究發(fā)現(xiàn)，當(dāng)感嘆句si=2時(shí)合格率最大，本文根據(jù)目前中文微博的語言習(xí)慣，對(duì)其研究成果進(jìn)行改進(jìn)，如果感嘆句的尾部只有1個(gè)或2個(gè)感嘆號(hào)，則si=2，如果有3個(gè)或3個(gè)以上感嘆號(hào)，則si=3.

1.4.2 句間關(guān)系語義規(guī)則

除句型關(guān)系外，句間關(guān)系也會(huì)對(duì)情感分析產(chǎn)生重要的影響.在中文的日常表達(dá)中，復(fù)句存在眾多句間關(guān)系，如并列關(guān)系、遞進(jìn)關(guān)系、選擇關(guān)系、轉(zhuǎn)折關(guān)系、假設(shè)關(guān)系、條件關(guān)系、因果關(guān)系等，本文僅對(duì)中文微博中出現(xiàn)頻率較高的轉(zhuǎn)折、遞進(jìn)和假設(shè)3種句間關(guān)系進(jìn)行權(quán)值分析.通常使用集合{C1，C2，…，Ci，Cj…，Cn}來表示整個(gè)復(fù)句，其中Ci用于表示復(fù)句中的分句，S（Ci）用于表示影響權(quán)值.

1） 轉(zhuǎn)折關(guān)系影響權(quán)值：對(duì)于存在轉(zhuǎn)折詞“但是”“然而”“卻”的句型，其情感表達(dá)的重點(diǎn)在后半句，因此其S（Ci）=0，S（Cj）=1;對(duì)于只有一個(gè)轉(zhuǎn)折前接詞（如“盡管……”）的句型，其情感表達(dá)的重點(diǎn)在含有轉(zhuǎn)折詞的分句中，因此其S（Ci）=1，S（Cj）=0.

2） 遞進(jìn)關(guān)系影響權(quán)值：遞進(jìn)關(guān)系常用的關(guān)聯(lián)詞有“不但……而且”“甚至”“更”等，帶有關(guān)聯(lián)詞的句子所表達(dá)的情感更加強(qiáng)烈，所以其S（Ci）=1，S（Cj）=1.5.

3） 假設(shè)關(guān)系影響權(quán)值：如果是形如“如果……那么”的肯定句型時(shí)，前面分句的情感傾向更強(qiáng)一些，則S（Ci）=1，S（Cj）=0.5;如果是形如“如果不……就”的否定形式時(shí)，因?yàn)橛蟹穸ㄔ~，則S（Ci）=-1，S（Cj）=-0.5.

1.5 本文方法流程

根據(jù)上述分析，在對(duì)中文微博文本進(jìn)行情感分析時(shí)，首先應(yīng)對(duì)整個(gè)中文微博文本進(jìn)行詞語劃分，統(tǒng)計(jì)情感詞，然后對(duì)網(wǎng)絡(luò)新詞、程度副詞和否定詞進(jìn)行權(quán)值分析，將這些權(quán)值進(jìn)行累乘計(jì)算，再融入表情符號(hào)和語義規(guī)則進(jìn)行權(quán)值求和，以確定其情感傾向.本文提出的中文微博情感分析方法流程如圖2所示.

其中，adv表示用于修飾情感詞的情感副詞權(quán)值，Neg表示否定詞權(quán)值，new表示網(wǎng)絡(luò)新詞權(quán)值，sen表示情感詞在情感詞典中的情感權(quán)值.

整個(gè)句子的情感值需要考慮到語義規(guī)則對(duì)情感傾向的影響，首先是對(duì)于分句而言的句型關(guān)系，根據(jù)上文對(duì)句型關(guān)系的分析，以E（ti）來表示融入句型關(guān)系的分句情感權(quán)值，其計(jì)算公式為

轉(zhuǎn)折、遞進(jìn)和假設(shè)關(guān)系在復(fù)句中對(duì)情感分析有著重要的影響，對(duì)其情感權(quán)值進(jìn)行求值時(shí)，要先對(duì)各個(gè)分句的情感權(quán)值進(jìn)行求和，再乘以句型關(guān)系權(quán)值，以最終確定復(fù)句的情感權(quán)值，其計(jì)算公式為

其中，E>0.1表示微博情感傾向?yàn)檎颍翟酱髣t正向情感越強(qiáng)烈;E∈[-0.1，1]表示微博情感傾向?yàn)橹行郧楦?E<-0.1表示微博情感傾向?yàn)樨?fù)向，值越小則負(fù)向情感越強(qiáng)烈.

