劉勇華，李愛萍，段利國，邸 鵬，王鴻翔

（太原理工大學 計算機科學與技術(shù)學院，山西 太原030024）

0 引 言

文本情感分析的前提是對文本中主觀成分的識別和提取。例如：在文本情感分析中［1］，處理的文本類型就是主觀性文本。事先對文本進行主觀性判別是很有必要的，不僅可以有效地減少分析的范圍，還可以提高分析的速度和精確度。主觀文本識別主要有兩種方法，基于詞典和基于統(tǒng)計?；谠~典的方法利用事先建立的情感詞典 （可以人工標注或是機器統(tǒng)計），統(tǒng)計文本中的詞語是否含有情感，再進一步判別文本主客觀性［2］，這種方法非常依賴情感詞典?；诮y(tǒng)計的方法利用訓練好的數(shù)據(jù)模型，采用機器學習的方法，對待測文本進行判別［3］。常用的機器學習方法有：樸素貝葉斯 （NB）、支持向量機 （SVM）、決策樹、K最近鄰、最大熵模型等。這種方法在訓練數(shù)據(jù)的標注、特征選取、分類器的選取等方面具有一定的局限性。目前，學者們?yōu)榱说玫礁叩臏蚀_率和更快的分類效率，大多數(shù)采用基于詞典和基于統(tǒng)計相結(jié)合的方法進行文本主觀識別［4－6，9－11］。針 對 包 含 豐 富 情 感 信 息 的 主 觀 線 索 研 究 還 較 少，比如復(fù)雜句式的關(guān)聯(lián)詞特征研究較為缺乏。因此，本文將關(guān)聯(lián)詞、情感詞以及指示性動詞、感嘆詞、程度副詞、帶有情感色彩的標點符號等6種主觀線索成分作為分類特征，建立主觀線索特征詞表，用樸素貝葉斯分類器對文本的主客觀性進行判別。

1 相關(guān)知識

1.1 主客觀文本定義

（1）主觀性文本是指作者對于非事實的描述的文本，通常帶有一定的個人情感色彩。主觀性文本主要分為兩類：評價和推測［4］。

目前，主客觀文本分類方面，主要是針對評價型的文本進行研究。例如：“我認為iPhone挺好，值得擁有?！?。

（2）客 觀 性 文 本 定 義 請 參 見 文 獻 ［5］。例 如：“iPhone4永遠是一部經(jīng)典，無法超越?！?。

中文主觀性文本和客觀性文本之間存在很大的區(qū)別，主觀性文本一般表達人們的情感、看法或是態(tài)度，表達的形式也是多樣化，不是規(guī)范型的文本，時常出現(xiàn)不規(guī)范的詞語和結(jié)構(gòu)等。主觀性文本識別主要以情感詞為主，利用各種文本特征表示方法和分類器 （一般采用樸素貝葉斯分類器）進行分類識別［7］。

1.2 文本分類過程

文本分類過程如圖1所示。

圖1 文本分類過程

其中預(yù)處理環(huán)節(jié)包含中文分詞、分句、去停用詞等過程。特征表示包括特征選擇、特征提取及特征值計算。

1.3 樸素貝葉斯

樸素貝葉斯（Naive Bayes，NB）定義請參見文獻［4］。

對需測試文本D＝ ｛T1，T2，…，Tn｝，由于NB是基于特征相互獨立的假設(shè)下，判別其屬于主觀、客觀類別C＝｛CS，CO｝，分類算法如式 （1）所示

其中，P（Cj）表示類別Cj的先驗概率，P（Ti，Cj）表示特征Ti出現(xiàn)在類別Cj中的后驗概率。

先驗概率P（Cj）的計算公式如式 （2）所示

式中：D（Cj）——類別Cj中的文本數(shù)。

后驗概率P（Ti，Cj）是特征Ti出現(xiàn)在類別Cj中的概率，并且為防止0概率的出現(xiàn)進行平滑調(diào)整，計算公式如式 （3）所示

其中，P（Ti，Cj）為特征項Ti在類別Cj的文本中出現(xiàn)的次數(shù)，式 （4）中M 為特征項Ti在所有類別的文本中出現(xiàn)的次數(shù)總和。

