使用机器学习对汉语评论进行情感分类

J4 ›› 2009, Vol. 47 ›› Issue (6): 1260-1263.

使用机器学习对汉语评论进行情感分类

白鸽¹, 左万利¹, 赵乾坤¹| 曲仁镜²

1. 吉林大学计算机科学与技术学院, 长春 130012|2. 中国网络通信有限公司长春分公司| 长春 |130022

收稿日期:2008-12-15 出版日期:2009-11-26 发布日期:2010-01-07
通讯作者: 左万利 E-mail:wanli@mail.jlu.edu.cn.

Sentiment Classification for Chinese Reviews withMachine Learning

BAI Ge¹, ZUO Wanli¹, ZHAO Qiankun¹, QU Ren jing²

1. College of Computer Science and Technology, Jilin University, Changchun 130012, China;2. Changchun Filiale, China Netcom Corp, Changchun 130022, China

Received:2008-12-15 Online:2009-11-26 Published:2010-01-07
Contact: ZUO Wanli E-mail:wanli@mail.jlu.edu.cn.

摘要/Abstract

摘要：

针对汉语评论的多种特征使用机器学习方法（如贝叶斯、最大熵和支持向量机）, 解决了汉语评论的情感分类问题. 实验结果表明, 机器学习方法对汉语评论的分类效果较好, 支持向量机的表现最好. 句子级别和评论级别的准确率分别达到88.26%和91.79%.

关键词: 情感分类, 贝叶斯分类器, 最大熵, 支持向量机

Abstract:

We solved the Chinese review sentiment classification problem via describing and evaluating several machine learning approaches (Nave Bayes, maximum entropy and support vector machines) on some features of the Chinese reviews. The experiment shows the three machine learning methods perform well especially support vector machines, and the accuracy of sentence level is up to 88.26%, the accuracy of review level is up to 91.79%.

Key words: sentiment classification, Nave Bayes, maximum entropy, support vector machines

中图分类号:

TP391.12

白鸽, 左万利, 赵乾坤| 曲仁镜. 使用机器学习对汉语评论进行情感分类[J]. J4, 2009, 47(6): 1260-1263.

BAI Ge, ZUO Wanli, ZHAO Qiankun, QU Ren jing. Sentiment Classification for Chinese Reviews withMachine Learning[J]. J4, 2009, 47(6): 1260-1263.

[1]	聂逯松, 常方圆, 常学智, 刘畅, 金有为, 刘国晟, 付加胜, 韩霄松. 一种新型的自适应多核学习算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1212-1218.
[2]	刘桂锋, 于绍楠, 崔璐. 一种基于集成学习策略的单细胞转录组数据集成分类算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1252-1255.
[3]	刘颖, 杜星秋, 温东欣, 唐伟宁, 张洪明. 基于TLSmote-SVM的非均衡用户窃漏电诊断算法[J]. 吉林大学学报(理学版), 2021, 59(1): 136-142.
[4]	杨健, 杨超宇, 李慧宗. 基于二维离散小波的生成图像鉴别方法[J]. 吉林大学学报(理学版), 2019, 57(3): 619-626.
[5]	朱超平, 任继平. 基于智能优化算法的物联网异构数据融合方法[J]. 吉林大学学报(理学版), 2019, 57(3): 627-632.
[6]	周水生, 姚丹. 一种改进的LSTSVM增量学习算法[J]. 吉林大学学报(理学版), 2018, 56(4): 909-916.
[7]	杨永强, 李淑红. 最小二乘支持向量机的点云数据孔洞修补算法[J]. 吉林大学学报(理学版), 2018, 56(3): 692-696.
[8]	徐中宇, 苏明玉, 姚庆安. 基于改进PSO算法的混合核SVM算法[J]. 吉林大学学报(理学版), 2018, 56(3): 625-630.
[9]	周水生, 周艳玲, 姚丹, 王保军. 基于QR分解的稀疏LSSVM算法[J]. 吉林大学学报(理学版), 2018, 56(2): 347-354.
[10]	郭凯文, 潘宏亮, 侯阿临. 基于特征选择和聚类的分类算法[J]. 吉林大学学报(理学版), 2018, 56(2): 395-398.
[11]	赵玉兰, 苑全德, 孟祥萍. 基于稀疏编码和机器学习的多姿态人脸识别算法[J]. 吉林大学学报(理学版), 2018, 56(2): 340-346.
[12]	杨琦. 融合Morlet小波与GA优化多模态核的轴承故障检测算法[J]. 吉林大学学报(理学版), 2018, 56(1): 101-108.
[13]	刘颖, 张丽娟, 韩亚男, 庞丽艳, 王帅. 基于粒子群协同优化算法的供应链金融信用风险评价模型[J]. 吉林大学学报(理学版), 2018, 56(1): 119-125.
[14]	刘颖, 王丽敏, 姜建华, 赵成丽, 张池军, 孙铁铮. 基于离群点剔除的SVM信用风险评价方法[J]. 吉林大学学报(理学版), 2016, 54(06): 1395-1400.
[15]	邓江洪, 赵领. 多特征筛选与支持向量机相融合的图像分类模型[J]. 吉林大学学报(理学版), 2016, 54(04): 862-866.