目录
Abstract
-
利用我们所构建的情感同义词典来获取情感信息的半自动获取技术
- 情绪同义词典
- 情绪分析器
Introduction
将词汇的情感分为12个基本的情感类别,建立了一个情感感知模型,并对该模型的各个部分进行了详细的介绍。
Emotion Word Classifying
以下为12种情绪,以及一个平衡状态。
Database Construction
Database Structure
- 在构建情感信息数据库时,我们选择语音、部分语音、图像值,情感的类别称为情感属性。
- “意象价值”的概念,用来表达情感词的情感强度。
- 贬义->阴性->中性->阳性->褒义
Emotion Classification Model
Lexical Analysis(词法分析)
ICTCLAS系统作为我们的研究对象
Syntax Analysis(语法分析)
灵感来源于结构上下文条件概率解析模型
Emotion Recognition
-
句式提取、情感感知、情感标注和情感判断四个过程
- 从语法分析过的句子中提取句型
- 计算出句子中有多少个情感词
- 被选择的词将被标记上情感属性
- 表达整个句子的中心情感
Sentence Pattern Extracting
- 最终的情绪状态是根据所有的情绪关键词来确定的,而这些关键词是根据我们收集的情绪语料库——情绪词库来估计的。
- 连词在情态句分析中起着非常重要的作用,将97个连词分为6类,意合、过渡、让步、选择、假设和因果关系。
Emotion Sensing
- 所有这些主要词汇都是通过它们的图像值来评价的,平均值将决定句子的特征。
- 我们做的另一件事是使用哈尔滨工业大学信息检索实验室(哈尔滨工业大学)的同义词同义词典,以减少单词的查询,因为单词可以很好地分类。
Emotion Tagging
- 对于每一个可能的情感词汇及其相关强度,该系统也需要特定的标记。
- 用图像值和情感特征来标记所有的情感关键词。从-2到+2有5个等级。
- 一般来说,句子中不止一个emotional关键字,我们选择的所有关键字都有一个image值,并按照reference frame graph的出现顺序依次排列。
Emotion Judging
- 最后的情绪状态是三个输出的组合:情绪关键字的情绪描述符、情绪关键字的图像值和上下文敏感性的记忆图。
- 首先,我们收集所有类型的情感出现在句子的结果,根据部分E。使用上下文敏感的知识我们可以消除最不可能的情感和解决几种最主要的情绪,然后完成情感计算的一部分,得到计算的结果。