英语原文共 5 页，支付完成后下载完整资料
基于机器学习的电影评论情感分析述评
摘要
在创新的帮助下，网络变成了有利于对于项目、管理或电影交易思想、互联网学习以及评论的平台。对于一个项目或一个主管来说，当评论数据达到上百万条后很难记录并了解客户对网络评论。情感分析是应用自然语言处理研究、计算语言学和内容处理在原材料中收集情绪数据，并判断极端的意见或情绪上应用得越来越广泛。直截了当的说，我们认为情绪分析对基本领导事件至关重要。本文通过电影评论确定的意见挖掘给出了情感分析的一般性研究过程。
关键词：数据挖掘，情感分析，特征提取，意见挖掘，Logistic回归，电影评论，符号化
1.引言
网络创新领域的发展已经改变了个人表达观点的方式。个人依赖客户创建的信息进行分析在网上购物时选择的物品或预订电影时选择观看的电影。客户是通过帖子、Facebook、推文和哈希标签联系在一起作为参考。信息的衡量标准是一个巨大的麻烦对于一个普通人来分解和选择这些观点。
意见是每一次人类运动的基础并且是我们实践的关键影响因素。我们的信念和现实世界的观点对我们做出的决定起着广泛的作用，模仿他人如何看待和评估世界。因此，当我们必须选择时定期搜索他人的意见。这不适用于人们有效的联想。意见及其意见相关的想法，例如，情感，评估，心灵的框架和感情是调查的主题情感分析和意见挖掘。
情绪只是客户的感受。它可能很棒，不可思议，可怕或无偏见。分析这种感受称为情感分析。在一天结束时，我们可以说它是利用语言处理的计算方式区分客户的意见，并将其分为负面、正面或无偏见。网络包含非结构化的印刷数据，定期传达意见或客户的情绪。对情绪的分析努力认识到客户的心态和表达方式意见。情绪分析的基本技巧客户的分类评论为正面，负面或无偏见。在客户调查时进行沟通一个积极的意见，它是由一个积极的名称，如果审计传达负面意见，则采用比较的方式而不是负面名称。
基本情绪分析策略用于安排根据报告意见，记录为正面或负面传达。例如，D被给予安排记录和d是存档在D中，即d有一个D的地方，每个档案中的情绪分析技术分类分为正，负和无偏见三类。该区分情绪的策略或计算句子级别和突出级别或个人级别是一个现代的。情绪有三个方面进行分析，它们是：
a.文档级。
b.句子级别。
c.实体或特征方面的级别。
文档级：对于项目或管理，整体记录意见被记录为积极的，消极的或公正的情绪，这是报告层面的情绪分析。
句子级别：对于项目或管理，决定是否每个句子传达积极，消极或公正意见，这是句子级别的情绪分析。这种用于包含一个句子的评论和备注由客户撰写。这是由两个差事执行的：抽象或目标。目标：我买XYZ便携式的几个几天前。情绪：这是一个理想的电话。
实体或特征方面级别：意见挖掘和依赖于突出显示的轮廓称为方面级别。当我们需要关于审计的情绪时，会使用这种类型审核中的角度/突出显示。
2.相关工作
2.1基于特征的启发式方法
在这个程序中显示了一个有组织的点安排考试电影的印刷评论并为每个角度分配一个情绪检查。然后，各种评论的每个观点的得分聚集并传送电影的情感概况在所有参数上。它还使用了基于SentiWordNet的具有两个特定词源特征的安排结论，包括描述符、修饰词、活动词和n-gram特征提取。它还使用了SentiWordNet计划争取纪事级别的情绪每部电影都经过调查并考虑了结果。该种边缘级别执行的主要限制它的空间传递。
2.2基于文件的SentiWordNet方法
为了使用SentiWordNet，这个系统首先关注适当的条款和之后的调查SentiWordNet中的得分。制造商使用说明性的单词并使用“副词 形容词”加入并执行了四次得分具有两个特征决策的设计。基于SentiWordNet的方法调查不同品种的正确性和执行情况，他们确定了标准执行估计的准确性，F测量和熵。他们计算了四种基于SentiWordNet的结果，包括两个电影评论的方法和两个博客部分数据集。他们以类似的方式有不同的结果电影评论数据集和NB和SVM基于机学习分类直接执行SentiWordNet许可证进行情感分析，另外真正做到了使用它作为过滤的额外元素的合理场合的电影推荐。
2.3语义定位在无监督下的应用评论分类
在这种方法中，Peter D. Turney提出了一个直接的方法，无人监督的学习计数用于描述提议的评论（竖起大拇指）或不赞同（大拇指向下）概述通过普通的语义表达来预见评论中包含修饰符或限定符的关键词。估计的基本进展是删除包含清晰词汇或增强词的短语。开始了语言特征标记与概述相关联（Brill，1994年），并从评论中删除了两个连续的单词如果他们的名字符合任何一个例子。
