夏東杰+++劉少霞

摘要：基于如何能夠更好地利用互聯(lián)網(wǎng)醫(yī)院的評論信息，使其能夠有利于指導(dǎo)醫(yī)院改進(jìn)提高，讓人們能夠更好地了解以往患者就診的情況，同時(shí)探討更好的提升文本情感分析效果的方法。該文首先使用python爬蟲爬取烏鎮(zhèn)互聯(lián)網(wǎng)醫(yī)院的評論信息，其次在hownet詞典的基礎(chǔ)上，構(gòu)建新的情感詞典、否定詞典、程度副詞詞典以及連詞詞典，構(gòu)建了相應(yīng)的情感分析規(guī)則。同時(shí)，根據(jù)評論信息分詞后的詞頻數(shù)據(jù)運(yùn)用R語言進(jìn)行數(shù)據(jù)的可視化分析。得出使用情感詞典和語義規(guī)則對互聯(lián)網(wǎng)醫(yī)院評論信息進(jìn)行分析是有效的結(jié)論，同時(shí)指出了評論者關(guān)注點(diǎn)主要在態(tài)度、效果、耐心、治療、預(yù)約、病人、時(shí)間等方面上。

關(guān)鍵詞： 互聯(lián)網(wǎng)醫(yī)院；文本分析；情感分析；情感詞典；語義規(guī)則

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2017）03-0180-04

隨著我國互聯(lián)網(wǎng)的高速發(fā)展，越來越多的傳統(tǒng)業(yè)務(wù)借助互聯(lián)網(wǎng)實(shí)現(xiàn)業(yè)務(wù)的轉(zhuǎn)型升級。加上我國醫(yī)療改革的呼聲日益高漲，互聯(lián)網(wǎng)醫(yī)院開始悄然興起?；ヂ?lián)網(wǎng)醫(yī)院是代表醫(yī)療行業(yè)發(fā)展的新方向，它對解決我國現(xiàn)在醫(yī)療資源嚴(yán)重不平衡以及人們?nèi)找嬖黾拥尼t(yī)療資源的需求之間的矛盾具有巨大的推動(dòng)作用，是目前我國衛(wèi)生部門積極引導(dǎo)及推動(dòng)的醫(yī)療發(fā)展新模式[1]。

互聯(lián)網(wǎng)醫(yī)院除了將傳統(tǒng)的掛號、疾病咨詢、處方等流程搬到互聯(lián)網(wǎng)上[2]，還為患者或患者家屬提供了向互聯(lián)網(wǎng)醫(yī)院傳達(dá)醫(yī)院服務(wù)水平、表達(dá)自己在醫(yī)院服務(wù)感受的平臺(tái)，即面向大眾的互聯(lián)網(wǎng)評論?；颊呒盎颊呒覍倏梢酝ㄟ^平臺(tái)對互聯(lián)網(wǎng)醫(yī)院的服務(wù)環(huán)節(jié)、具體環(huán)境、資源分配等各個(gè)方面發(fā)表自己的看法，一方面向醫(yī)院傳遞醫(yī)院值得肯定的地方及醫(yī)院需要改進(jìn)的環(huán)節(jié)等信息，從而提升患者的體驗(yàn)，另一方面給想要了解互聯(lián)網(wǎng)醫(yī)院服務(wù)狀況的患者及患者家屬提供了良好的信息通道。由于互聯(lián)網(wǎng)醫(yī)院評論數(shù)量非常多，而且多為一百字以內(nèi)的語句級短文本，如何能夠快速準(zhǔn)確地從這些語句級評論中分析出評論者的關(guān)注點(diǎn)以及對互聯(lián)網(wǎng)醫(yī)院的服務(wù)的正負(fù)向評價(jià)從而給醫(yī)院的改進(jìn)提供方向，成為了亟須解決的研究課題。

