基于混合模型的WEB文本情感主题识别方法

摘要

本发明公开了一种基于混合模型的WEB文本情感主题识别方法。属于网络信息安全领域。该方法在文本集合中进行模型训练，真实模拟不同情感倾向以及不同主题的文本语言表达模式，将情感表达与主题表达的语言方式模型化，分别产生情感和主题两类语言模型。对于需要进行分析的待处理的文本，通过将其自身模型与这两类模型进行比较，评估它与两类模型之间的相似程度，最终能够同时识别确定文本的主题和情感倾向。在统计建模中引入语言信息知识，捕捉和探寻情感及主题表达的特性和规律，充分利用语言表达的特点和惯，建立能够同时分析识别主题和情感的混合模型，情感识别的平均准确率由现有技术的67.81％提高到81.36％。

主权项

1.一种基于混合模型的WEB文本情感主题识别方法，其特征在于包括以下步骤：第一步，设X是文档的集合X＝{x1，x2，...，xn}，C表示类别的集合，C＝{c₁，c₂，...，c_k}，c_i∪c_j＝φ，x的密度函数为：$p\left(x\right)=\underset{i=1}{\overset{K}{\Sigma }}p\left(x\right|c_i)p\left(c_i\right)---\left(1\right)$采用Kullback-Liebler测度作为衡量类别之间差别的判据；两个概率分布q(x)与p(x)之间的KL距离定义为：$\mathrm{KL}\left(q\left(x\right)\right|\left|p\left(x\right)\right)=\int q\left(x\right)\ln \left[\frac{q\left(x\right)}{p\left(x\right)}\right]\mathrm{dx}---\left(2\right)$当q(x)＝p(x)时，KL距离等于0；数据x在第i类上的概率密度函数为q(x)＝p(x|c_i)，密度函数p(x)与q(x)之间的KL距离定义为：ψ＝-KL(p(x|c_i)||p(x))            (3)对于情感模型，i＝2，表示有“褒义”模型和“贬义”模型两种模型；对于主题模型，i＝s，s是从训练集合中估计的主题模型的个数；第二步，应用MLE方法对模型参数的初步估计如下：$P_M\left(w_i\right|T)=\frac{\mathrm{count}\left(w_i\right)}{\mathrm{count}\left(r\right)}---\left(4\right)$式(4)中，T代表褒义文本集合，贬义文本集合或者主题文本集合；count(w_i)表示w_i在T中出现的次数，相应的count(r)表示任意一个词在T中出现的次数；模型参数的平滑计算定义如下：P_s(w_i|T)＝λP_M(w_i|T)+(1-λ)P(w_i|C)            (5)式(5)中，λ是一个平滑参数，0＜λ＜1；第三步，按照式(6)情感模型的距离函数定义距离：θ(t，δ_P，δ_N)＝d₁-d₂            (6)其中t表示待处理文本，δ_P和δ_N分别表示“褒”模型和“贬”模型，d1代表文本t与“褒”模型之间的KL距离，而d2代表文本t“贬”模型之间的KL距离；当θ大于0，表明待处理文本更接近“贬”模型，判断文本表达的感情为贬斥类；反之，当θ小于0，判断其为褒扬类；当θ等于0，表示文本表达的情感中立；主题模型的距离函数定义如下：θ(t，γ₁，...，γ_s)＝d_min(t，r_i)            (7)其中，r_i表示第i个主题模型，d_min(t，r_i)表示待处理文本自身模型与各个主题模型之间最小的KL距离；若文本与第i个主题模型之间的KL距离最小，则认为该文本的主题为第i个主题。