◆楊廉正 翟天智

基于情感詞典的視頻評論情感傾向分析研究

◆楊廉正1翟天智2

（1.中國人民警察大學(xué)研究生院 河北 065000；2.哈爾濱工程大學(xué)經(jīng)濟與管理學(xué)院 黑龍江 150000）

B站的誕生打造了一個由用戶自發(fā)組建和養(yǎng)生的生態(tài)系統(tǒng)，豐富了人們的生活，其中強大的彈幕互動信息以及視頻評論透漏出用戶自己的價值觀和文化多樣性。本文針對其中的視頻評論進行情感分析，主要是判斷其中的情感傾向，即正面情感、負面情感和中性情感的判斷。本文在原有的基礎(chǔ)情感詞典的基礎(chǔ)上，對B站領(lǐng)域的情感詞進行匯總和整理，構(gòu)建出領(lǐng)域情感詞典，并運用SO-PMI算法進行其中的情感傾向計算，實現(xiàn)了一個面向B站領(lǐng)域情感傾向分類系統(tǒng)。實驗數(shù)據(jù)來源于數(shù)據(jù)堂，針對抗擊肺炎專欄中的要點聚焦視頻評論進行分析，由志愿者進行人工標注后進行實驗驗證，并能夠取得較高的準確率，對B站視頻中的情感分析進行了初步探索。

B站；情感詞典；情感傾向；SO-PMI算法

1 視頻評論情感傾向及研究現(xiàn)狀

由于2020年初爆發(fā)的新型冠狀病毒肺炎成為全國人民關(guān)注的焦點，眾多社交媒體平臺專門設(shè)立了肺炎項目的專欄，能夠及時報道前線最新消息并為全國人民科普自我安全的防護知識。B站設(shè)立了抗擊肺炎的專欄，不僅有疫情速報、現(xiàn)場探訪等視頻，還有小區(qū)追蹤，能夠根據(jù)用戶的具體位置查看其城市小區(qū)的疫情分布。B站中的各種新聞報道，尤其是武漢部分社區(qū)UP主拍攝的Vlog，也引起了眾多用戶的不同聲音，同時也存在虛假信息和造謠的傳播可能會對社會層面產(chǎn)生重大影響。因此，從視頻評論文本中獲取用戶的情感傾向，并將此應(yīng)用于生活與工作有利于形成一種更大范圍的共識。本文將對抗擊肺炎的視頻評論文本中的情感傾向進行分析，實現(xiàn)一個面向視頻評論的情感傾向分析系統(tǒng)。

文本情感分析實際就是對文本信息中主觀性內(nèi)容的挖掘、處理并歸納，其中包含對物品或事件的評價，這其中摻雜了各種情感色彩，需要自然語言處理、計算機學(xué)習(xí)等多個領(lǐng)域的涉及，故近幾年才推出了一些對于文本中信息研究的檢索來推動文本傾向分析語料庫的建設(shè)。

20世紀90年代末，國外的文本情感分析才開始研究，Riloff和Shepherd構(gòu)建了基于語料庫的語義詞典[1]，Hatzivassiloglou和McKeown嘗試對英文詞語做出情感傾向判斷時考慮情感詞的處理[2]，Turney等運用點互信息法拓展基準詞的情感詞匯，然后用ISA算法分析情感傾向[3]。在近幾年中，Miao研究了基于產(chǎn)品評論的文本情感分析，并做了特征級別的分析[4]，Narayanan等對條件語句的分析做了研究，結(jié)合了各種特征以及對相關(guān)句子類別標注，收獲了不錯的效果[5]。

在國內(nèi)，情感研究分析起步相對較晚，韓忠明等提出構(gòu)建一個自動機來對短文本進行情感分析，周詠梅等采用了N-Gram方法進行分詞，運用了SO-PMI的方法計算了微博文本情感傾向值[6]。在近幾年中，聞彬、何婷婷等提出了基于語義理解的文本情感分類方法，趙妍妍等提出了基于語法路徑的情感評價單元自動識別方法?？傮w來看，已經(jīng)有許多優(yōu)秀研究者對情感分析做了深入研究，但由于中文分詞的特殊性使得中文研究相對于英文而言較復(fù)雜，目前還有很大的研究進步空間。

