李壽山，李逸薇，黃居仁，蘇 艷

(1. 蘇州大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 蘇州 215006；2. 香港理工大學(xué) 中文及雙語(yǔ)學(xué)系，香港)

1 引言

隨著互聯(lián)網(wǎng)的迅猛發(fā)展，網(wǎng)絡(luò)上出現(xiàn)了大量對(duì)于人物、事件、產(chǎn)品等進(jìn)行評(píng)論的文本信息。為了處理和分析這些海量的評(píng)論信息，情感分析(Sentiment Analysis)正漸漸發(fā)展成為自然語(yǔ)言處理中一項(xiàng)越來(lái)越受關(guān)注的研究課題[1-3]。其中情感詞典資源建設(shè)是情感分析研究中的一個(gè)基礎(chǔ)任務(wù)。情感詞典構(gòu)建的主要任務(wù)為詞語(yǔ)情感傾向計(jì)算，目標(biāo)是將詞語(yǔ)按照情感傾向分為褒義、中性或者貶義。該任務(wù)的研究對(duì)于情感分析研究有著非常重要的意義。例如，情感詞典的構(gòu)建能夠給大粒度文本(如句子級(jí)、篇章級(jí)文本)的分類(lèi)任務(wù)提供基礎(chǔ)，例如，大量無(wú)監(jiān)督篇章級(jí)文本情感分類(lèi)方法都是基于一些已知情感類(lèi)別的詞語(yǔ)集合，這個(gè)詞集合一般被稱(chēng)為種子情感詞(Seed Words)[4]。此外，進(jìn)行詞語(yǔ)級(jí)情感分析對(duì)于詞語(yǔ)語(yǔ)義理解和消歧具有重要的意義。例如，文獻(xiàn)[5]指出情感傾向性可以與詞義定義相關(guān)聯(lián)的，并實(shí)驗(yàn)驗(yàn)證了情感傾向性計(jì)算有助于傳統(tǒng)的詞義消歧(Word Sense Disambiguation)任務(wù)。

然而，中文情感分析研究一直以來(lái)缺乏一個(gè)涵蓋廣的語(yǔ)義傾向的情感詞典。構(gòu)建這樣的詞典非常困難。首先，很多詞語(yǔ)在不同語(yǔ)境中它的語(yǔ)義傾向不盡相同。詞有多義，歧義的現(xiàn)象，同一觀點(diǎn)詞在不同領(lǐng)域，不同的語(yǔ)境中甚至?xí)邢喾吹膬A向性表達(dá)。例如，詞語(yǔ)“圓滑”在句(1)電子領(lǐng)域表現(xiàn)為褒義，而在句(2)的語(yǔ)境中則表現(xiàn)為貶義。其次，傳統(tǒng)的詞語(yǔ)傾向性分析方法是由已有的電子詞典或詞語(yǔ)知識(shí)庫(kù)擴(kuò)展生成詞典，但是從國(guó)內(nèi)外的相關(guān)研究現(xiàn)狀可知，中文情感分析研究起步晚，中文情感字典建設(shè)的可用資源相對(duì)薄弱。因此，設(shè)計(jì)高效的中文情感詞典構(gòu)建算法是一個(gè)相當(dāng)具有挑戰(zhàn)性的工作。

(1) 該筆記本電腦外形邊角處理十分圓滑。

(2) 他變得圓滑，只能選擇一再躲避現(xiàn)實(shí)。

相對(duì)而言，英文的情感分析研究起步較早，已經(jīng)存在大量相關(guān)語(yǔ)料及一些比較成熟的情感詞典。本文基于已有的英文資源提出一種新的中文詞語(yǔ)情感計(jì)算方法，即利用英文種子詞典，結(jié)合雙語(yǔ)言約束的方法構(gòu)建一個(gè)中文情感詞典。我們的方法借助機(jī)器翻譯系統(tǒng)來(lái)消除中英文兩種語(yǔ)言之間的障礙，把一篇源語(yǔ)言的評(píng)論和對(duì)應(yīng)的翻譯語(yǔ)言評(píng)論作為一整篇文檔，通過(guò)計(jì)算中文詞語(yǔ)與英文正向基準(zhǔn)詞及負(fù)向基準(zhǔn)詞之間的逐點(diǎn)互信息(Point-wise Mutual Information)。在此基礎(chǔ)上，我們利用這些互信息值作為詞語(yǔ)之間的連接權(quán)重，進(jìn)而構(gòu)建詞語(yǔ)網(wǎng)絡(luò)，借助標(biāo)簽傳播(Label Propagation)算法將英文的情感詞極性信息傳播到中文的詞語(yǔ)上。該詞典的構(gòu)建既利用了英文詞典中的情感詞極性信息，同時(shí)也充分利用了雙語(yǔ)言資源對(duì)情感詞極性在語(yǔ)境環(huán)境中的約束信息。在四個(gè)領(lǐng)域上的實(shí)驗(yàn)表明，我們的方法能獲得一個(gè)分類(lèi)精度高，并且能覆蓋領(lǐng)域中詞語(yǔ)的語(yǔ)境信息的中文情感詞典。