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)與評(píng)價(jià)指標(biāo)

為驗(yàn)證本文提出的情感分析方法的有效性，將其與文獻(xiàn)[5-7]的3種方法進(jìn)行對(duì)比實(shí)驗(yàn).采用將網(wǎng)絡(luò)爬蟲與API接口相結(jié)合的方式從新浪微博中獲取8000條微博數(shù)據(jù)，剔除無效數(shù)據(jù)，經(jīng)過篩選，有效微博為6834條，通過人工的方式將這6834條微博進(jìn)行情感標(biāo)注后得到具有正向情感傾向的微博1358條，具有中性情感傾向的微博2349條，具有負(fù)向情感傾向的微博3127條.

在信息檢索、模式識(shí)別等領(lǐng)域，準(zhǔn)確率（P）和查全率（R）是最基本的評(píng)價(jià)指標(biāo)，可以從不同側(cè)面對(duì)結(jié)果進(jìn)行質(zhì)量評(píng)估，而F值是綜合這兩項(xiàng)指標(biāo)的評(píng)估指標(biāo)，用于綜合反映實(shí)驗(yàn)結(jié)果的整體質(zhì)量.在對(duì)微博情感進(jìn)行分析時(shí)，選擇這3項(xiàng)指標(biāo)作為判別分析結(jié)果的標(biāo)準(zhǔn)，其計(jì)算公式分別為

P=TPTP+FP

R=TPTP+FN

F=2P×RP+R

其中，TP表示微博情感分析中正確分類的微博文本數(shù)量，F(xiàn)P表示檢索到但分類錯(cuò)誤的微博文本數(shù)量，F(xiàn)N表示未檢索到但屬于此類別的微博文本數(shù)量.本文使用Matlab分析計(jì)算結(jié)果.

2.2 結(jié)果與分析

4種情感傾向分析方法對(duì)6834條有效微博數(shù)據(jù)的測試結(jié)果如圖3—圖5所示.

由圖3可知，文獻(xiàn)[7]方法對(duì)中文微博分析平均準(zhǔn)確率高于文獻(xiàn)[5]方法和文獻(xiàn)[6]方法，說明在中文微博情感傾向分析中，表情加權(quán)和語義規(guī)則對(duì)情感分析具有一定的積極作用.本文方法針對(duì)中文微博的語言特點(diǎn)和獨(dú)有的表情特點(diǎn)，在結(jié)合了表情加權(quán)和語義規(guī)則的基礎(chǔ)上，又融入一些特殊的影響情感傾向的情感詞，從多個(gè)方面對(duì)情感傾向進(jìn)行分析，對(duì)情感傾向的判別具有一定的修正作用，相比較其他3種方法，本文提出的微博情感傾向分析的平均準(zhǔn)確率達(dá) 78.4%，整體上提高了情感傾向分析的準(zhǔn)確率.

由圖4可知，4種情感傾向分析方法的平均查全率都大于70%，而本文方法的平均查全率最高，為 75.2%.這是因?yàn)橹形奈⒉┍容^口語化且時(shí)效性強(qiáng)，經(jīng)常出現(xiàn)一些新興的網(wǎng)絡(luò)詞匯，而普通情感詞并不包含這些.因此，本文方法在普通情感詞中同時(shí)融合否定詞、程度副詞和網(wǎng)絡(luò)新詞的方式，對(duì)情感傾向的分析更加全面、準(zhǔn)確.

由圖5可知，本文方法的平均F值最高，為76.7%，其中中性傾向的中文微博F值整體上都低于正向和負(fù)向情感傾向的F值.這主要是因?yàn)檎蚝拓?fù)向情感傾向的中文微博通常都帶有明顯的情感傾向標(biāo)志，而中性情感傾向的中文微博容易因?yàn)橹形恼Z言特點(diǎn)造成誤判，例如“垃圾分類是一個(gè)嚴(yán)肅的問題”，“嚴(yán)肅”一詞，在情感詞典中被劃分為負(fù)向情感詞，但此文本是在闡述事實(shí)，是一種中性情感，這就影響了中性情感分析的結(jié)果.

整體而言，隨著實(shí)驗(yàn)方法中衡量微博情感傾向的因素增多，正向、中性和負(fù)向傾向的中文微博情感分析指標(biāo)都有所提高，而通過融入表情符、語義規(guī)則、否定詞、程度副詞和網(wǎng)絡(luò)新詞眾多特征后，中文微博情感傾向分析的平均準(zhǔn)確率、平均查全率和平均F值都有一定程度的提高.但即使從多方面考慮影響微博情感傾向的因素并對(duì)其偏差進(jìn)行修正，本文方法的平均準(zhǔn)確率仍未突破80%.造成這種狀況的原因可能是，用戶在發(fā)布微博時(shí)，存在語言、符號(hào)和表情濫用的情況，或者文本中存在著諷刺意味，這對(duì)微博情感傾向的分析帶來較大的干擾.

