基于知网的模糊情感本体的构建研究

602 2012年6月第31卷第6期595-

JOURNALOFTHECHINASOCIETYFORSCIENTIFIC

ANDTECHNICALINFORMATIONISSN1000-0135Vol.31 No.6 595-602June 2012

doi 10.3772/j.issn.1000-0135.2012.06.005

1

基于知网的模糊情感本体的构建研究

112

史 伟 王洪伟 何绍义

1.同济大学经济与管理学院 上海 200092 2.加利福尼亚州州立大学圣马可斯分校商学院 美国

摘要 构建模糊情感本体是在线评论情感分析的基础 针对在线评论情感表达的多样性和模糊性 将情感本

体划分为评价词本体和情感词本体 利用模糊理论和知网相关概念 构建模糊情感本体的基本模型 根据评价词和情感词的各自特点 运用模糊化处理和语义相似度的相关理论 分别对评价词模糊本体和情感词模糊本体的情感类型和隶属度进行了相应处理 并通过与点互信息方法比较 验证了情感本体模型在自动获取情感类方面的有效性 最后进行了相关数据统计

关键词 模糊情感本体 知网 评价词 情感词 模糊处理

StudyonconstructionoffuzzyEmotionontologyBasedonhownet

112

Shiwei wangHongweiandHeShaoyi

1.SchoolofeconomicsandManagement TongjiUniUersity Shanghai200092 2.collegeofbusinessadministration californiaStateUniUersity SanMarcos USa

Abstract ConsideringthediversityandambiguityofemotionalexpressioninChineseon-linereviews thisstudyuses

fuzzytheoryandontologyconcepttobuildthebasicmodeloffuzzyemotionontologybasedonHowNet.Basedoneachfeaturesoftheevaluationwordsandemotionalwords usingtherelevanttheoriesoffuzzyprocessingandsemanticsimilarity respectivelyprocessingtheemotionclassesandmembershipofthefuzzyontologyofevaluationwordsandemotionalwords andbycomparisonexperiment ourfuzzyemotionontologyoutperformPointwiseMutualInformationintheaspectofgettingemotionclassesautomatically.

Keywords fuzzyemotionontology HowNet evaluationwords emotionalwords fuzzyprocessing

类的准确率低 鲁棒性也不理想 为此 一些学者尝

1 引 言

在线评论的情感分析已经成为文本挖掘领域的研究热点 现有的研究沿着两条技术路线展开 基于情感词汇语义特性和基于统计自然语言处理 目前 大多数研究采用统计自然语言处理技术 但这种方法对文本的语义理解能力不足 从而造成情感分

试将本体理论引入到情感分析中来 通过构造情感本体 更加显式地描述出情感领域中各种术语及相互关系的确切含义 从而增强对评论的语义理解能力 实现对用户情感的深入挖掘 可以说 情感本体的构建成为在线评论情感分析的一个突破口

ntology 是一个源于哲学的概念 原义是本体 o

指对 存在 的系统解释 在人工智能领域 本体被

收稿日期 2011年9月22日

作者简介 史伟 男 1981年生 博士研究生 主要研究方向 本体建模与情感计算 王洪伟 通讯作者 男 1973年生 博-mail hwwang@tongji.edu.cn 何绍义 男 1955年生 博士 兼职教士 副教授/博导 主要研究方向 商务智能与情感计算 E授/博导 主要研究方向 商务智能与文本挖掘

1 基金项目 国家自然科学基金资助项目 中文语境下基于模糊本体的用户在线评论的情感分析 70971099 上海市310 中央高校基本科研业务费专项资金资助 重点学科建设项目资助 B

万方数据 595

情报学报第31卷第6期2012年6月

定义为概念化的明确的规范说明

1

领域本体则的分类方法列举如表1所示

近年来 一些研究通过建立情感词汇本体库来iajunYan等 8 基于表达词的多种情感倾向 J

HowNet构建了中文情感本体 该本体包括5500个ero谓语动词 分成113种不同的情感类别 P

9

Subasic等认为一个情感词不仅只有一个情感倾

给出构成该领域词汇的基本术语和关系 以及利用这些术语和关系构成的规定这些词汇外延的规则的定义 近年来 本体理论在本体结构 本体检验 本体推理 本体开发方法 实用领域本体等方面取得了一定进展 但总体而言 还处于起步阶段 特别是缺乏针对情感领域的本体模型 使得现有的成果不能应用到情感分析中去 另外 已有的本体模型大都基于二值逻辑 难以表达情感领域的模糊和不确定性概念 因此 针对情感领域的特点 结合模糊理论 构造模糊情感本体 对于基于语义的情感分类研究 具有重要的意义

