论文部分内容阅读
随着互联网技术的深入发展与普及，社交媒体已经渗透到社会生活的方方面面，成为人们传播信息、分享情感和表达意愿最主要的渠道之一。互联网用户在社交媒体平台上通过发布内容、参与评论等形式表达对特定对象、事件或话题的情感与立场。面向社交媒体文本的情感分析与立场挖掘可以帮助人们发掘公众观点、及时了解和掌握舆情动态，在商业、安全等领域中具有十分重要的研究和应用价值。本论文工作聚焦社交媒体文本的情感分析与立场挖掘问题，探究用户个性化信息在情感分析中的应用，并研究话题信息对多方立场挖掘的作用。采用社交媒体数据集，包括新浪微博数据集、Twitter数据集等，对提出的情感分析与立场挖掘方法进行了有效性验证。 本论文的主要工作和创新点归纳如下: 1.探究性格因素在社交媒体情感分析中的作用，并首次提出一种基于Big Five性格模型的情感极性分类方法。该方法根据用户的不同性格维度对社交媒体文本进行分组，从而挖掘不同性格维度对应的个性化情感特征，并通过集成学习融合个性化与通用情感分类结果，以提升现有情感分类方法的效果。最后，采用实验方法验证了所提出的个性化社交媒体情感分析方法的有效性。 2.在立场挖掘领域，首次开展面向多方实体的立场挖掘研究，并提出一种融合双层话题信息的多方立场挖掘方法。该方法利用社交媒体文本中与特定立场相关的话题信息细颗粒度地刻画不同立场的词汇特征，并挖掘与立场无关的通用话题进一步提升立场分类效果。最后，采用实验方法验证了所提出的多方立场挖掘方法的有效性。 3.为减少多方立场挖掘所需的人工标注数据，同时保证分类性能，提出一种基于用户立场一致性与话题信息的半监督多方立场挖掘方法。该方法采用自训练方式、利用少量已标注文本和大量未标注文本迭代训练立场分类模型，并根据用户立场一致性与话题信息选择高置信度分类样本用于扩充训练文本集合。最后，采用实验方法验证了所提出的半监督多方立场挖掘方法的有效性。 4.在所提出的半监督多方立场挖掘方法基础上，进一步提出一种基于话题建模的弱监督多方立场挖掘方法。该方法首先运用情感分析自动标注少量文本的立场，再利用大规模文本之间的内在语义关联提升对噪声标签的鲁棒性。该方法通过扩展话题模型得到具有立场区分性的话题，并基于话题相似度确定文本立场。最后，采用实验方法验证了所提出的弱监督方法在多方立场挖掘中的有效性。