2 主觀線索特征

主觀線索特征包括情感詞、第一或第二人稱代詞、不規(guī)范的標點符號、帶有情感色彩的標點符號、感嘆詞、程度副詞、發(fā)表看法或意見的動詞 （指示性動詞）、不精確的數(shù)字或日期、關(guān)聯(lián)詞等9種特征。本文選取關(guān)聯(lián)詞、情感詞以及與指示性動詞、感嘆詞、程度副詞、帶有情感色彩的標點符號等6種主觀線索特征作為主觀性文本識別依據(jù)。下面具體介紹每種特征以及特征提取算法。

2.1 情感詞

具有情感的詞的統(tǒng)稱為情感詞，以帶有情感的動詞和形容詞居多。當人們陳述的句子中出現(xiàn)正、負面的情感詞語或評價詞語時，這個句子是主觀句的可能性很大。例如：“我喜歡iPhone?！?、“iPhone外觀好看?！薄１疚乃玫那楦性~是HowNet情感分析用詞語集中中文正負面情感詞語和正負面評價詞語，其分布情況見表1。

表1 情感詞分布情況

算法1：情感詞提取算法

輸入：給定的文本D

輸出：情感詞集合q

步驟1 對給定的文本分句、分詞并進行詞性標注處理后得到文本特征詞序列集合

步驟2 利用HowNet情感分析用詞語集中中文正負面情感詞語和正負面評價詞語建立情感詞表Q，Q 可用如式（6）表示

步驟3 利用建立好的情感詞表Q 統(tǒng)計給定的文本D中的情感詞，得到情感詞集合q

2.2 指示性動詞

當人們對于某種事物表述自己的觀點或態(tài)度時，往往會采用一些諸如 “感覺”、 “認為”等一類的主張詞語，并且這些主張詞語往往會伴隨第一、第二和第三人稱代詞一起出現(xiàn)，那么這一類的句子是主觀句的可能性很大。例如：“我感覺iPhone真心不錯，你值得擁有?！薄１疚氖褂玫闹甘拘詣釉~是HowNet情感分析用詞語集中中文主張詞語，其分布情況見表2。

表2 指示性動詞分布情況

算法2：指示性動詞提取算法輸入：給定的文本D

輸出：指示性動詞集合z

步驟1 與算法1的步驟1相同；

步驟2 利用HowNet情感分析用詞語集中中文主張詞語建立指示性動詞表Z，Z 可用如式 （8）表示

步驟3 利用建立好的指示性動詞表Z 統(tǒng)計給定的文本D 中的指示性動詞，得到指示性動詞集合z

2.3 感嘆詞

感嘆詞是用于表達各種感情的詞，它與后面句子的其余成分沒有語法聯(lián)系，并且能更好地幫助人們表達自身的情感傾向。當某個句子中出現(xiàn) “啊”、“哎呀”、“天呀”等的感嘆詞時，這個句子很可能是主觀句。例如：“哎呀，我把iPhone落家了。”。本文通過對訓練語料中大量主觀性文本的觀察與研究，統(tǒng)計出適合主觀性文本識別的感嘆詞，具體分布情況見表3。

表3 感嘆詞分布情況

算法3：感嘆詞提取算法

輸入：給定的文本D

輸出：感嘆詞集合g

步驟1 與算法1的步驟1相同；

步驟2 通過對訓練語料中大量主觀性文本的觀察與研究，統(tǒng)計出適合主觀性文本識別的感嘆詞，建立感嘆詞表G，G 可用如式 （10）表示

步驟3 利用建立好的感嘆詞表G 統(tǒng)計給定的文本D中的感嘆詞，得到感嘆詞集合g

2.4 程度副詞

通常，人們?yōu)榱嗽鰪娮约罕磉_的情感，往往會使用一些程度副詞加以修飾。當某個句子中含有如 “非?！?、“很”、“相當”等之類的程度副詞時，這個句子是主觀句的可能性很大。例如： “iPhone性能相當好，我非常喜歡?！?。本文使用的程度副詞是HowNet情感分析用詞語集中中文程度級別詞語，具體的分布情況見表4。