本文結(jié)構(gòu)組織如下： 第2節(jié)介紹情感詞典資源構(gòu)建已有的相關(guān)研究工作；第3節(jié)介紹我們提出的基于雙語(yǔ)信息的情感詞典構(gòu)建方法；第4節(jié)給出實(shí)驗(yàn)結(jié)果及分析；第5節(jié)給出結(jié)論，并展望下一步工作。

2 相關(guān)工作

文本情感分析研究按照所關(guān)注的文本粒度大致可以分為三個(gè)主要方向： 詞語(yǔ)級(jí)[6-7]、句子級(jí)[8]、篇章級(jí)[2，9]。其中，詞語(yǔ)級(jí)的情感分析研究一直備受關(guān)注。詞語(yǔ)情感計(jì)算方法主要分為三類(lèi)： (1)由已有的電子詞典或詞語(yǔ)知識(shí)庫(kù)擴(kuò)展生成傾向詞典。在英文中利用WordNet資源[6，10-11]，在中文中利用HowNet資源[12]。這種方法的主要思想是： 給定一組已知極性的詞語(yǔ)集合作為種子，對(duì)于一個(gè)情感傾向未知的新詞，在電子詞典中找到與該詞語(yǔ)義相近、并且在種子集合中出現(xiàn)的若干個(gè)詞，根據(jù)這幾個(gè)種子詞的極性，對(duì)未知詞的情感傾向進(jìn)行推斷。但這種方法不能覆蓋詞語(yǔ)的語(yǔ)境信息；(2)無(wú)監(jiān)督機(jī)器學(xué)習(xí)的方法。這種方法是根據(jù)詞語(yǔ)在語(yǔ)料庫(kù)中的同現(xiàn)情況判斷其與某種情感類(lèi)別的聯(lián)系緊密程度，代表性的文章包括文獻(xiàn)[1，13-14]。這些方法中初始的種子情感詞對(duì)算法的成敗起到關(guān)鍵作用。(3)基于人工標(biāo)注語(yǔ)料庫(kù)的學(xué)習(xí)方法。首先對(duì)情感傾向分析語(yǔ)料庫(kù)進(jìn)行手工標(biāo)注。標(biāo)注的級(jí)別包括篇章級(jí)的標(biāo)注(即只判斷文檔的情感傾向性)、短語(yǔ)級(jí)標(biāo)注和句子級(jí)標(biāo)注。在這些語(yǔ)料的基礎(chǔ)上，利用詞語(yǔ)的共現(xiàn)關(guān)系、搭配關(guān)系或者語(yǔ)義關(guān)系，判斷詞語(yǔ)的情感傾向性。這種方法需要大量的人工標(biāo)注語(yǔ)料庫(kù)，代表性的工作見(jiàn)文獻(xiàn)[7，15-17]。

本文提出的方法不同于上面提到的任何一種方法，我們?cè)跇?gòu)建中文情感詞典時(shí)不需要依賴(lài)中文的種子情感詞，而是充分利用雙語(yǔ)言語(yǔ)料及英文種子詞典，這些資源很容易得到。同時(shí)，我們利用標(biāo)簽傳播算法，結(jié)合英文種子詞和雙語(yǔ)語(yǔ)料統(tǒng)計(jì)的方法構(gòu)建出的情感詞典能有較好的領(lǐng)域語(yǔ)境信息。

3 基于標(biāo)簽傳播算法的中文情感詞典構(gòu)建方法

3.1 結(jié)合英文種子詞和雙語(yǔ)言約束信息

構(gòu)建一個(gè)中文情感詞典，依照傳統(tǒng)的詞語(yǔ)傾向性分析方法有兩種，一種是由已有的電子詞典或詞語(yǔ)知識(shí)庫(kù)擴(kuò)展生成傾向詞典，這種方法對(duì)中文種子詞數(shù)量的依賴(lài)比較明顯。另一種方法是基于非標(biāo)注語(yǔ)料庫(kù)的學(xué)習(xí)方法，該方法也需要大規(guī)模中文語(yǔ)料。眾所周知，中文情感分析起步晚，可用的中文語(yǔ)料和中文種子詞資源有限。相對(duì)而言，英文情感分析相關(guān)資源比較充分。因此，本文搜集了四個(gè)領(lǐng)域的中英文評(píng)論語(yǔ)料，結(jié)合英文種子詞，利用雙語(yǔ)信息來(lái)幫助構(gòu)建中文情感詞典。具體來(lái)講， 我們借助機(jī)器翻譯系統(tǒng)Google Translate*www.google.com把英文評(píng)論翻譯成中文評(píng)論，同時(shí)把中文評(píng)論翻譯成英文評(píng)論。因此，每篇評(píng)論的內(nèi)容由源語(yǔ)言文本和對(duì)應(yīng)的翻譯文本共同表示，表示同一意思的中文情感詞和英文情感詞會(huì)出現(xiàn)在同一篇文檔中。通過(guò)計(jì)算每個(gè)詞語(yǔ)的逐點(diǎn)互信息(PMI)，再利用標(biāo)簽傳播算法(LP)將種子詞的極性在詞語(yǔ)間傳遞，從而得到一個(gè)帶傾向權(quán)值的中文情感詞詞典。我們提出的方法能充分利用雙語(yǔ)言資源的約束信息，整個(gè)算法的框架如圖1所示。