3 結(jié)語

針對(duì)目前中文微博情感分析方法考慮因素不全面，從而導(dǎo)致情感分析結(jié)果不佳的問題，本文根據(jù)中文獨(dú)特的語言方式和微博文本信息量大、時(shí)效性強(qiáng)、隨意性強(qiáng)等特點(diǎn)，充分考慮影響情感分析結(jié)果的各方面因素，提出了一種基于語義規(guī)則和表情加權(quán)的中文微博情感分析方法.該方法從微博文本的多方面特征考慮，在傳統(tǒng)情感詞的基礎(chǔ)上進(jìn)行拓展，融入了否定詞、程度副詞、網(wǎng)絡(luò)新詞，并使用表情加權(quán)和語義規(guī)則進(jìn)行權(quán)值求和確定情感傾向.實(shí)驗(yàn)結(jié)果表明，本文提出的中文微博情感分析法效果顯著，相較于其他3種分析方法，本文方法的平均準(zhǔn)確率（78.4%）、平均查全率（75.2%）和平均F值（76.7%）相對(duì)較高.但該方法對(duì)于歧義句的分析效果還不令人滿意，在對(duì)具有諷刺意味的語句進(jìn)行情感分析時(shí)，發(fā)生誤判的概率較高，后續(xù)將會(huì)結(jié)合具體領(lǐng)域和情境對(duì)中文微博情感分析做更深入的研究.參考文獻(xiàn)：

[1] YU Y.Text emotional analysis based on Twitter data[J].Information and Computer，2018，46（19）：151.

[2] PAK A，PAROUBEK P.Twitter as a corpus for sentiment analysis and opinion mining[C]∥European Language Resource Association.Proceedings of International Conference on Language Resource and Evaluation.Valletta：LREC，2010：1320.

[3] RILOFF E，WIEBE J.Learning extraction patterns for subjective expressions[C]∥Association for Computational Linguistics.Proceedings of the 2003 Conference on Empirical Methods in Natural Language Processing（EMNLP-03）.Sapporo：EMNLP，2013：105.

[4] 朱嫣嵐，閔錦，周雅倩，等.基于HowNet的詞匯語義傾向計(jì)算[J].中文信息學(xué)報(bào)，2006（1）：14.

[5] 譚皓，鄧樹文，錢濤，等.基于表情符注意力機(jī)制的微博情感分析模型[J].計(jì)算機(jī)應(yīng)用研究，2019，36（9）：2647.

[6] 李繼東.基于擴(kuò)展詞典和規(guī)則的中文微博情感分析[D].北京：北京交通大學(xué)，2018.

[7] 王文，王樹鋒，李洪華.基于文本語義和表情傾向的微博情感分析方法[J].南京理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2014（6）：733.

[8] 劉志明，劉魯.基于機(jī)器學(xué)習(xí)的中文微博情感分類實(shí)證研究[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（1）：1.

[9] 于韜，李偉，代麗偉.基于Python的新浪新聞爬蟲系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].電子技術(shù)與軟件工程，2018（9）：188.

[10]林江豪，顧也力，周詠梅，等.基于表情符號(hào)的情感詞典的構(gòu)建研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2019，29（6）：181.

[11]梁亞偉.基于表情詞典的中文微博情感分析模型研究[J].現(xiàn)代計(jì)算機(jī)（專業(yè)版），2015（21）：7.

[12]宋沛玉.面向中文微博情感分析的多特征融合方法研究[D].廣州：廣東工業(yè)大學(xué)，2018.

[13]藺璜，郭姝慧.程度副詞的特點(diǎn)范圍與分類[J].山西大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2003（2）：71.

[14]楊立月，王移芝.微博情感分析的情感詞典構(gòu)造及分析方法研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2019，29（2）：13.

[15]姜杰，夏睿.機(jī)器學(xué)習(xí)與語義規(guī)則融合的微博情感分類方法[J].北京大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，53（2）：247.

[16]陳國蘭.基于情感詞典與語義規(guī)則的微博情感分析[J].情報(bào)探索，2016（2）：1.

[17]趙天奇，姚海鵬，方超，等.語義規(guī)則與表情加權(quán)融合的微博情感分析方法[J].重慶郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，28（4）：503.

[18]王志濤，於志文，郭斌，等.基于詞典和規(guī)則集的中文微博情感分析[J].計(jì)算機(jī)工程與應(yīng)用，2015，51（8）：218.