任静　刘立波

摘要：Web评论研究技术中，其情感分析就是将评论的情感极性进行褒贬分类的过程。本文将非负矩阵分解（nonnegative matrix decomposition， NMF）和支持向量机（support vector machine，SVM）相结合，构造出一种基于NMF的支持向量机（NMF-SVM）分类算法。该算法利用NMF对初始的“词—文档”向量矩阵进行有效降维，提取潜在语义，最后利用支持向量机对重新构造的“词-文本”向量模型进行情感分类。实验结果证明，该分类算法的准确率优于比传统的SVM算法，具有一定应用价值。

关键词：Web评论；情感极性分类；非负矩阵分解；支持向量机

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2016）18-0167-04

Sentiment Classifier Based on NMF for Web Comments

REN Jing，LIU Li-bo

（College of Information Engineering Ningxia University， Yinchuan 750021， China）

Abstract： The research technique of Web review， the sentiment analysis is regarded as a classification process for review's emotional polarity. A support vector machine （NMF-SVM） classification algorithm based on NMF has been put forward， for which combine NMF（nonnegative matrix decomposition） and SVM（support vector machine）. The algorithm using NMF for initial word-document vector matrix to reduce the dimension effectively， and to extract the latent semantic， finally using support vector machine to emotion classification that word-document vector model has reconstructed. The experimental results show that the accuracy of the classification algorithm is superior to the traditional SVM algorithm.

Key words： web comments； emotional polarity classification； nonnegative matrix decomposition； support vector machine

随着Web2.0时代的到来，为人们提供更加直观的意见沟通、情感交流的平台，它的出现不但打破传统行业运作模式，而且在用户体验式思维有很大的冲击。因此，越来越多的用户喜欢在互联网 （如博客和论坛）上，发表自己的观点和分享自己的经验，直接表达自己的各种情感，如喜怒哀乐支持和反对等。Web上用户的评论信息在不断增长，分布在网络上的海量信息成为了潜在用户计划消费前不可缺少的信息参考和指导。例如，在各大门户网站和论坛上出现某产品的评价和意见信息，直接影响潜在消费顾客的购买行为，也影响经营者、厂商了解用户真实需求、自身产品、服务方面的不足。面对海量的网络评论信息，仅靠纯手工统计、分析、挖掘，根本不切合实际，因此，利用计算机帮助用户快速完全地获取和整理这些相关的评价信息是当务之急。

中文文本情感分析也称意见挖掘，是对具有情感色彩的主观性文本信息，进行识别、分析、处理、归纳等一系列过程。……