目前的文本情感傾向研究取得了較大的進展，多個情感傾向分析測評在國際上被推出。但隨著互聯(lián)網(wǎng)中越來越多用戶的參與，其主觀性的涉及面越來越廣，研究人員依舊需要對此進行更深一步的探索。

2 相關(guān)專有名詞介紹概述

2.1 嗶哩嗶哩彈幕視頻網(wǎng)站（www.bilibili.com）

嗶哩嗶哩（簡稱B站）誕生于2009年，是一個用戶粘連性很強的平臺[7]，憑借其強大的自身壁壘已成為國內(nèi)最大的實時彈幕網(wǎng)站，并于2018年3月在美國納斯達克成功上市。B站在年輕人眼中極受喜愛和歡迎，它獨特的二次元文化社區(qū)吸引了海量用戶，UP主進行二次創(chuàng)作使得B站在發(fā)展初期和中期占有了一定優(yōu)勢。與愛奇藝、優(yōu)酷、騰訊視頻等相比，B站是一個龐大的ACG文化集中平臺[7]，許多優(yōu)秀的UP主持續(xù)輸出優(yōu)秀的作品，打造了一個由用戶自發(fā)組建和養(yǎng)成的生態(tài)社區(qū)。在B站中用戶可以自發(fā)創(chuàng)新出一些新的視頻并保持在該平臺的活躍度，這使得B站擁有了其他平臺沒有的強大用戶流量。

B站的彈幕有著強大的互動性，不同的視頻內(nèi)容其彈幕數(shù)量不相同，實時發(fā)展的劇情推動彈幕的發(fā)展，用戶在彈幕發(fā)表自己的看法和觀點，時而表現(xiàn)出熱情或吐槽，他們有著自己的文化和價值觀，這是一種影響力，向外界發(fā)散著。他們利用自己的形式文化，以彈幕的形式來加固社群的歸屬感。

2.2 文本情感分析

文本情感分析技術(shù)[8]（也稱為意見挖掘）是指用自然語言處理、文本挖掘以及計算機語言學(xué)等方法來識別和提取原素材中的主觀信息。文本分析按照其處理文本粒度[9]不同，可大致分為詞語級、句子級和篇章級[10]。

在本文中我們主要采用詞語級的情感分析方法，主要有：

（1）基于詞典的分析方法，即建立情感詞典，將要處理對象的情感詞與情感詞典中的情感詞對比，并進行情感傾向的加權(quán)計算去判斷該詞語的情感傾向；

（2）基于網(wǎng)絡(luò)的分析方法，即利用萬維網(wǎng)查詢信息，通過計算正負極性種子詞匯之間的語義關(guān)聯(lián)度判斷出詞語的情感分類；

（3）基于語料庫的分析方法，即利用自然語言學(xué)習(xí)中的計算機技術(shù)判斷情感傾向。

2.3 文本預(yù)處理技術(shù)

文本預(yù)處理技術(shù)是判斷情感傾向的前提條件，不管在中文文本還是英文文本的情感傾向判斷中這都極為重要，在自然語言處理中屬于相對成熟的技術(shù)，對文本預(yù)處理的結(jié)果會影響我們?nèi)ミx擇相應(yīng)的文本特征，最終建立正確的文本模型。

對文本進行分詞的過程是文本預(yù)處理的第一步，即刪除那些沒有明顯情感傾向的詞，然后對該文本標注出正面情感、負面情感或中性情感，利用計算機自動處理文本?？偠灾?，文本預(yù)處理就是分詞、詞性標注、去除停用詞的過程，是判斷文本情感傾向的前提。

（1）中文分詞

在中文中以字為基本書寫單位，但在一個句子中，若通常把一個字拿出來往往不能表達出完整的意義，通常我們認為能夠表達語義的最小單位是詞。中文分詞指的是將一個或幾個詞語或是句子切分成一個個單獨的詞。一般在漢語寫作中，詞語之間沒有明顯的區(qū)分標記，分詞不同會影響語句所表達的含義，如“不要用壞了”，和“不要用壞了”，因此文本分詞對文本情感傾向性的研究影響很大。

（2）去除停用詞

停用詞[11]是指在信息檢索中，為節(jié)省存儲空間和提高搜索效率，在處理自然語言數(shù)據(jù)（或文本）之前或之后會自動過濾掉的字或詞。停用詞對文本情感傾向的判斷沒有影響，如“這”、“唉”、“啊”、“也”等。目前去除停用詞的方法主要有兩種，一是建立停用詞表，將停用詞在停用詞表中進行比對和掃描，另一種是計算某一詞語的文檔頻率，超過了一定閾值將其去除。