表4 程度副詞分布情況

算法4：程度副詞提取算法

輸入：給定的文本D

輸出：程度副詞集合cd

步驟1 與算法1的步驟1相同

步驟2 利用HowNet情感分析用詞語集中中文程度級別詞語建立程度副詞表CD，CD 可用如式 （12）表示

步驟3 利用建立好的程度副詞表CD 統(tǒng)計給定的文本D 中的程度副詞，得到程度副詞集合cd

2.5 帶有情感色彩的標點符號

句子中問號的出現(xiàn)表示人們在質(zhì)疑某事物，帶有不確定性；而感嘆號的出現(xiàn)則表示人們對事物吃驚、喜悅、嘆息等的態(tài)度，帶有一定的情感。這兩種標點符號都能表達人們內(nèi)心的情感。由于這兩者在主觀性文本中出現(xiàn)頻率居多，很少在客觀性文本中出現(xiàn)，因此，本文將帶有情感色彩的標點符號作為識別主觀性文本的一種特征。例如：“iPhone各個方面都挺好，難道你不想擁有一部嗎？”、“iPhone音質(zhì)真好！”。而在有些句子中經(jīng)常會出現(xiàn)問號、感嘆號連用的現(xiàn)象，表達更為強烈的情感，例如：“iPhone各個方面都挺好，難道你不想擁有一部嗎？？？”、“iPhone音質(zhì)真好?。。　?。本文通過對訓練語料中大量主觀性文本的觀察與研究，統(tǒng)計出適合主觀性文本識別的帶有情感色彩的標點符號，具體分布見表5。

表5 帶有情感色彩的標點符號分布情況

算法5：帶有情感色彩的標點符號提取算法

輸入：給定的文本D

輸出：帶有情感色彩的標點符號集合bd

步驟1 與算法1的步驟1相同

步驟2 通過對訓練語料中大量主觀性文本的觀察與研究，統(tǒng)計出適合主觀性文本識別的帶有情感色彩的標點符號，建立帶有情感色彩的標點符號表BD，BD 可用如式（14）表示

步驟3 利用建立好的帶有情感色彩的標點符號表BD統(tǒng)計給定的文本D 中的帶有情感色彩的標點符號，得到帶有情感色彩的標點符號集合bd

2.6 關(guān)聯(lián)詞

復(fù)句、分句的定義請參見文獻 ［8］。本文研究的是以關(guān)聯(lián)詞所表示的復(fù)句類型，關(guān)聯(lián)詞表達人的邏輯認知，具有一定的主觀性。人們對于客觀事實根據(jù)自己所要表達的意思來選擇用或不用關(guān)聯(lián)詞、用哪一種關(guān)聯(lián)詞，這種選擇性表達就是一種主觀性。

本文從以下兩個方面來分析關(guān)聯(lián)詞語的主觀性：

（1）文章中關(guān)聯(lián)詞的使用率：本文選擇中國經(jīng)濟網(wǎng)的時政新聞 《外交部：越南沖擊我警戒區(qū)及船只1416艘次》、九九文章網(wǎng)的影評書評 《〈水煮三國〉讀后感》兩篇文章為代表分析關(guān)聯(lián)詞的主觀性。通過對文章中的句子總數(shù)、復(fù)句數(shù)、關(guān)聯(lián)詞組數(shù)進行統(tǒng)計，分析關(guān)聯(lián)詞對主觀句的影響，結(jié)果見表6。

由表6的統(tǒng)計結(jié)果可知，在新聞體裁的文章中復(fù)句的使用率很高，而關(guān)聯(lián)詞的使用率較低；在書評體裁的文章中，復(fù)句的使用率相對比較低，而關(guān)聯(lián)詞的使用率卻很高。新聞體裁的文章講述的是客觀事實，一般比較客觀；書評體裁的文章是評價型的文章，一般帶有作者的觀點、態(tài)度或是意見，主觀性比較強。從上述兩種體裁關(guān)聯(lián)詞的使用來看，比較客觀的文體關(guān)聯(lián)詞的使用率低，主觀性強的文本關(guān)聯(lián)詞的使用率較高。由此可得，關(guān)聯(lián)詞對主觀性的表達具有一定的影響。