向 还可能同一种或多种情感类相关 最终的情感倾向取决于这个情感词与各个原子情感类的向心度(与类别的相关程度>和强度(表达情感的力度> 他iu等 10 提出使用们总结了83种原子情感类 L

OpenMindCommonsense数据库 为所选的语言特征赋予情感值 并将情感归纳为6个基本类别(高兴 悲伤 愤怒 恐惧 厌恶和惊奇> 通过分析带有情感色彩的词语特征来判断文本的情感极性 潘宇 林鸿飞

11

2 相关研究综述

人类的情感是复杂多样并且不断发展变化的 到目前为止 并没有一种公认的人类情感的划分方式 情感的分类有四 六 八 十乃至二十几类不等 对情感划分的研究仍在不断的进步和发展中 现有

通过建立情感词汇本体获取极性词 将情感

12

分成20个类别 情感词汇本体通过一个三元组来描述 那日萨等

利用基本评价模糊集对情感词汇

本体从隶属于情感分类的类别 强度 极性进行了概念模型描述 运用基本模糊评价集对语料库情感和

表1 情感分类综述

作者/年份Ekman 2 1993年许晓颖等

3

研究对象领域面部表情

情感类别六类

具体分类

njoyment> 悲伤(sadness> 恐惧(fear> 厌高兴(e

sgust> 愤怒(anger> 惊讶(surprise>恶(di

语种英文

汉语表达体系七类好(爱 敬> 恶 喜(乐> 怒 哀 惧 欲中文

2003年许晓颖等

3

基于心理感受基于表现力

两大类心理感受:喜 乐 爱 愁 闷 悲 慌 敬 激动 羞 疚 烦 急 傲 吃惊 怒 失望 安心 恨 嫉 蔑视 悔 委屈 谅 信 疑和其他

表现力:态度词 品性词 声音词和其他

中文

2003年

4

Zhang汉语词汇情感十二类高兴 悲哀 恐惧 厌恶 愤怒 惊奇 喜爱 期待 焦虑 内疚 赞扬 羞

中文

2005年林传鼎

5

大徐本<说文>表达表情的字

十八类安静 喜悦 恨怒 悲痛 哀怜 忧愁 忿急 烦闷 恐惧 惊骇 恭敬 抚爱 憎恶 贪欲 嫉妒 骄慢 惭愧和耻辱

中文

2006年

徐琳宏和林鸿飞

2007年

6

考虑中国传统

七情\"

七大类二十小类

乐 好 怒 哀 惧 恶 惊

快乐 安心 尊敬 赞扬 相信 喜爱 愤怒 悲伤 失望 思 慌 恐惧 羞 烦闷 憎恶 贬责 妒忌 傲慢 怀疑 惊奇

中文

ChangginOuan和FujiRen 7 2010年

博客情感表达八大类xpect> 高兴(joy> 喜爱(love> 惊讶期待(e

(surprise> 焦虑(anxiety> 悲伤(sorrow> 生气(angry> 讨厌(hate>

英文

-596-

万方数据基于知网的模糊情感本体的构建研究

评价词语进行人工标注 采用多人标注集中分析的方法确定了情感词的情感类别和强度 崔大志等

13

将情感词汇本体表示为 Se

ntiment word Englishword POS Editor Synonym Polarity Intensity Fuzziness 将在线评论情感词汇分为7大类 26小类 利用模糊集合将情感词汇本体概念模型中的Fuzziness用隶属度数值表示出来 与以往由电子词典或从语料中挖掘词语情感倾向的方法相比 本体方法的运用为词语情感倾向分析开辟了一条新的方向