2.4 特征選擇

特征選擇是指從原句中選擇帶有明顯的情感傾向的特征詞，將選出的特征詞構(gòu)成特征子集并進行分類或者建立相應(yīng)模型，特征子集中會擴展與其相似度比較近的特征詞，這樣能夠使模型覆蓋詞語面積更廣，提高計算效率，避免降維中歧義的出現(xiàn)。情感分類的特征選擇實際上就是去除與停用詞或是對情感分析意義不大的詞語，找出與情感分類有關(guān)聯(lián)的特征信息，通過篩選提高情感分析的準確性。在特征選擇中，詞頻法、文檔頻次法、互信息法、信息增益法等都是比較常用的方法。

3 情感詞典相關(guān)理論介紹

3.1 情感相關(guān)術(shù)語說明以及視頻情感詞典的構(gòu)成

情感在心理學(xué)中的定義為“情感是人對客觀事物是否滿足自己的需要而產(chǎn)生的態(tài)度體驗”，是我們主觀的感覺和想法的表達[12]，它與情緒不同，情緒是人對于自己的某種需求上的體驗，而情感則指人對于社會需求上的態(tài)度體驗。在B站上，用戶看到某個視頻發(fā)表自己的評論，可能表達贊賞或者吐槽，這就有了明顯的情感傾向。

情感詞是指帶有情感色彩的詞，分為正面情感詞和負面情感詞，詞性不定，我們一般要判斷一個句子的情感傾向時都會去找其中的情感詞，如“開心”、“生氣”、“羨慕”等等。

情感傾向是指情感詞所表達的情感的方向和大小，它實際上是一種度量。我們在判斷情感傾向時要考慮兩方面，一個是情感傾向方向，即情感詞所要表達的情感是正面還是負面；另一方面是情感傾向度，即情感詞所表達情感的程度大小。所有情感詞集合起來就構(gòu)成了情感詞典，情感詞典又有褒義詞典和貶義詞典之分。

本文以B站為例，要構(gòu)建一個面向B站的視頻情感詞典，不僅要對已有的情感詞進行搜集和整理，還要建立一個視頻領(lǐng)域中的情感詞典。常見的英文情感詞典有哈佛大學(xué)整理的GI評價詞詞典、基于認知語言學(xué)的WordNet。國內(nèi)的情感分析研究處于萌芽階段，故僅有部分實用的情感詞典，目前有董振東先生開發(fā)的知網(wǎng)（HowNet）；臺灣大學(xué)整理的NTUSD；張偉、劉縉等編著的《學(xué)生褒貶義詞典》；楊玲、朱英貴編著的《貶義詞詞典》以及史繼林、朱英貴編著的《褒義詞詞典》。

在建立情感詞典時我們需要大量閱讀文獻并進行人工標注，然后對情感詞進行收集、分類和整理，非常耗時且費力。目前的通用方法是對大型語料庫集進行統(tǒng)計分析，并通過人工標注選擇具有明顯情感傾向的代表性的基準詞，然后對候選詞和基準詞進行一定的計算，歸類并得到新的情感詞，最終可以獲得新的情感詞典。在本文中，我們將構(gòu)建一個面向視頻評論的情感詞典，主要組成結(jié)構(gòu)如圖1所示。

圖1 視頻情感詞典組成圖

3.2 基礎(chǔ)情感詞典

基礎(chǔ)情感詞典包括知網(wǎng)、NTUSD和其他情感詞典。

3.3 視頻領(lǐng)域情感詞典的生成

建立視頻領(lǐng)域情感詞典要先選取基準詞，首先選用B站中抗擊肺炎欄目下的評論語料，將這些數(shù)據(jù)做文本預(yù)處理，并對詞頻統(tǒng)計排序，然后人工挑選褒義詞和貶義詞各20個，通過對這20對同義詞擴展再得到20對，文獻中提到，進行基于HowNet情感傾向?qū)嶒灂r，準確率會隨著基準詞對數(shù)的增加而提高，若選用40對基準詞時，準確率在81.37％，故我們選用了40對基準詞。選用基準詞的要求一定要保證情感詞有強烈的情感傾向，并且出現(xiàn)的頻率要足夠高，為了避免個人的思維差異，我們選用了四名志愿者參與該工作，對于有異議的詞語投票選擇票數(shù)最高的作為基準詞。