表6 兩文章中復(fù)句和關(guān)聯(lián)詞組使用比例

（2）對同一客觀事實使用不同的關(guān)聯(lián)詞：對于同一個客觀事實，表達的方式可以使用單句，還可以使用復(fù)句，其中復(fù)句可以是關(guān)聯(lián)詞的復(fù)句，也可以不使用關(guān)聯(lián)詞。對于同一個客觀事實，想要表達不同的主觀認知，就會使用不同的關(guān)聯(lián)詞。比如對于客觀事實 “天陰了，要下雨”，沒有關(guān)聯(lián)詞的連接就是一個表達客觀事實的復(fù)句，而使用不同的關(guān)聯(lián)詞將其連接就構(gòu)成了不同類型的復(fù)句：

因為天陰了，所以要下雨。

不僅天陰了，而且要下雨。

只有天陰了，才要下雨。

如果天陰了，就要下雨。

上述例句涉及4 種類型的復(fù)句，分別是因果、遞進、條件、假設(shè)關(guān)系的復(fù)句。利用關(guān)聯(lián)詞，可以使分句間的意義關(guān)系明確地表達出來。換句話說，句子中本來就包含分句間的意義關(guān)系，而使用關(guān)聯(lián)詞之后使分句間的邏輯關(guān)系更加凸顯出來。對于同一客觀事實來說，理論上只存在一種意義關(guān)系，在使用不同的關(guān)聯(lián)詞連接后卻表達了不同的意義。由此可以說明關(guān)聯(lián)詞帶有一定的主觀性。

綜上所述，關(guān)聯(lián)詞的使用一般會帶有使用者的主觀邏輯認知，對主觀句的識別具有一定的作用。本文通過對訓練語料中大量主觀性文本的觀察與研究，統(tǒng)計出適合主觀性文本識別的關(guān)聯(lián)詞。一般來說，文本中的關(guān)聯(lián)詞都是成對出現(xiàn)，常用的關(guān)聯(lián)詞分布情況見表7。

算法6：關(guān)聯(lián)詞提取算法

輸入：給定的文本D

輸出：關(guān)聯(lián)詞集合gl

步驟1 與算法1的步驟1相同

步驟2 通過對訓練語料中大量主觀性文本的觀察與研究，統(tǒng)計出適合主觀性文本識別的關(guān)聯(lián)詞，建立關(guān)聯(lián)詞表GL，GL 可用如式 （16）表示

步驟3 利用建立好的關(guān)聯(lián)詞表GL 統(tǒng)計給定的文本D中的關(guān)聯(lián)詞，得到關(guān)聯(lián)詞集合gl

表7 常用關(guān)聯(lián)詞分布情況

上述論述特征對主觀句具有一定的識別作用，本文利用這6種特征建立一個主觀線索特征詞表ZG，如式 （18）所示，將主觀線索特征詞表ZG 中包含的各個特征作為識別主觀性文本的特征，再利用樸素貝葉斯分類器進行主觀性文本識別

3 實驗及實驗結(jié)果分析

3.1 實驗語料庫

本文實驗數(shù)據(jù)采用了2008年中文傾向性分析評測提供的 中 文 語 料 集COAE2008。COAE2008 （Chinese opinion analysis evaluation，COAE2008）語料集是第一屆中文傾向性分析評測的訓練語料，由中科院計算所和洛陽外國語學院共同整理和標注完成，近40000 篇文本，其中具有觀點傾向性文本數(shù)量超過4000 篇，語料涉及的領(lǐng)域有影視娛樂、財經(jīng)、教育、房產(chǎn)、電腦、手機等領(lǐng)域的網(wǎng)頁，提取后整理成txt純文本形式，文章從幾個句子到上百個句子不等。

本文利用主觀線索特征詞表中包含的各個特征作為主觀文本識別特征，通過人工標注篩選的方法，從COAE2008語料集中選取主觀性和客觀性明確的文本各500個，其中300個主觀文本和300個客觀文本作為訓練數(shù)據(jù)，另外的200個主觀文本和200 個客觀文本作為測試數(shù)據(jù)。表8為訓練和測試數(shù)據(jù)的分布情況。

表8 訓練和測試數(shù)據(jù)分布情況

3.2 實驗步驟

（1）數(shù)據(jù)預(yù)處理：本文利用哈工大社會計算與信息檢索研究中心編制的語言技術(shù)平臺 （LTP）分句工具對數(shù)據(jù)進行分句，中科院計算機所編制的中文分詞 （ICTCLAS）工具對數(shù)據(jù)進行分詞，再借助停用詞表去停用詞。

