基于机器学习的中文微博情感分类实证研究.pdf

基于机器学习的中文微博情感分类实证研究 概述： 本文研究基于机器学习的中文微博情感分类问题，旨在探索机器学习算法在中文微博情感分类中的应用效果。研究中使用了三种机器学习算法、三种特征选取算法以及三种特征项权重计算方法，对微博进行了情感分类的实证研究。 机器学习算法： 1. 支持向量机（SVM）：SVM是一种常用的机器学习算法，通过最大化间隔来分类样本。本研究中，SVM算法在微博情感分类中表现最好。 2. 贝叶斯分类算法（Naive Bayes）：Naive Bayes是一种基于概率的机器学习算法，通过计算每个特征的概率来分类样本。 3. decision tree（决策树）：决策树是一种基于树形结构的机器学习算法，通过递归划分样本来分类。 特征选取算法： 1. 信息增益（IG）：IG是一种常用的特征选取算法，通过计算每个特征的信息增益来选择最优的特征集。 2. 变异系数（VC）：VC是一种基于变异系数的特征选取算法，通过计算每个特征的变异系数来选择最优的特征集。 3. 互信息（MI）：MI是一种基于互信息的特征选取算法，通过计算每个特征与目标变量之间的互信息来选择最优的特征集。 特征项权重计算方法： 1. TF-IDF（Term Frequency-Inverse Document Frequency）：TF-IDF是一种常用的特征项权重计算方法，通过计算每个特征项的频率和逆文档频率来计算权重。 2. Term Frequency（TF）：TF是一种基于词频的特征项权重计算方法，通过计算每个特征项的词频来计算权重。 3. Inverse Document Frequency（IDF）：IDF是一种基于逆文档频率的特征项权重计算方法，通过计算每个特征项的逆文档频率来计算权重。 实验结果： 实验结果表明，SVM算法在微博情感分类中表现最好，而IG特征选取方法和TF-IDF特征项权重计算方法的组合效果最好。对于电影领域，实验结果表明，微博评论和普通评论之间分类模型的通用性存在差异，情感分类性能力依赖于评论的风格。 结论： 本研究表明，机器学习算法在中文微博情感分类中的应用效果良好，SVM算法和IG特征选取方法、TF-IDF特征项权重计算方法的组合效果最好。该研究结果为中文微博情感分类提供了有价值的参考依据。 关键词：微博；情感分类；机器学习；特征选取；特征项权重