知网 H

owNet 是以汉语和英语的词语所代表的概念为描述对象 以揭示概念与概念之间以及概念所具有的属性之间的关系为基本内容的常识知识库

14

对于汉语词汇 知网中的描述基于 义原

这一基本概念 义原 可以被认为是汉语中最基本的 不易于再分隔的最小语义单位 由于汉语中 词 的含义非常复杂 往往一个词在不同的语境中会表达不同的语义 因此 在知网中把汉语中的词理解为若干义项的集合 知网的语义字典中 每条记录都是由一个词语的一条义项及其描述所组成 即一条记录对应与一个词语的一个义项 例如 舒服 有三个义项 VB

ewell 健壮 ADJaValue 属性值 c

ircumstances 境况 peaceful 和平 Vsatisfied 满意 近年来有不少学者利用知网中的结构和提供的语义资源进行了中文条件下的语义学的研究 2007年知网发布了 情感分析用词语集 包括中英文程度级别词语 中英文正面评价词语 中英文负面评价词语 中英文正面情感词语 中英文负面情感词语还有中英文主张词语 为中文在线评论的情感分析提供了丰富的语义资源

在情感本体构建的研究中 词汇情感语义大都采用精确的方法来描述 如 漂亮 可赋值 +3 昂贵 可赋值 -2 等 但这种描述并不能很好的表达词汇情感 事实上 情感具有模糊性 为此一些学者开始运用本体和模糊数学的方法来构建情感本体 如前所例 但在情感词汇隶属度确定的过程中大多采用模糊数学的方法 如高斯函数等 方法单一 人工主观性明显 而且鲜有将情感本体分为评价词和情感词两类并针对它们不同的语义特点采用不同的方法来处理的

3 情感本体的分类

通过对在线评论语料的分析 可以将情感本体

万方数据分为两类 一类是消费者对产品及其特征发表的 肯定 或 否定 的评价 用来表达自己的观点或立场 通常以 特征-观点对 的形式出现 如 性能超值 机身不错 服务到位 屏幕总死机 等 另一类是消费者对评论涉及的主题进行各种情感表达 这些情感可以是 期待 愉快 喜爱 惊讶 担忧 伤卜 生气 等 例如 这次购物我很高兴 机子的性能让我很吃惊 我挺喜欢

本文将表达第一类情感语义的词汇称为评价词 将表达第二类情感语义的词汇称为情感词 评价词和情感词以下统称情感词汇 两类情感词汇都是在线评论情感分析的基础 知网2007版情感分析用词语集提供了正面评价词3730个 负面评价词3116个 正面情感词836个 负面情感词1254个

14

评价词是对产品及其特征发表的褒贬评价

词语形式多样 同时还具有众多的网络新词汇 而情感词是评论者对特定主题的情感表达 所用词汇语义上具有相似性 所以 在构建情感模糊本体的过程中 本文将根据评价词和情感词各自的特点 采用不同的方法建立本体模型 如图1所示

图1 情感模糊本体分类组成

4 模糊情感本体模型的建立

构建模糊情感本体的目标是 从语义层面上 明确用户评论中表达情感的公认的术语 给出这些术语及其相互关系的明确定义 实现对用户情感语义的共同理解 进而实现对具有模糊性的在线评论情感语义的计算

情感词汇是指带有感情色彩 表达用户褒贬倾向性的词语 情感词汇是判断评论情感的前提和基础 可以从多方来源搜集 如实际的评论语料库 各类词典等 本文采用知网中情感分析用词语集作为情感词汇来源

构建情感模糊本体 首先对情感表达中的情感词汇进行抽象 得到独立于具体环境而存在的概念模型 然后根据情感词汇定义以及词汇之间关系的

597

󰀡󰀢󰀣󰀢第31卷第6期2012年6月

约束7特别是由于描述情感语义的模糊特性而建立的约束7制定明确的\\无歧义的表示规则0这些表示规则反映了情感词汇中公认的知识7使得情感词汇通过本体语言编码可以被计算机读取和处理7建立了自然语言和计算机语言的关联0本文建立的情感词汇模糊本体作为将来在线评论情感分析的基础0

模糊情感本体(f

uzzyemotionontology)模型通过一个三元组来描述7即F

eO=(b7R7e)0其中7b(编号9词条9对应英语9词性9录入者9版本信息)表示词汇的基本信息7包括编号\\词条\\对应英语\\词性\\录入者和版本信息9R

(同义关系词汇)表示词汇之间的同义关系7即该词汇与哪些词汇具有同义关系9e(情感类型9隶属度)代表词汇的情感类型和隶属度0比如7

FeO=((0089仰慕9admiration9V9张三9知网2007版情感词汇集)7(敬慕9爱慕9景仰)7(喜爱90.44))

