马长林，王 涛

(1.华中师范大学 人工智能与智慧学习湖北省重点实验室 湖北 武汉 430079；2.华中师范大学 计算机学院 湖北 武汉 430079；3.国家语言资源监测与研究网络媒体中心 湖北 武汉 430079)

0 引言

文本情感分析隶属于计算语言学的范畴，广泛应用于机器学习、数据挖掘、深度学习、语义相似计算等多个研究领域[1-2]。文献[3-4]提出潜在评级回归(latent rating regression，LRR)模型，但这种方法缺乏对主题特征的相关关系和语义连贯性的考虑，特征的静态分割方式导致情感得分存在偏差。文献[5]提出稀疏特征编码模型，能较好地挖掘文本中的隐含信息。文献[6-7]采用支持向量机(support vector machine，SVM)来解决该类问题，但没有考虑主题和上下文的关系。文献[8]提出一种基于图连接的半监督情感检测方法，但是普适性不强，自然语言的复杂性导致其无法通过某些特定的词库来解决所有问题。文献[9]使用从文本中提取情感词典的方式进行情感分析，但该方法的计算复杂度较高。文献[10]对推特上的数据进行情感分析，但采用的推特数据需要考虑同一个人在不同时段的情感变化，难以对多维数据进行使用。文献[11]提出一种基于情感词典的情感分析框架。上述情感分析研究在进行文本特征提取时，大都是在主题之间相互独立的假设下实现的，尽管取得了一定的效果，但割裂了文本主题特征的相关关系，导致词的表示方式存在不足，而且对主题情感的评分过于依赖人工特征种子词的选择，研究人员必须非常熟悉情感评级领域才能设计出有效的特征。……