面向情感分類的領域適應方法研究.pdf

1、隨著博客,商品評論等信息在網絡上的涌現(xiàn),情感分類日益成為一個重要且富有挑戰(zhàn)性的課題。情感分類試圖根據文本信息,自動評判用戶所表達的情感極性(如正面或負面),在電子商務和輿情分析等領域展現(xiàn)出越來越重要的作用。
　　然而,在情感分類領域中,用戶表達情感方式多種多樣,領域間數(shù)據分布也存在明顯差異,情感分類的準確率極易受到數(shù)據所在領域的限制和影響。對于新領域的情感分類問題,傳統(tǒng)的機器學習方法只能通過重新標記訓練數(shù)據完成學習建模,這通常需要

2、消耗大量的人力物力。為此,我們分別從構建領域間統(tǒng)一的特征空間和集成分類兩個方面,展開面向情感分類的領域適應方法研究,提出了基于對數(shù)似然比的特征選擇算法LTF和基于置信概率的協(xié)同學習集成決策算法CEC。主要工作如下:
　　(1)本文提出的面向多領域的情感分類特征選擇方法LTF(log-likelihood ratio&term frequency),綜合利用了原始領域和目標領域數(shù)據,使用詞頻和對數(shù)似然比的統(tǒng)計信息,選取在原始領域富有

3、極性,且在目標領域有較大影響的特征,構建原始領域和目標領域公共特征空間,消減了原始領域和目標領域的數(shù)據分布差異,促進了知識的跨領域遷移。
　　(2)在集成分類器方面,本文提出了一種基于置信概率的多領域集成算法CEC(Confident Ensemble Classifier)。該方面借鑒自學習和協(xié)同學習的思想,利用置信概率,進行數(shù)據的預標記的同時,完成各個基分類器的集成,從而有效提升目標領域的分類精度。通過在情感數(shù)據集上的大量實驗