(1)编号 是关于情感词汇的顺序标记7便于情感词汇的索引0

(2)词条 是指有情感内涵或直接表现情感的单个单词0本文采用知网的情感分析用词语集作为模糊情感本体的情感词汇来源0随着时代的发展7情感词汇也在不断增加7因此模糊情感本体模型中的词汇将会适时的增加0对在线产品评论而言7同一评价词在对不同产品特征评价的上下文中通常表现出不同的情感类型7针对领域本体的建立我们会有不同的情感标注0

(3)对应英语 词条的英文表示7可以进行中英文对照0

(4)词性 同一词汇在不同的上下文里往往表现出不同的词性7不同的词性所表达的情感类和情感强度会有所不同0本文采用中国科学院计算技术研究所汉语词法分析系统(I

CTCLAS7http //ictclas.org/)进行词性标注0例如7张艺谋导演负担着2008年奥运会的开幕式的使命0其中C负担,属于V7感情类就属于C期待,0再如7明天的期末考试是小明的一个负担0这里C负担,属于N7感情类就属于C焦虑,0

(5)录入者 完成人工录入部分的人员姓名7以便于统计和查证0

(6)版本信息 表示建立的模糊情感本体词汇库的来源0

(7)同义关系词汇 体现本体中的关系7列出词条的同义词7同义词一般具有相同的情感类和情感

598万方数据

强度0这里参照汉语字典中的同义词部分0

(8)情感类型 评价词的类型分2类7采用G(好)\\B(坏)表示0情感词的类型分8类7依次是 期待\\高兴\\喜爱\\惊讶\\焦虑\\悲伤\\生气和讨厌0情感有积极和消极之分7即情感极性0上述8类情感中期待\\愉快\\喜爱属于积极情感7而伤卜\\生气和讨厌则属于消极情感7惊讶和担忧在不同的语境下既可能表现为消极也可能为积极0本文将提取到的情感词分别与8类基本情感类做比较7将隶属度最大的情感类作为此情感词的情感类0

(9)隶属度 隶属度的取值范围从0到17表明评价词或情感词对于某情感类型的归属程度0

5 模糊评价词本体的构建

由于评价词形式的多样性和不规则性7对评价词类型的归纳和隶属度的确定7采取人工方法处理0本文以知网2007版情感分析用词语集提供的3730个正面评价词和3116个负面评价词作为词汇来源7在此基础上建立评价词模糊本体库0一些新出现的网络评价词7可能并不包含在知网2007版情感分析用词语集中7为此7本文选择卓越亚马逊(http //www.amazon.cn/)中不同产品评论作为语料来源7利用模糊评价词本体对语料库评价词进行人工标注7以补充评价词来源0还有一些评价词在不同的上下文中表达的褒贬性是不一样的7如C这款液晶电视屏幕很薄0,和C这件外套太薄了7不适合冬天穿0,评价词C薄,在两个语境中的褒贬性是不一样的7前者显然是褒义7后者则有贬义了7为此本文在评价词模糊本体中对于有不同褒贬性的评价词7列举出多个褒贬度供参考0

本文采用模糊集合理论

15

对评价词的情感语

义进行量化处理0对评价词表现的褒贬程度在褒贬极性上分为正负各4级别 S(少)\\M(中)\\L(大)\\VL(极)7没有极性的为Z(无)9每个级别对应一个模糊隶属度函数7分别为-V

L7-L7-M7-S7Z7+S7+M7+L7+VL7本文统称为基本评价7并分别赋值为-17-0.

757-0.507-0.257070.2570.570.75710模糊集评价词的褒贬极性分别用G(好)\\B(坏)表示0比如MG=(G90.50)0

举个模糊评价词本体的例子 F

eO=((99不错9g

ood9a9张三9知网2007版情感分析用词语集)7(不坏9不赖)7(G90.50))

为了保证标注的准确性7采用多人标注\\集中分

基于知网的模糊情感本体的构建研究

析的方法 即三人分别对同一评价词进行情感极性模糊化标注;然后汇总分析 若两人以上标注的结果一致 则赋予该情感强度 否则请第四人进行校订

直至得到一致结果 这里运用kappa统计方法 7

来

衡量人工标注的一致性 统计公式如下所示

=

P

a -P e 1-P e

1

其中 P

a 表示标注结果中两人以上标注一致性的比例 P

e 表示标注一致的偶然概率 这里用专家第一次凭直觉标注的一致性概率进行估计 本文从两方面衡量评价词标注的一致性 ①褒贬极性 G或B;②褒贬程度 -VL -L -M -S Z +S +M +L +VL 标注一致性见表2

