王中卿, 李寿山，朱巧明，李培峰，周国栋

(苏州大学 计算机科学与技术学院，江苏 苏州 215006)

1 引言

目前，人们越来越习惯于在网络上表达自己的观点和情感，从而使得网络上渐渐出现了大量带有情感的文本。由于传统的基于主题的文本分类方法已经无法很好分析这些情感文本，人们开始关注针对情感文本分类(简称：情感分类)的方法研究[1-2]。虽然情感分类的研究已经开展多年，但是目前大部分情感分类的研究假设正类样本和负类样本是平衡的[1-4]。该假设和实际情况并不相符，在实际收集的产品评论语料中，我们发现正类样本和负类样本的数目差距很大。样本分布的不平衡往往会使传统的机器学习分类方法在分类过程中严重偏向多样本类别，从而使分类的性能急剧下降。因此，不平衡数据的情感分类问题是一个迫切需要解决的实际问题。

不平衡分类本身在机器学习领域是一个很有挑战性的研究问题[5-6]。为了表述清楚，在下文中我们将样本集合中样本数较多的一类称为多类(Majority Class)，样本数较少的一类称为少类(Minority Class)。目前已经存在一些用来解决不平衡分类问题的方法，例如，重采样技术(Re-sampling)[7]，单类别分类(One-class classification)[8]和代价敏感学习(Cost Sensitive Learning)[9]。但是由于还没有针对情感分类特别是中文情感分类的不平衡问题的研究，很多基本问题仍待研究，例如，哪种方法更适合中文情感分类任务。

本文将以欠采样技术(Under-sampling)为基础，通过集成学习(Ensemble learning)解决情感分类中的不平衡问题。……