张扬武 李国和 王立梅 宗 恒 赵晶明

1(中国石油大学(北京)地球物理与信息工程学院 北京 102200)2(中国政法大学法治信息管理学院 北京 102200)3(中国石油大学(北京)石油数据挖掘北京市重点实验室 北京 102200)

0 引 言

随着互联网的快速发展，网络数据量快速增长，数据共享越来越丰富。截至到2017年3月，全世界网民数量达到37亿[1]。过去的几年中，网络为人们创造了各种便利条件。进入大数据时代，信息传播从单一类型逐渐过渡到复合类型，不仅是难以控制，而且也很难确定和捕捉到。一些机构开始为公司提供信息跟踪服务，关注特别领域的话题跟踪的主要工作就是对评价文本进行分类，分类方法有基于规则的和基于统计的。基于规则的方法是按照已有的语法规则来学习一些情感词，在已知情感词的极性基础上加入句法分析，提取情感词所描述的属性[2]。基于规则的分类方法在理解能力、先验知识和迁移能力这些方面不具备优势，理解能力并不是依赖语法就能完成的，同一个词在不同领域中的含义也是不一样的，迁移能力明显达不到人类的水平[3]。近年来，逐渐采用机器学习方法来进行文本分类，这是一类基于统计的方法。机器学习通过从数据中学习模型和经验，让用户获得一个更接近事实和客观的洞察力和解释结果[4]。用于学习的文档集称为语料集，通常分成训练集和测试集两部分。训练集包括那些已经标记好类别的文档，而测试集是为了验证模型性能，包括那些未标记的文档。……