1 相關(guān)研究情況

本文是對互聯(lián)網(wǎng)醫(yī)院評論的文本信息進(jìn)行分析和研究，根據(jù)評論信息判定其情感的傾向性及關(guān)注點(diǎn)內(nèi)容。就文本情感分析而言，目前學(xué)術(shù)界已經(jīng)有許多專家和學(xué)者研究如何快速高效的進(jìn)行情感的傾向分類。根據(jù)是否訓(xùn)練學(xué)習(xí)可以將情感分類的方法分為基于語義規(guī)則的情感分類和基于機(jī)器學(xué)習(xí)的情感分類[3]。根據(jù)文本的處理粒度的大小不同，則可以將文本情感分類分為篇章級分類、語句級分類、詞語級分類[4]。本文采用的是基于情感詞典與語義規(guī)則的語句級分類方法進(jìn)行分類。

對于基于情感詞典與語義規(guī)則方面的研究，徐琳宏、林鴻飛等通過計(jì)算待分類文本詞匯與知網(wǎng)中已標(biāo)注詞匯之間的相似度，選取傾向性明顯的詞匯作為特征詞，采用SVM及語義規(guī)則相結(jié)合的方法，提高對文本褒貶的識別強(qiáng)度[5]。趙鵬、趙志偉等提出了基于語義的TriPos模式的分類方法，將統(tǒng)計(jì)分析與語義分析相結(jié)合，提高了主客觀分析的準(zhǔn)確率、召回率和F值，取得了良好的效果[6]。吳江、唐常杰等通過Apriori方法對金融文本屬性進(jìn)行抽取，然后使用語義規(guī)則的分析方法對web金融文本進(jìn)行情感分析[7]，取得的結(jié)果優(yōu)于ku[8]的算法結(jié)果。楊立公、樊孝忠等提出了最大限度地綜合利用各種語言的詞典信息，對候選詞進(jìn)行情感語義歸類，適用于沒有其他知識背景的情況，具有一定的實(shí)用價(jià)值[9]。王志濤、於志文等根據(jù)微博的特性，對微博的不同語言層次制定不同的語義規(guī)則，結(jié)合微博文本的粒度和表情符號，對微博文本進(jìn)行情感分類，并驗(yàn)證了該方法的有效性[10]。趙天奇、姚海鵬等則通過把微博表情引入情感加權(quán)的方式，使得微博情感分類有了一定程度的提高[11]。陳國蘭在已經(jīng)標(biāo)注的微博語料的基礎(chǔ)上，構(gòu)建包括程度副詞、關(guān)系連詞、否定詞的詞典，使用SVM分類，取得了較好的效果[12]。楊佳能、陽愛民構(gòu)建了表情符號詞典和網(wǎng)絡(luò)用語詞典，并使用依存句法分析構(gòu)建情感表達(dá)樹，并制定語義分析規(guī)則計(jì)算微博文本情感強(qiáng)度進(jìn)行情感分類，證明了加入表情符號和網(wǎng)絡(luò)用語有助于情感分類[13]。

2 評論文本的獲取與處理

2.1 評論文本的獲取

本文是選取烏鎮(zhèn)互聯(lián)網(wǎng)醫(yī)院（掛號網(wǎng)）中的復(fù)旦大學(xué)附屬中山醫(yī)院的患者的評論信息作為研究對象進(jìn)行文本情感分析。作者通過借助Python爬蟲完成掛號網(wǎng)賬號的登錄、驗(yàn)證碼的識別、評論信息的下載等任務(wù)，共獲取4315條評論信息。

2.2 評論信息的預(yù)處理

1）由于評論信息中存在同一個(gè)評論者連續(xù)評論多次，且每次評論的內(nèi)容都相同的情況，所以需要對多余的評論信息進(jìn)行刪除處理。

2）對評論信息進(jìn)行中文分詞處理。目前分詞工具比較多，使用較多的有jieba分詞、中科大的NLPIR系統(tǒng)分詞、庖丁解牛分詞等等，本文使用中科大的NLPIR系統(tǒng)進(jìn)行分詞。該分詞方法在分詞、詞性標(biāo)注等方面取得較好的效果，同時(shí)方便添加詞典。