在視頻領(lǐng)域情感詞典的構(gòu)建中，我們要用到SO-PMI算法來識別情感詞：在文字預(yù)處理后選擇情感比較強烈的詞作為候選詞，將它們與基礎(chǔ)情感詞典中的詞掃描對比，若情感詞典中已有該候選詞，則結(jié)束實驗。若情感詞典中不存在該候選詞，將候選詞和早先選取的基準詞進行SO-PMI計算，根據(jù)4.3節(jié)的計算結(jié)果判斷候選詞的情感傾向，然后將其歸類，要注意舍去中性詞語。

我們通過SO-PMI算法對B站中視頻評論進行實驗，將其中和基礎(chǔ)情感詞典重復(fù)的詞語以及沒有情感傾向的中性詞語去除后，最終得到正面詞語729個，負面詞語806個，組成B站領(lǐng)域情感詞典。

4 情感傾向分析研究

4.1 有情感詞的情感傾向分析

根據(jù)第3章中情感傾向的概念，我們知道要衡量一個情感詞的情感傾向，要從兩方面分析，一是情感傾向的方向，另一個是情感傾向度。為了方便，我們將B站情感詞典中的褒義詞賦值為1，貶義詞賦值為-1，首先來分析有情感詞的情感傾向。

（1）否定詞的分析

當一個正面情感詞語前面出現(xiàn)了否定詞，其情感傾向往往是負面的，比如“我一點都不開心”，“開心”是正面情感詞語，而前面的“不”使其情感變成了負面的。但有時候有否定詞也并不一定是負面情感，如看到了健身視頻時會有評論說“我一點都不羨慕這樣的身材”，雖然“羨慕”前面有了“不”這個否定詞，但這條評論實則夸贊博主，針對這些情況要根據(jù)視頻內(nèi)容做相應(yīng)的處理。

（2）程度副詞的分析

程度副詞的使用會改變其情感傾向程度，如“完全贊同樓主”，其中“完全”加強了正面情感。不同的程度副詞修飾情感的強烈程度也不相同，中文程度副詞中有最高級、更高級、比較級和較低級這四個級別，我們對不同級別的程度副詞賦予不同大小的權(quán)值，如表1所示。

表1 程度副詞表

量級權(quán)重舉例個數(shù) 最高級2最、極其、絕對99 更高級1.75格外、出奇、太42 比較級1.5還、較、更加37 較低級0.5稍微、略顯、不怎么41

（3）感嘆詞的分析

感嘆句一般以句末感嘆號為標志，它改變情感的傾向程度，一般表示用戶表達情感的增強，本文將有感嘆詞的情感詞設(shè)置為增強兩倍的關(guān)系。在文本預(yù)處理后首先判斷該句中是否有感嘆號，如果有感嘆號，在感嘆號前找出距離它最近的情感詞并將其權(quán)值乘2。

4.2 無情感詞的情感傾向分析

在很多評論中，有時會有表情符號的評論，如用戶通過[拇指]的表情來表達贊美，或者[發(fā)怒]的表情表達不滿，還有些無情感詞的疑問句也會帶有一些感情色彩。我們將分為表情符號的分析和疑問句的分析。

（1）表情符號的情感傾向分析

B站平臺提供了很多的表情符號，大多普通用戶可選擇，還有部分會員專用表情，雖然很多評論中很少只以表情符號來單獨作為評論，但表情的加入使用戶的評論充滿了感情色彩，我們可以構(gòu)建基于B站表情符號的情感傾向判別表并賦予不同表情符號權(quán)值。構(gòu)建的情感表情符號如表2所示。

表2 B站表情符號情感表

名稱權(quán)值個數(shù)表情符號內(nèi)容 正面情感222[加油武漢][雞腿][微笑][呲牙][星星眼][喜歡][大笑][驚喜][打call][點贊][鼓掌][奮斗][愛心][錦鯉][勝利][加油][保佑][支持][擁抱][老鼠][2020][福到了] 114[口罩][笑][OK][害羞][調(diào)皮][喜極而泣][偷笑][秒啊][滑稽][思考][墨鏡][干杯][抱拳][響指] 負面情感-213[嫌棄][大哭][奸笑][陰險][靈魂出竅][疼][生病][吐][翻白眼][難過][抓狂][生氣][跪了] -124[哦呼][酸了][無語][疑惑][捂臉][囧][呆][摳鼻][驚訝][哭笑][doge][吃瓜][尷尬][冷][委屈][傲嬌][嚇][噓聲][捂眼][再見][哈欠][撇嘴][怪我咯][黑洞]

