计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2014年
8期
2317-2321
,共5页
商品评价%情感分析%文本分类%矩阵投影%归一化向量
商品評價%情感分析%文本分類%矩陣投影%歸一化嚮量
상품평개%정감분석%문본분류%구진투영%귀일화향량
goods evaluation%sentiment analysis%text classification%Matrix Projection (MP)%Normalized Vector (NLV)
为了在准确判断商品评价情感倾向的同时提高识别效率,提出了基于矩阵投影(MP)和归一化向量(NLV)的文本分类算法实现对商品评价的情感分析.首先,利用矩阵投影提取商品评价的特征词;然后,计算每一类别中特征词的平均特征频率(FF),采用归一化函数(NLF)对平均特征频率进行归一化处理,得到每一类别的归一化向量;最后,通过比较评价的特征向量与每一类别的归一化向量的相似度预测评价的情感倾向.与k近邻(kNN)、朴素贝叶斯(NB)和支持向量机(SVM)算法进行了对比,实验结果表明该算法具有较高的预测准确度和分类速度:尤其与kNN算法相比该算法有明显优势,该算法的宏平均F1值比kNN高出12％以上,分类时间缩短了11/12;与SVM算法相比分类速度也大幅提高.
為瞭在準確判斷商品評價情感傾嚮的同時提高識彆效率,提齣瞭基于矩陣投影(MP)和歸一化嚮量(NLV)的文本分類算法實現對商品評價的情感分析.首先,利用矩陣投影提取商品評價的特徵詞;然後,計算每一類彆中特徵詞的平均特徵頻率(FF),採用歸一化函數(NLF)對平均特徵頻率進行歸一化處理,得到每一類彆的歸一化嚮量;最後,通過比較評價的特徵嚮量與每一類彆的歸一化嚮量的相似度預測評價的情感傾嚮.與k近鄰(kNN)、樸素貝葉斯(NB)和支持嚮量機(SVM)算法進行瞭對比,實驗結果錶明該算法具有較高的預測準確度和分類速度:尤其與kNN算法相比該算法有明顯優勢,該算法的宏平均F1值比kNN高齣12％以上,分類時間縮短瞭11/12;與SVM算法相比分類速度也大幅提高.
위료재준학판단상품평개정감경향적동시제고식별효솔,제출료기우구진투영(MP)화귀일화향량(NLV)적문본분류산법실현대상품평개적정감분석.수선,이용구진투영제취상품평개적특정사;연후,계산매일유별중특정사적평균특정빈솔(FF),채용귀일화함수(NLF)대평균특정빈솔진행귀일화처리,득도매일유별적귀일화향량;최후,통과비교평개적특정향량여매일유별적귀일화향량적상사도예측평개적정감경향.여k근린(kNN)、박소패협사(NB)화지지향량궤(SVM)산법진행료대비,실험결과표명해산법구유교고적예측준학도화분류속도:우기여kNN산법상비해산법유명현우세,해산법적굉평균F1치비kNN고출12％이상,분류시간축단료11/12;여SVM산법상비분류속도야대폭제고.