3 相關(guān)詞典的構(gòu)建

3.1 網(wǎng)絡(luò)用語情感詞典的構(gòu)建

由于目前網(wǎng)絡(luò)信息非常多且更新的非?？?，每時(shí)每刻都會(huì)產(chǎn)生新的網(wǎng)絡(luò)用詞代表使用者的情感傾向，比如“然并卵”、“日了狗”、“猴賽雷”等等。這些詞在使用者使用時(shí)是作為一個(gè)完整的詞來表達(dá)他們特定的情感，但是由于分詞系統(tǒng)并不能及時(shí)將這些新的詞納入到分詞詞典中去，從而導(dǎo)致在分詞的過程中，將一個(gè)完整的詞拆分為若干部分，如“日了狗”被拆分為“日”、“了”、“狗”，“猴賽雷”被拆分為“猴”、“賽”、“雷”，從而失去了原來的意義，不利于評論者情感傾向的分析。

本文認(rèn)為在同一句內(nèi)，如果分詞后的若干個(gè)詞一起連續(xù)出現(xiàn)的次數(shù)超過一定的較小的閾值但又同時(shí)小于一個(gè)較大的閾值，則可以初步判斷若干詞連續(xù)組合起來有可能形成一個(gè)新詞。例如“日了狗”作為一個(gè)網(wǎng)絡(luò)用詞可能會(huì)有較多的評論者在評論時(shí)用到，但是對整個(gè)評論的數(shù)量而言，仍然是少數(shù)的，同時(shí)，“聽了”、“好了”等一些常見的一起出現(xiàn)的組合卻不應(yīng)該作為一個(gè)新詞對待。根據(jù)該原則，本文構(gòu)建獲得新詞的算法通過以下偽代碼實(shí)現(xiàn)：

[算法3.1 查找新詞＼&輸入：＼&＼&＼&評論信息＼&＼&閾值下限n＼&＼&閾值上限N＼&輸出：＼&＼& ＼&新詞＼&

1）對評論信息根據(jù)標(biāo)點(diǎn)符號進(jìn)行分句，形成分句集合SentenceSet；＼&2） 對分句集合SentenceSet的每個(gè)句子進(jìn)行分詞，形成分詞集合vocbSets；＼&3）建立一個(gè)詞頻集合FreqSet{vocb，freq}，其中vocb代表詞，freq代表該次出現(xiàn)的頻率，初始化為0；＼&4） 建立一個(gè)新詞的集合newVocbSet用來存放新詞；＼&5） for each vocbSets：＼&6） for each vocb in vocbSets：＼&7） if（（[vocbi]+[vocbi+1]）沒有出現(xiàn)在FreqSet中） then ＼&8） FreqSet中（[vocbi]+[vocbi+1]）對應(yīng)的頻率為1＼&9） elseif（（[vocbi]+[vocbi+1]）出現(xiàn)在FreqSet中） then＼&10） FreqSet中（[vocbi]+[vocbi+1]）對應(yīng)的頻率再加1＼&11） end if＼&12） end for＼&13） end for＼&14） for each freq in FreqSset：＼&15） if（freq的值>n and freq的值

17） end if

18） end for＼&19） 手動(dòng)將不是新詞的組合刪除，并對新詞進(jìn)行傾向性分類形成網(wǎng)絡(luò)用語情感詞典＼&]

算法3.1可以根據(jù)每相鄰兩個(gè)詞的組合構(gòu)建網(wǎng)絡(luò)用語，由于部分網(wǎng)絡(luò)用語詞典是有多個(gè)詞組成的，所以本文還針對相鄰三個(gè)詞、相鄰四個(gè)詞分別做了相同的處理，得到更為全面的網(wǎng)絡(luò)用語情感詞典。通過該方法，本文共獲得了“點(diǎn)贊”，“牛逼”，“狂頂”，“白跑一趟”等53個(gè)新詞，其中褒義的有32個(gè)，貶義的有21個(gè)。

3.2 基于HowNet的情感詞典的構(gòu)建

3.2.1 情感詞的相似度計(jì)算

HowNet（知網(wǎng)）是一個(gè)以漢語和英語的詞所代表的概念為描述對象，揭示概念之間及概念的屬性之間的關(guān)系為基本內(nèi)容的知識庫[14]。在HowNet中，詞語與詞語之間的相似度是通過義原之間的距離加權(quán)計(jì)算得出。劉群、李素建等提出了通過如下方式來計(jì)算語義相似度的公式[14]：

