[发明专利]一种基于中文文本情感识别的网络热点挖掘方法

说明书

技术领域

本发明属于信息技术领域，涉及一种基于中文文本情感识别的网络热点挖掘方法，主要应用于自然语言处理、数据挖掘、信息检索等领域。

背景技术

随着互联网的迅猛发展，用户数目的急剧增加，越来越多的用户乐于在网上分享自己对某事件或产品等的观点或者评价，因此网络之中涌现了大量带有主观情感的信息，获取信息中的观点并加以分析利用以及及时监控网络舆情成为最近的研究重点。对于互联网中海量的中文文本信息，单纯依靠人工处理的方法已经无法达到要求也难以做到及时响应，迫切需要计算机来实现快速获取和分析处理信息，以获取网络热点事件；此类研究逐渐成为一个研究热点，比如专利名称一种从互联网海量信息中发现热点的方法，专利号：200910028939.8；以及专利名称网络热点和舆情的检测方法，专利号：200910308542.4的技术文献，该发明通过搜集指定时间范围内的网络论坛和博客系统的文档、提取本征特征、进行褒贬倾向性分析等步骤，获知网名对热点事件的舆情观点；一种实时多角度网络热点事件分析装置及分析方法，专利号：200910071484.8，其通过网络事件信息采集、网络事件相似度比较、热点事件输出等步骤，可实时发现发布到互联网上的热点事件信息，帮助网络管理人员全面地了解网络热点事件态势。

对网络事件的网页文本信息进行分析时，按照处理文本的粒度的不同分为词语级、语句级和篇章级，按照处理文本的类别不同可分为基于新闻评论的情感分析和基于产品评论的情感分析。Wiebe和Bruce将某些词类（如代词、形容词等）、标点和句子的位置关系作为特征值，设计了针对句子级别的Bayes分类器。Wiebe在上述基础之上又将某些词性和基于词典语义项作为特征项，显著提高了分类器的分类效果。A.Hassan和D.Radev提出了基于马尔科夫随机游走模型的情感词分析方法，首先构建种子集合，通过语义相似构建候选词和种子词网络，然后通过模型判断候选词的情感极性。该方法融合了词汇之间的语义关系，但是需要构建种子词的集合，并且依赖语义资源。董喜双等人使用HowNet扩展同义词作为特征，借助最大熵模型来预测候选词情感极性，然后采用最小割模型来优化极性判定结果，由于最小割解的不唯一性，难以确定最优解。尽管当前研究取得了较大的成果，由于中文词语词义的多样性以及起步较晚的特点，中文情感分析还存在很大的不足，从而难以准确的确定当前的网络热点事件。

发明内容

针对现有技术中存在的技术问题，本发明的目的在于提出了一种基于中文文本情感识别的网络热点挖掘方法。通过计算文章的情感权值来判断情感极性，若情感值>0，则文章反映的是正向的情感；若情感值<0，则为负向的情感；若情感值=0，则为中立客观的情感，根据所有待处理文件内容的情感倾向，确定该指定时间范围内或该指定信息源的热点事件。

本发明的技术方案为：

一种基于中文文本情感识别的网络热点挖掘方法，其步骤为：

1）分别构建包含正向词语和负向词语的褒贬义词典，构建修饰程度词语的程度词典，构建用于确定否定词语的否定词典；

2）利用语法分析工具对指定时间范围内或指定信息源中设定事件的每一待处理语料文本的句子进行分词处理，得到词语的依存关系并统计每个词语的词频；

3）根据词频对分词所得词语排序，选取指定数目的词语作为主题词，将包含主题词的语句标为主题句；

4）对句子中的每一词语，判断其是否出现在该褒贬义词典中确定该词语的情感初值，并根据词语的依存关系确定出该词语的修饰程度词语和否定词语，然后根据确定出的修饰程度词语在所述程度词典的取值确定该词语的权重系数、根据确定出的否定词语数目确定该词语的极性，从而得到该词语的情感值；然后对该句子所有词语的情感值求和得到该句子的情感值；

5）将该待处理语料文本中的所有句子的情感值进行求和，得到该待处理语料文本的情感状态

6）根据所有待处理文件内容的情感倾向确定该设定事件的热度值，如果大于设定阈值，则该事件为热点事件。

进一步的，对该待处理语料文本中的每一句子，根据其在文中的位置赋予一权值系数，将每一句子的情感权值与对应的权值系数相乘，然后求和得到该待处理语料文本的情感状态。

进一步的，句子中的每个词语根据其在句子中的位置设置该词语的位置系数，如果该句子中词语的数目为L，则该句子中第一个词语和最后一个词语的位置系数为2/L，中间的词语为1/L；将词语的位置系数与该词语的当前权重系数之和作为该词语新的权重系数。