[论文解读] Ideogram Based Chinese Sentiment Word Orientation Computation

Luojie Xiang|arXiv (Cornell University)|Oct 19, 2011

Sentiment Analysis and Opinion Mining参考文献 2被引用 6

一句话总结

该论文提出了一种基于语素的新型算法，通过字面语义和预先计算的字素本体，计算中文情感词的情感倾向，无需依赖大规模语料库。其F-measure达到85.02%，通过参数分析与实验验证，优于现有基于语素的方法。

ABSTRACT

This paper presents a novel algorithm to compute sentiment orientation of Chinese sentiment word. The algorithm uses ideograms which are a distinguishing feature of Chinese language. The proposed algorithm can be applied to any sentiment classification scheme. To compute a word's sentiment orientation using the proposed algorithm, only the word itself and a precomputed character ontology is required, rather than a corpus. The influence of three parameters over the algorithm performance is analyzed and verified by experiment. Experiment also shows that proposed algorithm achieves an F Measure of 85.02% outperforming existing ideogram based algorithm.

研究动机与目标

• 开发一种无需依赖大规模语料库的中文情感词情感倾向计算方法。
• 利用中文语素的独特结构特征，在字级别推断情感极性。
• 评估关键算法参数对性能的影响，并进行优化。
• 在准确性上超越现有基于语素的情感分类方法。
• 提供一种轻量级、可扩展的解决方案，适用于任何情感分类框架。

提出的方法

• 该算法通过分析构成情感词的单个字符（语素）来计算情感倾向。
• 使用预先计算的字素本体，编码单个语素的情感相关语义关联。
• 通过基于语素语义贡献的聚合，推导出情感倾向。
• 该方法引入三个可调节参数，影响字级别情感信号的加权与聚合方式。
• 采用标准指标（如F-measure）评估性能，并通过受控实验分析参数敏感性。
• 该方法设计为模块化，可与多种情感分类系统兼容。

实验结果

研究问题

• RQ1 在不依赖语料库的前提下，基于语素的方法在确定中文词语情感倾向方面的有效性如何？
• RQ2 关键算法参数对情感倾向预测准确率的影响是什么？
• RQ3 所提出的方法能否超越现有基于语素的情感分类技术？
• RQ4 该方法在多样化中文情感词上的泛化能力如何？
• RQ5 在多大程度上可仅通过字级别语义准确推断情感倾向？

主要发现

• 所提算法的F-measure达到85.02%，相较于现有基于语素的方法表现出更优性能。
• 通过实验系统分析并验证了三个算法参数对性能的影响。
• 该方法仅依赖目标词和预先计算的字素本体即可成功计算情感倾向，无需标注语料库。
• 结果证实，中文语素的字级别语义特征在情感分类中蕴含显著的情感信息。
• 该算法具有鲁棒性和可扩展性，适用于集成到各类情感分析框架中。
• 本研究为中文自然语言处理中无语料的情感倾向计算建立了强有力的基线。