[sim（p1，p2）=αα+dist（p1，p2）] （1）

其中，α表示一個(gè)正的可變參數(shù)，dist（p1，p2）則表示義原的距離。但是這種方法并不完善，例如“漂亮”和“美麗”的意義基本一樣，在通過該公式計(jì)算后相似度最大值為1，而“美麗”和“丑陋”兩個(gè)詞的意義是相反的，但是通過該公式計(jì)算兩個(gè)詞的其他基本義原的相似度也是1，所以這個(gè)方法不太準(zhǔn)確。江敏、肖詩斌等針對以上算法提出了新的基于HowNet的改進(jìn)的語義相似度的計(jì)算方法[15]，公式如下：

[][sim（p1，p2）=α（depth（p1）+depth（p2））α（depth（p1）+depth（p2））+dist（p1，p2）+|depth（p1）-depth（p2）|] （2）

其中depth（p1）表示p1距離根節(jié)點(diǎn)的層次，dist（p1，p2）表示義原之間的距離，α表示一個(gè)正的可變參數(shù)。同時(shí)，具有以下規(guī)定：①如果p1，p2兩個(gè)義原具有相反意義，則他們的相似度記為-1；②如果p1，p2兩個(gè)義原路徑中存在相反意義的關(guān)系，則他們的相似度記為-1*sim（p1，p2） ′。其中sim（p1，p2） ′是將距離p1，p2最近的一對具有相反意義的義原節(jié)點(diǎn)看作同一個(gè)節(jié)點(diǎn)，然后通過（2）式計(jì)算得出。

3.2.2 情感詞的傾向性計(jì)算

情感詞傾向性可以通過計(jì)算待分類情感詞語與基準(zhǔn)情感詞的相似度的大小來判斷。本文先人工選取并確定兩組強(qiáng)度很強(qiáng)的基準(zhǔn)詞，一組是褒義的，一組是貶義的，分別有43個(gè)詞，其中褒義的傾向值強(qiáng)度為1，貶義的傾向志強(qiáng)對為-1。然后通過以下公式計(jì)算待分類情感詞的傾向性[16]：

[orientation（word）=1ni=1nsim（word，seed1i）-1mj=1msim（word，seed2j）] （3）

其中seed1i為褒義的基準(zhǔn)詞，seed2j為貶義的基準(zhǔn)詞，如果結(jié)果為正數(shù)，則可以判定該待分類詞應(yīng)該為褒義的，同時(shí)加入到褒義詞中，如果結(jié)果為負(fù)數(shù)，則可以判定待分類詞為貶義的，同時(shí)加入到貶義詞中去，其中，orientation（word）的值作為word的傾向值強(qiáng)度。

3.3 修飾詞詞典的構(gòu)建

3.3.1 程度副詞詞典的構(gòu)建

在評論信息中，許多情感傾向詞前帶有程度副詞作為修飾，來表達(dá)評論者的情感的強(qiáng)弱，但是一般不改變情感的極性。由于中科大分詞系統(tǒng)在分詞過程中，能過對各個(gè)詞進(jìn)行詞性標(biāo)注，因此可以根據(jù)分詞后的詞性標(biāo)注獲得程度副詞集合，進(jìn)而組成程度副詞詞典。本文獲得程度副詞采用的算法如下：

[算法3.3 獲得程度副詞集合＼&輸入：＼&＼&＼&評論信息＼&輸出：＼&＼& ＼&程度副詞集合＼&1）對評論信息根據(jù)標(biāo)點(diǎn)符號進(jìn)行分句，形成分句集合SentenceSet；＼&2） 對分句集合SentenceSet的每個(gè)句子進(jìn)行分詞，形成分詞集合vocbSets；＼&3） 建立一個(gè)副詞的空集合AdvVocbSet用來存放副詞；＼&4） for each vocbSets：＼&5） for each vocb in vocbSets：＼&6） if（vocb的詞性為副詞且vocb后面第一個(gè)詞或者第二個(gè)詞是形容詞） then ＼&7） 把vocb添加到AdvVocbSet中＼&8） end if＼&9） end for＼&10） end for＼&11） 對AdvVocbSet進(jìn)行Set集合運(yùn)算，去掉重復(fù)的詞，最終獲得非重復(fù)的副詞集合＼&]

