语义知识_情感进行语义

的方法,一种是基于机器学习的方法。基于词典的方法就是构建情感词典,通过进行将未知词与情感词典中的词进行匹配,判断词进行语的情感倾向,进而判断整情感个文本语义的情感倾向。Zhang等把名词和名词短语作为产品特征,定义了相关领域的情感词典,并分为了正面评价词典和负面评价词典,建立意见挖掘模型[的提升[47]。

Gr?bner等对给定的语料,提取特定领域的语义进行相关词典,对酒店评论好差评分类准确率达到90%[48]。朱嫣岚等基于HowNet提出了基于语义相似度和基情感于语义相关场的方法,进行词汇语义倾向性计算,实验语义表明,这两种方法的效果较好,判别准确率达到80%以上[49]。王素情感格等运用加权线性组进行合方式基于中进行文情感词词表对句子进行情感类别判断,实验结果综合分类F值较高[50]。王振宇等结进行合Ho知识wNet和PMI计算词语极性,利用知网进行同义词扩展,结果语义显示该方法的微平均和宏情感平均性能比传统方法提升约5%。最后用人工标注语料作为开发样本进进行行机器学习构建情感分类器[知识51]。

Agarwal等提出将机器学习与语义识别相结合,来对评论进行分类[52]。T语义an等提出FCF(Fr语义equentlyCooccurr情感ingEn情感tropy)的方法,利用旧情感的领域数据和未标记进行的新领域数据解决域转移问题,提出改进的分类器,使分类器的性能有所提高[53]。徐军等研究情感分类的两种方法:最大熵、朴素贝叶斯,发现机器学习方法的分类准确率最高能达到90%[54]。

徐琳宏等提出基于语义理解的文本倾向性识别机制,利用知网计算语义相似度,获取具有语义褒贬倾向西南交通大学硕士研究生学位论文第9页词汇的度量值,采用SVM对文本进行倾向性分析[55]。特征抽取和情感分析的研究也有很多的成果。祖李军等提出PMI-Bootstrapping算法,结合语言规则进行产品特征情感抽取,有良好的准确率和召回率[56]。李实等采用基于Apriori算法的非监督型特征挖掘算法提取特征,并用监督型情感分析计算判别情感倾向[57]。

朱杰构语义建了基于评价对象及其情感特征的文本倾向性语义分类系统,在系统实验中,使进行用支持向量机分类器,对酒店评论和电影评论语料进行测试,取得了较好准确率[58]。根据相关文本挖掘方法的总结分析,本文情感根据自己的研究内容和特点,选取合适知识的、有效的方法对评论文本做特征提取和情知识感分析,并将其应用到对生鲜电商顾客满意度的研究中。近年来,生鲜产品的交易规模迅速增长,选择网购生鲜产品的消费者也不断增多,但要想持续发展,需要不断改进经营模式,了解用户体验,找到影响顾客满意度的因素,并加以改进。

相关文章

用户评论

*

*

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。