表2 评价词标󰀡一󰀢性

褒贬极性①

褒贬程度②

评价词

0.95

0.75

表3给出了评价词模糊语料库的一个实例

表3 评价词情感标󰀡表实󰀣语料库

评价库这手机价位比较理想 操作比评价词褒贬度较N

B 显示屏一般 性能有缺理想LG陷 待机时间无可救药了 机子倒比较轻

NBMG一般Z有缺陷MB无可救药

VLB轻

SG

在人工标注基础上 模糊评价词本体摈弃知网2007版的情感分析用词语集中不常用的生僻评价词 增加一些网络常用评价新词汇 最终的模糊评价词本体库包括6862个评价词词条 G类3715个词条 B类3147个词条 基本可满足在线评论的评价分析

6 模糊情感词本体构建

在线评论反映了消费者在购买使用产品和享受服务过程中的感受与体验 当消费者感知的产品或服务质量达到了期望水平 消费者就会表露出肯定

万方数据的态度 产生满意 喜悦 愉快等情感;反之 则会表露否定的态度 产生不满 忧愁 憎恨等情感 本文采用一个向量来

表示文本的情感

d= 2

这里 ei是包含在文本d中的一个基本情感类

ei的情感强度取值范围为 0 1

为了减少情感分类的混乱并能包含在线评论中大部分的通用情感类 本文挑选8种情感类 期待 高兴 喜爱 惊讶 焦虑 悲伤 生气 讨厌 用于情感词模糊本体构建中的情感类型的确定

隶属度的确定是一个主观性较强的过程 通常由语言学家人工判断 这个过程会明显地受到语言学者个人的认知 自身的经验等因素影响 虽然可以通过征求多个专家的意见来减少这种主观性 但是人工的影响还是很明显 考虑到情感词本身在语

义环境和结构方面具有相似性 本文将隶属度的计算视为情感词和情感类之间语义相似度的计算 在语义相似度计算时 将语义分成4部分 第一基本义原 其他基本义原 关系义原 和 符号义原 语义s1 s2之间的相似度计算如下

4

i

sim s1 s2 =ZBiHs

imj s1 s2 3

i=1

j=1

其中 Bi 1SiS4 是可调节的参数 且B1+B2+B3+B4=1 B1SB2SB3SB4

刘群提出词汇语义相似度算法 实现了义原之间语义相似度的计算

15

在义原语义相似度计算

的基础上 可以实现词语相似度的计算 词语相似度定义为两个词语的所有义项相似度中的最大值 通过输入两个词语并分别选取确切的义项 在结果显示框中即可得到相似度的数值 此即可作为某个情感词汇对于情感类的隶属度

具体对话框界面如图2 举个例子 输入词语情感词 开心 和情感类 高兴 并分别选择相应的义项为 j

oyful 喜悦 和 joyful 喜悦 得到的输出结果为1.

00 即这两个词语的相应义项下的相似度为1.

00 也即情感词 开心 相对于情感类 高兴 的隶属度是1.

00 还可以直接在对话框中修改以下参数 G

B1 B2 B3 B4 O S使隶属度的取值更加合理 其中 G为计算第一基本义原相似度时可

调节的常数 O为具体词与义原的相似度常数 S为任一非空值与空值的相似度常数

本文以知网 2007版 情感分析用集提供的正面情感词836个 负面情感词1254个作为语料源建立情感词模糊本体库 一个情感词对于不同的情感

599

情报学报第31卷第6期2012年6月

相似度计算自动获取情感类的方法进行比较 点互信息方法主要用来计算词语间的语义相关性 可运用该方法来确定情感词和基本情感类的语义相关性进而确定情感词的情感类和强度 计算公式如下所示

PMI w s =logij2

P ws ij

P w P s ij

4

这里w w i表示情感词 sj是基本情感类 Pisj表示情感词和基本情感类在语料中共同出现的概率 选择互信息最大的那个情感类作为该情感词的基本情感类

MI本文方法与P方法在确定情感类方面的比

图2 词󰀤语义相似度计算对󰀥󰀦

较结果如表4所示 结果表明本文的方法在保证工作效率的前提下情感类确定的准确率更高 具有实际的应用前景

表4 不同方法情感类确定准确率比󰀧

PMI

准确率

82%

本文方法86%

类具有不同的隶属度 例如 情感词 开卜 相对8种情感类具有不同的相似度

24 开卜 V期待0. 开卜 V高兴1.00 开卜 V喜爱0.21 开卜 V惊讶0.29 开卜 V焦虑0.04 开卜 V悲伤0.29 开卜 V生气0.29 开卜 V讨厌0.21

在这里 选取隶属度最大的情感类作为此情感词的情感类 隶属度最大值就是此情感词的隶属00 如果存在隶属度度 如 开卜 的隶属度就是1.