然后對程度副詞集合進(jìn)行人工篩選和進(jìn)一步補(bǔ)充，并對其修飾程度賦予權(quán)值，從而組成程度副詞詞典。本文將修飾程度分為4個(gè)等級，具體如表1所示：

表1 程度副詞表示及權(quán)值

3.3.2 否定詞詞典的構(gòu)建

鑒于否定詞的數(shù)量較少，且比較好搜集，本文通過搜集、整理，一共得到了25個(gè)否定詞，如：“不”、“非”、“沒”等，并將它們加入到否定詞詞典中去，否定詞典的詞的權(quán)值都為-1。

3.3.3 連詞詞典的構(gòu)建

由于有些評論者的評論信息中會(huì)含有連詞，而不同的連詞可能有不同的作用，如“而且”作為遞進(jìn)關(guān)系的連詞表示情感極性的強(qiáng)化，“但是”作為轉(zhuǎn)折關(guān)系的連詞則表示情感極性的反轉(zhuǎn)。鑒于連詞對整個(gè)句子的情感強(qiáng)度具有加強(qiáng)或者削弱等作用，本文按照算法4.3的方式，只是將“副詞”改為“連詞”，獲得較多的連詞，經(jīng)過進(jìn)一步的人工篩選和補(bǔ)充，并賦予權(quán)值，具體如表2所示：

表2 連詞表示及權(quán)值

4 語句的情感極性分析

本文對評論信息中的詞語組合進(jìn)行傾向值計(jì)算，從而判斷該詞語組合的傾向性，具體的規(guī)則如下：

規(guī)則一：在每個(gè)分句中，如果出現(xiàn)情感詞前面五個(gè)詞中出現(xiàn)否定詞但是沒有副詞，則計(jì)算否定詞的數(shù)量，如果否定詞的數(shù)量為奇數(shù)，則初步判定該詞組合與情感詞的傾向相反，強(qiáng)度為情感詞強(qiáng)度*-1；如果否定詞的數(shù)量為偶數(shù)，則初步判定該詞組合與情感詞的傾向相同，強(qiáng)度為情感詞強(qiáng)度*1；如果不出現(xiàn)否定詞，則情感詞的傾向性和強(qiáng)度不變。

規(guī)則二：情感詞之前出現(xiàn)了程度副詞，則該詞組的情感傾向與情感詞的傾向一致，情感強(qiáng)度為程度副詞的權(quán)值*情感詞的強(qiáng)度。例如“劉醫(yī)生的態(tài)度非常差?！?，其中“非?！钡臋?quán)值為最高級5，“差”的情感強(qiáng)度為-1，所以“非常差”的情感傾向?yàn)樨?fù)，即貶義，情感強(qiáng)度為-5。

規(guī)則三：情感詞前同時(shí)出現(xiàn)否定詞和程度副詞，則需要考慮副詞和否定詞的位置。如果副詞在否定詞之前，則表示側(cè)重副詞對否定詞起作用，規(guī)定副詞+否定詞的情感強(qiáng)度為副詞的權(quán)值*-2；而否定詞在副詞之前，則表示側(cè)重否定詞對副詞起作用，規(guī)定否定詞+副詞的情感強(qiáng)度為副詞的權(quán)值*-0.5。然后將程度副詞和否定的組合當(dāng)做新的程度副詞對待。例如：“不太好”和“太不好”，都表示“不好”的意思，但是明顯“太不好”表示的強(qiáng)度比“不好”的強(qiáng)度更強(qiáng)，而“不太好”的情感強(qiáng)度比“不好”的情感強(qiáng)度要弱。

規(guī)則四：每個(gè)分句如果出現(xiàn)了連詞，則該句的情感強(qiáng)度要在以上規(guī)則計(jì)算基礎(chǔ)上乘以連詞的權(quán)值來計(jì)算得出。

規(guī)則五：每條完整的評論信息的情感強(qiáng)度值由各個(gè)分句的情感強(qiáng)度值相加得出。

如果用a表示情感值強(qiáng)度，ad表示程度副詞權(quán)值，n表示否定詞個(gè)數(shù)，c表示連詞權(quán)值，用g表示組合后的情感強(qiáng)度，以上規(guī)則的情景可通過表3表示：