第二步是评估语义表达，使用PMI-IR估计排出关节。这个估计使用共享信息作为其性质的范围两个词之间的语义联系。
第三步是绘制典型的语义表示在给定的评论中的表达，并要求该研究如果普通人确定并且大部分没有，则认可推荐的。
如果是普通语义，则提出一项研究介绍其外观是肯定的。计算在410上进行评估时，典型精度达到74％来自意见的评论。计数分为三个阶段：（1）分开包含描述符或增强符的关节；（2）检查每个清晰度的语义表达；（3）编排基于普通语义表达的评论关节。计算的焦点是第二个步骤，使用PMI-IR来表示语义表示。该这项工作的必要性融合了查询所需的时间并且，对于一些使用，精度元素被培养了。
2.4基于机器学习的表征程序
这种方法的作者研究了不同的道路关于三个标准计数：Naive Bayes聚会，大多数值得注意的熵写照，以及支持向量机。到执行这些机器学习估计使用标准袋特征框架。设{f 1，...，fm}是一组预定义的m个特征，可以出现在编年史; 模特加入“静止”。设n（d）是报告d中出现的事件。到那时，每个报告d由记录向量d：=（n 1（d），n 2）寻址（d），......，nm（d））。朴素贝叶斯，内容安排的一种方法是降级给定的报告d类c = argmax c P（c | d）。我们确定Naive Bayes（NB）分类器首先由贝叶斯看到规则， P（c | d）= P（c）P（d | c）/ P（d）， 其中P（d）在选择c时没有任何工作。
2.5基于三种交叉品种的战略策略
该方法执行了意见挖掘设备杂交三种特殊策略：第一种是基于语义模型，增强了结构自然语言语法; 第二个是基于加权情感词典，用作语义特征词; 和第三个是基于标准的KNN或SVM内容写照策略。三个计数，计算1，计算2每个人都在预赛中尝试和计算3系统。使用了两个测试教育记录D1和D2。首先，它使用基于加权的方法情感词典（称为方法1）和基于的程序常规物质描写（称为方法2）来测试关于D1的50个主题的情绪介绍。在方法2，它使用chi;2作为特征保证计数和KNN作为分类器计算（k = 35）。对于每个主题，它利用2/3的帖子作为设置，1/3的帖子作为测试集。要调查这三个程序的执行情况，在D1中，所有焦点的精确度和审核都得到了解决，而不是个人的。其中，方法3建议基于语义模型的策略。
2.6联合情绪检测的概率模型（JST）
这是Latent Dirichlet Allocation的扩展（LDA）证明了分离情绪和观点同一时间来自实质。这个系统有点固化区域自治先前学习的比例是情绪单词参考进一步提升情绪游戏计划准确性。 在JST下用于在记录d中创建单词wi的系统可以给出1）从预先运输中选择一个情绪印章l情绪运输pi;d。2）从主题中选择一个主题散射theta;d，l，其中theta;d，l在被检查时调整情绪检查 每个报告都标有S科目点差，所有这些都与情绪名称l和alpha;形成对比比较主题数。因此，JST模型可以预测与孤立焦点相关的情绪。3）画画一个词来自每个语料库的词语传播形成于两者主题和情绪关联。
3.文献综述
Shravan Vishwanathan等人提出了评论破坏的番茄是从其中一个数据库中积累的。在那指出每个概述，标记化完成，通道令牌长度。在那之后执行词干和之后那种情绪不需要的驱逐令牌分析。
使用增量导向器来区分每个令牌和积极词汇词典和否定词汇。在任何给定标记与任何单词匹配的点字典而不是令牌被安排到该类中。之后在积极的数据库和负面的所有场合数据库。应用加减执行，减去正数整数和负数并创建评论的类名称向客户展示。
Santanu Modak等人在文中的研究已经完成情绪收集的不同方法。随着目标是将信息用于未来的研究。Cushy Sets or feathery安排方法用于意见采矿或情绪分析。在这个程序羽毛布集是准备用于计算积极和消极情绪词的维度。
苏琦等提出了一个共同的堡垒处理方法与特征级意见挖掘问题。聚会在此期间完成了对事物特征和观点词的处理并且通过交织它们的物质信息来迭代地进行和情绪界面信息。他们建立了情感协会在两个社会事务之间设定数据通过认识他们最基本的情绪联系来进行调查。POS标记用于识别情感词和事物特征。使用情感词和事物功能解释联盟准则以感知伪装的情绪。最后，情绪评分得以完成。
这种检查推测，如果情绪分析是一个背滑式问题，我们可以选择羽毛套装，这是与不同的技术形成鲜明对比。在我们认为情感分析是一个写照类型的问题，我们可以选择半协调学习或受控机器学习方法。小数据集用于准备进入半管理方法。分类器用于托管机器学习方法。考虑到最大熵分类器通常创建非凡结果，无论如何支持向量机（SVM）传达最好结果完美无暇。