（2）疑問句的情感傾向分析

疑問句分為一般疑問句和反義疑問句。一般視頻評論中只有極少數(shù)一般疑問句，它所表達的僅是用戶的疑惑，不帶有情感傾向，就像陳述句多加了一個問號，故本文將這類句子判為中性句子，不存在情感傾向。而反義疑問句多用于強調(diào)，表達用戶強烈的情感。如“怎么會不感動呢”能把用戶的感動的思想表達得更鮮明。我們將“為什么”、“憑什么”、“怎能”、“何必”等等這類詞稱為反問標志詞，將問號的權(quán)值設(shè)置為-2。不管是哪類疑問句它們的句末都會有問號標志，本文在處理疑問句的情感傾向問題時同處理感嘆句相同，首先找到是否有問號標志，若有問號，向前查找是否有反問標志詞，若有則將其權(quán)值乘-2，若無則尋找其他特征詞。

4.3 情感傾向的加權(quán)計算

由于B站視頻評論中不一定所有評論都是文字形式，可能會有帶表情符號的評論或者不同詞語修飾情感詞的情況，為了方便計算情感傾向，我們將表情符號的情感傾向程度加入所建立的B站情感詞典中。

經(jīng)過文本預(yù)處理后的視頻評論，先識別不同情感極性的特征詞，根據(jù)4.2中是否有情感詞的情況進行相應(yīng)的處理，獲取每條評論中特征詞的權(quán)重，最后進行求和求出該句的情感傾向。

我們將視頻評論以每句作為一個單位，若句子中有情感詞被程度副詞修飾時，可能會加大其情感傾向，同理，若句子后面出現(xiàn)感嘆號也會加大其情感傾向。這時我們要計算它們的情感傾向權(quán)值，用到以下公式：

若有句子中的情感詞被否定詞修飾時，該情感詞的情感傾向權(quán)值公式為：

而每句中可能有k個情感詞，故該句子的情感傾向度的計算公式為：

含有n個句子的評論的最終情感傾向公式為：

根據(jù)上述公式，我們得到的最終結(jié)果可能有三種情況：

5 情感詞典分析的實驗數(shù)據(jù)及結(jié)論

5.1 實驗數(shù)據(jù)介紹

本文的數(shù)據(jù)是由數(shù)據(jù)堂提供，數(shù)據(jù)堂專注于數(shù)據(jù)采集，能夠減少人工采集數(shù)據(jù)所需時間，提高實驗效率。本文選用的測試數(shù)據(jù)來源于B站中的抗擊肺炎的專欄中的最新要點聚焦視頻共計6個，其中評論共計2389條。

首先選用6位志愿者，每人分別對2389條評論進行主觀的情感傾向判斷，讓每人明確正面情感、中性情感和負面情感的句子，然后根據(jù)分類結(jié)果進行統(tǒng)計，為了避免個人的思維差異，每條評論以情感傾向支持票數(shù)最多的為準，最終結(jié)果為：正面情感數(shù)目1271條，中性情感數(shù)目532條，負面情感數(shù)目586條。

根據(jù)最終結(jié)果，我們發(fā)現(xiàn)各個評論在情感傾向上分布不算均衡，對于本文選取的視頻，大多用戶發(fā)表的正面情感傾向的評論居多。

5.2 實驗性能評估指標

本文采用準確率和召回率這兩個指標來分析。準確率p是正確的數(shù)目占其所屬該類的比值，它反映了情感分類的準確性，計算公式為：

召回率是r判斷正確的類別數(shù)目占應(yīng)該判斷為該類別的數(shù)目的百分比，它的計算公式為：

5.3 實驗結(jié)果及分析

本文主要構(gòu)建了B站領(lǐng)域的情感詞典，介紹了有無情感詞的處理方法以及SO-PMI算法，為了驗證這些處理方法的效果，我們做了兩組實驗：第一組實驗，我們要用到在第3.3節(jié)中構(gòu)建的視頻領(lǐng)域情感詞典，在此基礎(chǔ)上我們僅采用有情感詞時的處理方法，得到表3所示結(jié)果。