表3 情感強(qiáng)度計(jì)算方法

5 實(shí)驗(yàn)與分析

5.1 評論信息關(guān)注點(diǎn)分析

本文對評論者評論關(guān)注點(diǎn)獲取方式是基于關(guān)鍵詞的頻數(shù)。通過對所有的評論信息進(jìn)行分詞，然后引入停用詞詞典，將存在停用詞詞典中的詞刪除，對剩余的所有詞計(jì)算詞頻，取前300個(gè)詞及詞頻，通過R語言的wordcloud包對詞和詞頻進(jìn)行可視化，具體如圖1：

圖1

從圖1可以很容易看出關(guān)鍵詞依次是：態(tài)度、醫(yī)院、效果、耐心、治療、預(yù)約、病人、時(shí)間等等?？梢娫u論者對醫(yī)院醫(yī)生的態(tài)度、是否耐心、治療的效果，預(yù)約的便捷性以及看病排隊(duì)的時(shí)間是比較關(guān)注的。對于醫(yī)院而言，也可以有方向地針對這些關(guān)鍵點(diǎn)，著手改進(jìn)和提高，從而提升患者的看病體驗(yàn)。

5.2 語句傾向性效果分析

本文通過爬蟲的方式，從烏鎮(zhèn)互聯(lián)網(wǎng)醫(yī)院（掛號網(wǎng)）共爬去4315條數(shù)據(jù)，然后使用本文提到的方法構(gòu)建詞典，其中新詞詞典共有詞匯121個(gè)，褒義詞有76個(gè)，貶義詞有45個(gè)，情感詞典共有詞匯12624個(gè)，褒義詞有7342個(gè)，貶義詞有5282個(gè)，程度副詞有219個(gè)，否定詞25個(gè)，連詞47個(gè)。然后用既定的規(guī)則對評論信息分析情感傾向性的強(qiáng)度值。本文規(guī)定，如果整個(gè)語句的情感傾向性強(qiáng)度值大于0.15，則判定為褒義的；如果整個(gè)語句的情感傾向強(qiáng)度值小于-0.15，則判定為貶義的；如果整個(gè)語句的情感傾向強(qiáng)度值介于-0.15-0.15之間，則判定為中性的。對性能的評估，本文使用查準(zhǔn)率（Pecision）、查全率（Recall）和F值來評估：

Pecision = 提取出正確的信息條數(shù) / 提取出的信息條數(shù)，

Recall = 提取出正確的信息條數(shù) / 樣本中的信息條數(shù)，

F = （2*Pecision*Recall）/（Pecision+Recall）。

本文分別計(jì)算了基礎(chǔ)的情感詞典、基礎(chǔ)情感詞典+新的情感詞典、基礎(chǔ)情感詞典+新的情感詞典+語義規(guī)則來計(jì)算查準(zhǔn)率、查全率和F值，具體如表4所示：

表4 實(shí)驗(yàn)方法效果對比

通過實(shí)驗(yàn)驗(yàn)證，在基礎(chǔ)情感詞典的基礎(chǔ)上加上新的情感詞典以及使用語義規(guī)則的方法能夠較大的提高準(zhǔn)確率和F值，即該方法取得了較好的效果。

6 結(jié)論

本文通過在現(xiàn)有情感詞典的基礎(chǔ)上，構(gòu)建新的情感詞典、否定詞典、程度副詞詞典以及連詞詞典，并對詞典的詞賦予一定的權(quán)值，從而能夠根據(jù)規(guī)則計(jì)算評論信息的強(qiáng)度值，方便對其進(jìn)行情感極性的分類。同時(shí)，本文對中性評論的強(qiáng)度指定了一個(gè)范圍，從而能夠更好地對評論信息的極性進(jìn)行分類，更符合實(shí)際情況。根據(jù)指定語義規(guī)則分類，最后取得較好的效果。本文還根據(jù)評論信息分詞后的詞的頻率，找出了關(guān)鍵詞，并進(jìn)行了可視化，從而方便直觀地看出評論者的關(guān)注點(diǎn)，對醫(yī)院的改進(jìn)和提高有借鑒意義。但本文還有較多的不足之處，大致包括以下幾點(diǎn)：