相同的情况 就由人工选择最合适的情感类 这里 开卜 的情感类选择 高兴 模糊情感词本体举例

FeO= 18 开卜 happy adj 张三 知网2007版情感分析用词语集 快乐 愉快 高00 兴 1.

最后构建的情感词模糊本体总共包含2090个词条 其中属于8种基本情感类 期待 高兴 喜爱 惊讶 焦虑 悲伤 生气和讨厌 的词条数分别为170 395 339 65 271 220 201 429

intwisemutualinformation 本文通过点互信息 po自动获取情感类的方法

16

7 数据统计

在线评论中不断有新词出现 模糊情感本体是一个动态的更新过程 在本次构建过程中共收录9952个词条 各类情感 2种评价类和8种情感类 统计如表5

由表5可以看出 2类评价词数量明显多于8类情感词的数量 这符合在线评论中对于商品/服务特征的评价要比用户情绪的表达要多的一般认识 2类评价词数量相差不大 而8种情感中 高兴 和 讨厌 两种极性明显的情感词会比较多 这说明用户在在线评论中情感表达一般比较明确

评价词和各类情感词的强度分配如图3和图4所示 总体来看评价词的强度在M和L的词汇数量普遍高于其他强度等级的评价词汇 对于8类情感40~0.60和0.80~1.00的情感词数类来说处于0.量比较多

与本文通过情感词语义

表5 鲁情感类词󰀤数量

情感类词汇数

G类评价词

3715

B类评价词

3147

期待170

高兴395

喜爱339

惊讶65

焦虑271

悲伤220

生气201

讨厌429

600

万方数据基于知网的模糊情感本体的构建研究

图3 评价词强度分󰀨

图4 情感词强度分󰀨

8 结束语

文本中的语义往往是模糊的 在传统的词义量化研究中 往往把词义用精确数学加以量化 其优点是计算方法简单~实用 不足之处是自然语言和情感方面所固有的模糊本质属性未能得到准确的体现 本文针对在线评论情感词汇 根据自然语言和情感的模糊属性 并基于知网提供的评价词和情感词 采用不同的方法分别建立了模糊情感本体 最后构建的中文模糊情感本体包括了6862个评价词词条和2090个情感词词条 并分别赋予了相应的隶属度

在线评论中文模糊情感本体的构建是一个动态的过程 网络中不断涌现新的带有情感色彩的词汇 今后的工作将加入更多新的语义资源来丰富词汇模糊本体 同时针对评价词在不同语境中的情感色彩会有所不同 不断丰富已有模糊评价词本体中的褒贬度 针对情感类的发展具有 绝对的变化性 和 相对的稳定性 的特点 完善现有基本情感类的确定 挑选出更适合在线评论的情感类表达

词汇的情感色彩的分析是整篇评论情感分析的基础 本文构建的模糊情感本体可以为句子~段落和篇章级的情感分析提供基础和依据 以此为基础的情感分析技术在在线评论的客户观点挖掘~消费情绪变化追踪~博客或微博文本中情感表达或变迁的识别~舆情分析和监控等方面有广泛的应用价值

万方数据 3 :36-56.

参考文献

1 NechesR FikesRE GruberTR etal.EnablingTechno-logyforKnowledgeSharing J .AIMagazine 1991 12 2 EkmanP.Facialexpressionandemotion J .American

1993 48 4 :384-39.Psyehologist

3 许晓颖 陶建华.汉语情感系统中情感划分的研究

C //第一届中国情感计算及智能交互学术会议 北205.京 2003:199- 4 ZhangY LiZM RenFJ.etal.Semi-automaticemotion

recognitionfromtextualinputbasedontheconstructedemotionthesaurus C //InternationalConferenceon 30 40 NaturalLanguageProcessingandEngineering.wuhan 2005:571-576.