Khin Phyu Shein等人在互联网上有成堆的对于某件事情的意见或观点的实质内容。例如，有关音乐，电影，编程，事物和书籍的研究等。情绪的行动目的是为了删除分析师表达其倾向的功能或感觉并认出他们是积极的，消极的或不带偏见。
在本文中，提议的演示文稿是支持的组合矢量机与自然语言处理策略，基于形式概念分析方案的理性编排项目评论是消极的，积极的或公平的头脑。在它提出的模型中，必不可少的焦点在于特征水平情绪写照。这三个中心部分方法是：识别出POS标记与空间相关的特征和请求情感词。他们使用词性（POS）标记器进行托管。
康武等围绕着热门的中国微博的情感分析。在文章，最为普遍中国的微博是新浪微博。客户微博形成的消息通常包含唯一的消息句子，短信长度高达140中文微博包含几个句子，使客户能够给他们理解。研究表明，中国人以模糊委婉的方式表达他们的情感。为一个收集这种情绪，我们需要更多的语义。该首先提出模型，分析了中国的微博表达客户的意见，并分析客户的特征单句。第二，精简延迟情绪计划的结果我们使用句子关系。
Asha S Manek等提出了一种识别模型垃圾邮件解决方案，例如，创建虚假评论围绕着误导客户的事情。这个模型使用成功的重复预处理（SentReP）是基于的关于重点预处理和尝试参数表征评论。获得“一次性的话语” 电影评论是预先安排的。之后每次评论都会体验到与进步一起：标记化，案例变更，托管人和雪球干扰方法和一会儿后来停止的话被驱逐出境。经过预处理后的交叉代码是执行包括两个阶段：I）每个财产权重计算和ii）按重量选择最佳K属性。
Mostafa Karamibekr等人研究表明情绪分析已经完成仅适用于事物，组织或电影，不适用于社会问题。对于政府工作，了解将军至关重要关于社会问题的意见。因此，首先，我们应该承认社会问题是如何有趣的与事物和组织的联系。重要的是这一点无论如何，描述一个东西的功能绝对不难不是为了社会问题。在社交领域，活动词期望表达客户意见的基本职业。在社会问题的情绪分析首先，从每个句子，我们收集意见，建立意见结构，和此后，他们的熟人在社交方面得到了解决的问题。
Martin Wollmer等人提出了战略执行者尽管有视频评论，仍然会收集声音的情绪客户。允许在2分钟内查看电影YouTube视频。对于此类评论的情绪游戏计划，方法使用改进的谈话肯定系统和视频肯定结构。为了更好地描绘评论，声乐和面容接受必要的职业。
Richard Socher等人展示了语义词空间无论如何，他们不能长时间使用是非常有利可图的句子。这就是为什么，Sentiment Treebank展出的原因。这个Treebank包括各种解析树来安排句子进入其中一类情绪。递归神经张量框架就是这种方法的情况。
采用一种模型来了解该系统的工作原理。该模特评论是“这部电影不能少考虑感知，心灵或其他一些警惕的乐趣。它划分了句子成为令牌，并使树结构，其中包括评论其中一个类名。这句话是和在那之后使用Treebank的思想，它被果断地要求进入五个班级之一。五个名字特别负面（ - - ），负（ - ），公平（0），正（ ），并且在很大程度上积极的（ ）。图1 展示了递归的一个实例神经框架。在这个图中，我们可以毫不含糊一个伸展的思考如何这种情感库的能力。
4.结论
情感分析已成为最受欢迎的动态研究区。因此它变成了需要在网上收集和研究意见。参考是大多数情况下，倾向于各种说明性的调查机器学习计算可以用来解脱来自内容的情绪。它们更容易，更有效率。它是看到关于项目的基本领导过程，受益，电影，社会问题，情感分析或意见挖掘承担必要的工作。意见挖掘不仅仅是此外，还包括内容挖掘的思想数据恢复的想法。为了良好的秩序，功能加权认为基本工作是真正的困难之一意见挖掘。没有意见的存在就像一个空置的船只。它提供了足够的数据，可以增强进一步研究工作的预测。它倾向于被理解更清洁信息，更好地执行计算预见到电影的成就率。
参考文献
[1]V.K. Singh, R. Piryani, A. Uddin, P. Waila, “Sentiment Analysis of Movie Reviews A new Feature-based Heuristic for Aspe
资料编号：[3256]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