1）本文的詞典構(gòu)建主要依賴于Hownet，比較單一，而目前已經(jīng)有較多的情感詞典可供參考，從而從多個(gè)角度計(jì)算情感詞典的強(qiáng)度，這樣更為理想。

2）本文標(biāo)注、測試的文本數(shù)量只有4315條，數(shù)量相對較少，獲取的新詞也不夠多，對較大數(shù)量的文本，獲取新詞的成本會(huì)比較高。

3）對語句的分析類型還不夠，可以增加反問句、疑問句、正話反說等等的句式以及更多其他的搭配，從而能夠更加符合評論的實(shí)際情況。

總體來說，評論信息的文本情感分類的研究還不是十分的完善，仍然需要相關(guān)方面的專家和學(xué)者不斷提高分類的效果。

參考文獻(xiàn)：

[1] 劉新. 互聯(lián)網(wǎng)醫(yī)院，來了！[J]. 互聯(lián)網(wǎng)經(jīng)濟(jì)，2015（5）：16-19.

[2] 閆龑. 聚焦互聯(lián)網(wǎng)醫(yī)院[J]. 現(xiàn)代養(yǎng)生，2016（10）：6-7.

[3] 馬力，宮玉龍. 文本情感分析研究綜述[J]. 電子科技，2014（11）：180-184.

[4] 楊立公，朱儉，湯世平. 文本情感分析綜述[J]. 計(jì)算機(jī)應(yīng)用，2013（6）：1574-1578+1607.

[5] 徐琳宏，林鴻飛，楊志豪. 基于語義理解的文本傾向性識別機(jī)制[J]. 中文信息學(xué)報(bào)，2007（1）：96-100.

[6] 趙鵬，趙志偉，陶新竹，等. 基于語義的TriPos模式的中文主客觀分析方法[J]. 計(jì)算機(jī)應(yīng)用研究，2012（9）：3285-3288.

[7] 吳江，唐常杰，李太勇，等. 基于語義規(guī)則的Web金融文本情感分析[J]. 計(jì)算機(jī)應(yīng)用，2014（2）：481-485+495.

[8] KU LW， LIANG Y T， CHEN H H. Opinion extraction，summarization and tracking in news and blog corpora[C]//Proceedings of the 2006 AAAI Symposium on Computational Approaches to Analysing Weblogs. Menlo Park： AAAI Press，2006：100-107.

[9] 楊立公，樊孝忠，朱儉. 利用語義詞典的情感詞快速識別[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2013（8）：2978-2982.

[10] 王志濤，於志文，郭斌，等. 基于詞典和規(guī)則集的中文微博情感分析[J]. 計(jì)算機(jī)工程與應(yīng)用，2015（8）：218-225.

[11] 趙天奇，姚海鵬，方超，等. 語義規(guī)則與表情加權(quán)融合的微博情感分析方法[J]. 重慶郵電大學(xué)學(xué)報(bào)：自然科學(xué)版，2016（4）：503-510.

[12] 陳國蘭. 基于情感詞典與語義規(guī)則的微博情感分析[J]. 情報(bào)探索，2016（2）：1-6.

[13] 楊佳能，陽愛民，周詠梅. 基于語義分析的中文微博情感分類方法[J]. 山東大學(xué)學(xué)報(bào)：理學(xué)版，2014（11）：14-21，30.

[14] 劉群，李素建.基于 “知網(wǎng)” 的詞匯語義相似度計(jì)算[C]//第三屆漢語詞匯語義學(xué)研討會(huì)論文集.臺(tái)北，2002：59-76.

[15] 江敏，肖詩斌，王弘蔚，等. 一種改進(jìn)的基于《知網(wǎng)》的詞語語義相似度計(jì)算[J]. 中文信息學(xué)報(bào)，2008（5）：84-89.

[16] 李永忠，胡思琪. 基于HowNet和PAT樹的網(wǎng)購評語情感分析[J]. 圖書情報(bào)研究，2016（3）：66-70，65.