（2）特征表示：特征表示包括特征選擇、提取及其值的計算，常用的特征提取算法有信息增益、文檔頻率、CHI統(tǒng)計、相對熵和互信息等。本文利用文檔頻率的方法對主觀性文本進行特征提取，將文本向量化表示，具體步驟如下：

步驟1 對給定的文本分句、分詞并進行詞性標注處理后，得到文本特征詞序列集合，形式如式 （19）所示

其中，Ti為特征詞，posi為特征詞的詞性。

步驟2 利用主觀線索詞表ZG 統(tǒng)計文本中各個特征出現(xiàn)的次數(shù)，得到主管線索特征集合X

其中，i＝1，2，…，n，Ai，Bi，Ei，Ki，Mi，Yi分別表示特征qi，zi，gi，cdi，bdi，gli出現(xiàn)的次數(shù)。

步驟3 利用文檔頻率的方法分別計算P（qi），P（zi），P（gi），P（cdi），P（bdi），P（gli）計算公式如式 （21）所示

其中，N 為文本中所有特征數(shù)總和，由于P（qi），P（zi），P（gi），P（cdi），P（bdi），P（gli）計算方法一樣，計算時只需將式 （21）的分子替換成其它主觀線索特征出現(xiàn)的次數(shù)。步驟4 將文本向量化表示成式 （22）所示的形式

（3）訓練分類器：利用向量化的訓練數(shù)據(jù)訓練樸素貝葉斯分類器，生成分類模型。

（4）測試數(shù)據(jù)：利用上述分類模型對測試數(shù)據(jù)進行分類。

3.3 實驗結(jié)果分析

實驗環(huán)境是使用MyEclipse 8.5進行實驗，實驗時所用的機器型號是聯(lián)想Y480，機器的主要配置為intel酷睿i5 3210 M 處理器，4G 內(nèi)存，2.5GHz主頻。實驗所采用的評價指標是準確率P

式中：Tr（Cj）——分類正確的文本數(shù)，N（Cj）——屬于類別Cj的文本數(shù)。

本文總共做了3組實驗，分別為采用傳統(tǒng)樸素貝葉斯進行實驗、用樸素貝葉斯＋主觀線索 （不含關(guān)聯(lián)詞）進行實驗、本文提出的方法進行實驗。表9 為3 組實驗統(tǒng)計結(jié)果。

表9 實驗統(tǒng)計結(jié)果

最后，本文對3組實驗進行對比，得出3組實驗對比結(jié)果見表10。

表10 3組實驗對比結(jié)果

由表10的3組實驗對比結(jié)果可以看出，主觀線索特征的加入對分類性能有一定的提升，而含有關(guān)聯(lián)詞的主觀線索特征的加入對分類性能的提升更加明顯。實驗表明，主觀線索對主觀性文本識別有一定的幫助，含有關(guān)聯(lián)詞的主觀線索特征比不含有關(guān)聯(lián)詞的主觀線索特征識別性能要好些。

4 結(jié)束語

本文分析了關(guān)聯(lián)詞對主觀性文本識別的作用，并將關(guān)聯(lián)詞加入到主觀線索特征中，作為主觀性文本識別的特征。實驗結(jié)果表明，主觀線索對主觀性文本識別有一定的幫助，含有關(guān)聯(lián)詞的主觀線索特征比不含有關(guān)聯(lián)詞的主觀線索特征分類性能要好些。本文主要針對主觀性文本識別進行研究，對如何準確有效識別出主觀性文本進行分析，提出關(guān)聯(lián)詞、情感詞以及與指示性動詞、感嘆詞、程度副詞、帶有情感色彩的標點符號等6種主觀線索成分作為主觀性文本識別依據(jù)，建立主觀線索特征詞表，用樸素貝葉斯分類器對主觀性文本進行識別，為解決主觀性文本識別提供可行的方法。

今后的研究工作從兩個方面展開：①提高分詞和分句的準確率，現(xiàn)有的分詞和分句工具準確率不高，這對主觀線索的判別有很大影響。②繼續(xù)探討其它的可以作為主觀性文本識別的主觀線索特征。

［1］ZHAO Yanyan，QIN Bing，LIU Ting.Sentiment analysis［J］.Journal of Software，2010，21 （8）：1834－1848 （in Chinese）. ［趙妍妍，秦兵，劉挺.文本情感分析 ［J］.軟件學報，2010，21 （8）：1834－1848.］