表3 只對有情感詞的情況進行處理的結(jié)果

評估指標正面情感中性情感負面情感 準確率p召回率rF1值0.6900.6820.6860.6310.8350.6930.7230.6660.686

第二組實驗中，我們在第一組實驗基礎(chǔ)上，加入無情感詞情況下的處理方法，得到如表4所示結(jié)果。

表4 加入無情感詞的情況下處理的結(jié)果

評估指標正面情感中性情感負面情感 準確率p召回率rF1值0.7230.7180.7200.6750.8500.7520.7360.6880.711

通過實驗得到結(jié)論：

（1）通過構(gòu)建新的B站領(lǐng)域的情感詞典，我們更容易判斷每條評論的情感傾向，所建立的視頻情感詞典覆蓋面越廣泛，我們所得出的結(jié)論越精確。

（2）與原本的只考慮有情感詞的情況下情感傾向判別相比，加入了無情感詞情況的判別，準確率會有提升。

（3）通過賦予表情符號的權(quán)值，以及對有無情感詞的一些特征詞做相應(yīng)的處理，能夠避免一些有爭議的判斷，而在抗擊肺炎的專欄視頻中，大多評論的表情符號表現(xiàn)出正面情感。

（4）一些中性情感的判別準確率相對于其他兩類而言不算太高，主要是由于不同的情感詞在不同語境中表達的情感不同，一些情感詞的出現(xiàn)可能導(dǎo)致普通的陳述句被判斷為有情感傾向。

6 結(jié)語

本文主要針對B站抗擊肺炎專欄的視頻評論進行情感分析，并對情感領(lǐng)域的一些相關(guān)概念作了介紹，構(gòu)建了B站領(lǐng)域情感詞典，實現(xiàn)了面向B站情感傾向分析的系統(tǒng)，數(shù)據(jù)選用數(shù)據(jù)堂語料，并對人工標注的視頻評論進行驗證，取得了一定的效果。

[1]RiloffE，Shepherd J. A corpus-based approach for building semantic lexicons. in：Proceedings of the secong conference one mpirical methods innatural language processing[J]. 1997：117-124.

[2]Hatzivassiglouv，McKeownK R. Predicting the semantic orientation of adjectives. in：Proceeding the 35th annual meeting of the European Chapter of the ACL[D]. Morristown，NJ，USA： ACL，1997：174-181.

[3]Turney PD，Littman M 1. Measuring Praise and Critism Inference of Semantic Orientation from As sociation[J]. ACM Trans on Information Systems，2003，21（4）：315-346.

[4]Qingliang Miao，Qiudan Li，Ruwei Dai. AMAZING：A sentiment mining and retreval system[J]. Expert Systems with Applications：An International Journal，2009，36（3）：7192-7198.

[5]Ramanthan Narayanan，Bing Liu，Alok Choudhard. Sentiment Analysis of Conditional Sentences[D]. in：Proceedings of the 2009 Conference on EMNLP.Morristown，USA：ACL，2009：180-189.

[6]韓忠明，張玉沙，張慧，等. 有效的中文微博短文本傾向性分類算法[J]. 計算機應(yīng)用與軟件，2012，29（10）：89-93.

[7]文蕾. 嗶哩嗶哩彈幕視頻網(wǎng)站的使用與滿足理論研究[D]. 西南交通大學(xué)，2016.

[8]魏慧玲. 文本情感分析在產(chǎn)品評論中的應(yīng)用研究[D]. 北京交通大學(xué)，2014.

[9]李巖. 文本情感分析中關(guān)鍵問題的研究[D]. 北京郵電大學(xué)，2014.

[10]全湘溶. 中文評論多級情感分析系統(tǒng)的研究與實現(xiàn)[D]. 北京郵電大學(xué)，2015.

[11]馬治濤. 文本分類停用詞處理和特征選擇技術(shù)研究[D]. 西安電子科技大學(xué)，2014.

[12]崔連超. 互聯(lián)網(wǎng)評論文本情感分析研究[D]. 山東大學(xué)，2015.

2020-2021河北省社會科學(xué)基金項目（HB20MK027）