[发明专利]一种自动生成小说文本情感曲线并预测推荐的方法

说明书

本发明公开了一种自动生成小说文本情感曲线并预测推荐的方法，本发明的方法生成的情感曲线能更准确的反映文本情感变化状况；本发明开创性地利用小说文本的情感曲线之间的关系对小说的统计量进行预测，提供的下载量预测也具有更高的正相关性；本发明对有关小说文本的推荐也为相关推荐任务提供了一个全新的角度。主要步骤如下：对小说文本语料进行预处理后得到小说的单词列表，通过文本窗口依次算出情感分数汇聚成情感曲线；通过情感曲线计算出文本两两之间的动态时间规整距离矩阵；对动态时间规整距离矩阵使用改进的高斯过程给出下载量预测；按照动态时间规整距离大小给出相关的文本推荐。

技术领域

本发明属于计算机自然语言处理中的情感分析邻域，涉及一种自动生成小说文本情感曲线并预测推荐的方法。

背景技术

心理学研究表明，人们倾向于对那些具有熟悉模式的故事更有好感，而讨厌那些和自身的经验相悖的故事情节。Kurt Vonnegut认为，故事的情感曲线是小说阅读价值的核心体现；好的小说往往具有相似的情感变化模式。为了更好的分析小说文本的情感变化，需要生成小说文本的情感曲线并进行相关的比较分析。

有关小说文本的情感曲线生成的问题尚处在探究阶段。虽然对于段落以及短文本存在各种各样的情感分析评价方法，但是对于生成情感曲线，也就是情感分数的时间序列这一任务来说，基本上还是使用比较通用的文本采样+情感词典映射的技术组合。

在以往的相关技术中，并没有关注如何通过比较小说的情感曲线来更进一步地为文本分析提供帮助这一问题；相关的工作都只有对小说的情感曲线进行定性分析，在这些工作中为了方便分析也只采用了对定长的小说曲线(也就是具有相同时间解析度的时间序列)计算曼哈顿距离(Manhattan Distance)等方法。事实上，对于这种具有特定单独“时间轴”的数据应当使用时间序列分析方面的方法。

传统上对于距离类相关回归分析任务，并没有统一的很好的方法，尤其对于曲线间的距离这一不同于传统欧式空间中的距离。这些距离度量虽然可能可以更好地反映时间序列之间的关系，但是特定的度量可能不满足三角不等式，而使得该种度量无法简单地套用传统的机器学习方法。

发明内容

发明目的：本发明主要是针对在现有的小说文本分析中对于小说文本总体情感变化特征缺乏考虑这一问题，提出了一种能够综合考察不同文本之间的情感变化异同，并通过机器学习过程给出小说的相关统计量预测和推荐的方法。

为了解决上述技术问题，本发明公开了一种自动生成小说文本情感曲线并预测推荐的方法。该方法所有的步骤均运行于Windows平台，对来自古登堡计划(www.gutenberg.org)的小说文本数据集生成曲线，给出下载量预测并推荐。

本发明中所使用的python的spaCy工具包(spacy.io)，是由“Explosion AI”组织(twitter.com/explosion_ai)编写的一个用于自然语言处理的开源工具包。

本发明中使用的labMT情感词汇表(neuro.imm.dtu.dk/wiki/LabMT)，是PeterSheridan Dodds等人为他们的论文(arxiv.org/abs/1101.5120v3)所提供的补充材料。labMT情感词汇表取自广泛数据集，使用众包服务得到大众对主要单词的情感评分；每个单词都会获得50次以上独立评估，因此labMT情感词典的单词情感评分有广泛性和客观性。

本发明中有关传统的高斯过程的具体实施步骤，是现有的技术，在C.E.Rasmussen等人的《Gaussian Processes for Machine Learning》(MIT出版社，2006)一书中有详细叙述。