［2］YANG Jiang，HOU Min，WANG Ning.Sentiment polarity analysis of reviews based on shallow text structure［J］.Journal of Chinese Information Processing，2011，25 （2）：83－88 （in Chinese）.［楊江，侯敏，王寧.基于淺層篇章結(jié)構(gòu)的評論文傾向性分析 ［J］.中文信息學報，2011，25 （2）：83－88.］

［3］LIAO Xiangwen，LI Yihong.Identification of chinese opinion sentences based on n－gram hyperkernel function ［J］.Journal of Chinese Information Processing，2011，25 （5）：89－93 （in Chinese）.［廖祥文，李藝紅.基于N－gram 超核的中文傾向性句子識別 ［J］.中文信息學報，2011，25 （5）：89－93.］

［4］YANG Wu，SONG Jingjing，TANG Jiqiang.A study on the classification approach for Chinese MicroBlog subjective and objective sentences ［J］.Journal of Chongqing University of Technology （Natural Science），2013，27 （1）：51－56 （in Chinese）.［楊武，宋靜靜，唐繼強.中文微博情感分析中主客觀句分類方法 ［J］.重慶理工大學學報 （自然科學），2013，27（1）：51－56.］

［5］YAO Tianfang，PENG Siwei.A study of the classification approach for Chinese subjective and objective texts ［C］／／The Third National Information Retrieval and Content Security Conference Proceedings，2007 （in Chinese）. ［姚天昉，彭思崴.漢語主客觀文本分類方法的研究 ［C］／／第三屆全國信息檢索與內(nèi)容安全學術(shù)會議論文集，2007.］

［6］GUO Yunlong，PAN Yubin，ZHANG Zeyu，et al.Multipleclassifiers opinion sentence recognition in Chinese micro－blog based on D－S theory ［J］.Computer Engineering，2014，40（4）：159－163 （in Chinese）.［郭云龍，潘玉斌，張澤宇，等.基于證據(jù)理論的多分類器中文微博觀點句識別 ［J］.計算機工程，2014，40 （4）：159－163.］

［7］LI Xiaojun，DAI Lin，SHI Hanxiao，et al.Survey on sentiment orientation analysis of texts［J］.Journal of Zhejiang University （Engineering Science），2011，45 （7）：1165－1173 （in Chinese）.［厲小軍，戴霖，施寒瀟，等.文本傾向性分析綜述 ［J］. 浙 江 大 學 學 報 （工 學 版），2011，45 （7）：1165－1173.］

［8］WANG Wenqi.The subjectivity of connectives of chinese complex sentences［J］.Journal of Shanxi Datong University （Social Science），2012，26 （2）：80－83 （in Chinese）. ［王文琦.復(fù)句中關(guān)聯(lián)詞語的主觀性考察 ［J］.山西大同大學學報 （社會科學版），2012，26 （2）：80－83.］

［9］WEI Xiangfeng，ZHANG Quan，MIAO Jianming，et al.Event sentiment analysis based on semantic chunks［J］.Journal of Chinese Information Processing，2012，26 （3）：44－48 （in Chinese）.［韋向峰，張全，繆建明，等.基于語義塊的事件傾向性分析研究［J］.中文信息學報，2012，26 （3）：44－48.］

［10］DANG Lei，ZHANG Lei.Method of discriminant for Chinese sentence sentiment orientation based on HowNet［J］.Applica－tion Research of Computers，2010，27 （4）：1370－1372 （in Chinese）.［黨蕾，張蕾.一種基于知網(wǎng)的中文句子情感傾向判別方法［J］.計算機應(yīng)用研究，2010，27 （4）：1370－1372.］

［11］SUN Jianwang，LV Xueqiang，ZHANG Leihan.Short text classification based on semantics and maximum matching degree［J］.Computer Engineering and Design，2013，34 （10）：3613－3618 （in Chinese）.［孫建旺，呂學強，張雷瀚.基于語義與最大匹配度的短文本分類研究 ［J］.計算機工程與設(shè)計，2013，34 （10）：3613－3618.］

［12］Taboada M，Brooke J，Tofiloski M，et al.Lexicon－based methods for sentiment analysis ［J］.Computational linguistics，2011，37 （2）：267－307.