5 林传鼎. .社会主义卜理学中的情绪问题 J社会卜理

62.科学 2006 21 83 :37- 6 徐琳宏 林鸿飞. .基于语义资源的文本情感计算 D

大连:大连理工大学计算机科学与工程系 2007. 7 OuanChanggin RenFuji.Ablogemotioncorpusfor

emotionalexpressionanalysisinChinese J .ComputerSpeechandLanguage 2010 24:726-749.

8 YanJiajun BracewellDB RenFuji etal.TheCreationof

aChineseEmotionOntologyBasedonHowNet.Advanceonlinepublication 2008-02-19.

9 PeroSubasic MemberIEEE AlisonHuettner.Affect

AnalysisofTextUsingFuzzySemanticTyping.IEEE August2001 9 4 .TransactionsonFuzzySystems 10 LiuB HuM ChengJ.Opinionobserver:Analyzingand

Knowledge

601

󰀡󰀢󰀣󰀢第31卷第6期2012年6月(12>:395-398.

comparingopinionsontheweb[C]//Proceedingsofthe14thInternationalworldwideweb

Conference

(www>,NewYork,NY,USA:ACM,2005:342-351.

[11] 潘宇,林鸿飞.基于语义极性分析的餐馆评论挖掘.

210.计算机工程,2008,34(17>:208-[12] NaRi-sa,LiuYing,LiYuan.SemanticFuzzyCalcula-tionandProductRecommendationBasedonOnlineReviews.JournalofGuangxiNormalUniverSity:NaturalScienceEdition,2010,28(1>:143-146.

[13] 崔大志,孙丽伟.在线评论情感词汇模糊本体库构建

[J].辽宁工程技术大学学报(社会科学版>,2010,4

[14] HowNet[R].HowNet sHomePage.http://www.

keenage.com.

[15] 刘群,李素建.基于<知网>的词汇语义相似度的计算

[A].第三届汉语词汇语义学研讨会,台北,2002.

[16] 徐琳宏,林鸿飞,潘宇.].情感词汇本体的构造[J情

185.报学报,2008,27(2>:180-

󰀡责任编辑 马 兰󰀢

-602-

万方数据基于知网的模糊情感本体的构建研究

作者：作者单位：刊名：英文刊名：年，卷(期)：

史伟， 王洪伟， 何绍义， Shi Wei， Wang Hongwei， He Shaoyi

史伟,王洪伟,Shi Wei,Wang Hongwei(同济大学经济与管理学院,上海,200092)， 何绍义,HeShaoyi(加利福尼亚州州立大学圣马可斯分校商学院,美国)

情报学报

JOURNAL OF THE CHINA SOCIETY FOR SCIENTIFIC ANDTECHNICAL INFORMATION2012,31(6)

1.Neches R;Fikes R E;Gruber T R Enabling Techno-logy for Knowledge Sharing 1991(03)2.Ekman P Facial expression and emotion 1993(04)3.许晓颖;陶建华 汉语情感系统中情感划分的研究 2003

4.Zhang Y;Li Z M;Ren F J Semi-automatic emotion recognition from textual input based on theconstructed emotion thesaurus 2005

5.林传鼎 社会主义心理学中的情绪问题 2006(83)6.徐琳宏;林鸿飞 基于语义资源的文本情感计算 2007

7.Quan Changqin;Ren Fuji A blog emotion corpus for emotional expression analysis in Chinese[外文期刊]2010

8.Yan Jiajun;Bracewell D B;Ren Fuji The Creation of a Chinese Emotion Ontology Based on HowNet 20089.Pero Subasic;Alison Huettner Affect Analysis of Text Using Fuzzy Semantic Typing[外文期刊] 2001(04)10.Liu B;HuM;Cheng J Opinion observer:Analyzing and comparing opinions on the web 200511.潘宇;林鸿飞 基于语义极性分析的餐馆评论挖掘[期刊论文]-计算机工程 2008(17)

12.Na Ri-sa;Liu Ying;Li Yuan Semantic Fuzzy Calcula-tion and Product Recommendation Based on OnlineReviews 2010(01)

13.崔大志;孙丽伟 在线评论情感词汇模糊本体库构建 2010(12)14.HowNet.HowNet's Home Page

15.刘群;李素建 基于《知网》的词汇语义相似度的计算 2002

16.徐琳宏;林鸿飞;潘宇 情感词汇本体的构造[期刊论文]-情报学报 2008(02)

本文链接：http://d.g.wanfangdata.com.cn/Periodical_qbxb201206006.aspx