圖1 基于標(biāo)簽傳播算法的中文情感詞典構(gòu)建框架圖

3.2 結(jié)合雙語(yǔ)信息構(gòu)建相似度矩陣

首先，將雙語(yǔ)評(píng)論中的每一個(gè)詞語(yǔ)和種子詞語(yǔ)都抽象成一個(gè)結(jié)點(diǎn)；其次，如果詞語(yǔ)A跟另一個(gè)詞語(yǔ)B共同出現(xiàn)在同一篇文本里，則存在一條有向邊從A鏈接到B，同時(shí)存在一條有向邊從B鏈接到A；有向邊的權(quán)重為詞語(yǔ)A和B的語(yǔ)義相似度的計(jì)算值PMI(A,B)，計(jì)算方法如式(1)所示?？梢詫⑷我鈨蓚€(gè)詞語(yǔ)的相似度計(jì)算出來(lái)，然后構(gòu)建一個(gè)相似度矩陣PMI，其中PMI[i][j]的值表示單詞j與單詞i的相似度值。

(1)

3.3 構(gòu)建相似度概率轉(zhuǎn)移矩陣及LP計(jì)算

按以上方法，整個(gè)雙語(yǔ)語(yǔ)料里的詞語(yǔ)被抽象為一張有向圖。假設(shè)一共有n個(gè)節(jié)點(diǎn)，然后可組建一個(gè)n維的相似度概率轉(zhuǎn)移矩陣。其中T[i][j]的值表示單詞j與單詞i的相似度轉(zhuǎn)移概率，計(jì)算如式(2)所示。

假設(shè)有向圖有6個(gè)結(jié)點(diǎn)A、B、C、D、E、F，其中A是褒義種子詞，極性為+1；B是貶義種子詞，極性是-1；其余四個(gè)詞語(yǔ)的極性未知，設(shè)為0。用向量V表示結(jié)點(diǎn)A到F的初始情感極性rank。

如圖2中節(jié)點(diǎn)A鏈向C、D、F，在這里假設(shè)節(jié)點(diǎn)間相似度都為1，所以A跳向C，D，F(xiàn)的概率各為1/3。相似度概率轉(zhuǎn)移矩陣如下：

圖中結(jié)點(diǎn)A和B是種子詞，C、D、F與種子詞A直接聯(lián)系， 通過(guò)基于PMI的算法可以直接求出C、D、F的情感極性。然而從圖中我們可以發(fā)現(xiàn)，結(jié)點(diǎn)E通過(guò)C也與種子詞A間接聯(lián)系，因此通過(guò)LP算法可以在整個(gè)有向圖中更精確地計(jì)算出E的極性。

圖2 結(jié)點(diǎn)間抽象結(jié)構(gòu)圖

其中，T[j][i]的值表示結(jié)點(diǎn)j到結(jié)點(diǎn)i的相似度矩陣轉(zhuǎn)移概率。V[j]表示迭代前結(jié)點(diǎn)j的初始情感極性，SO[i] 表示經(jīng)過(guò)迭代計(jì)算后的結(jié)點(diǎn)i的情感極性。經(jīng)過(guò)一次迭代計(jì)算后，每個(gè)結(jié)點(diǎn)的極性值都會(huì)發(fā)生改變，得到新的情感極性向量SO。

SO=[1,-1,1/2,1/2,-1/2,0]T

(6)

在下一次迭代前將種子詞的極性恢復(fù)初始值，并且將V=SO。經(jīng)過(guò)多次迭代計(jì)算后，得到情感詞典的準(zhǔn)確率更高，而且能覆蓋領(lǐng)域內(nèi)上下文語(yǔ)境信息。

3.4 算法流程

基于雙語(yǔ)的語(yǔ)義相似度和LP算法的中文情感詞典構(gòu)建算法流程如下：

算法流程：

輸入：

英文評(píng)論Uen，中文評(píng)論Ucn；

英文種子詞典Len；

輸出：

一個(gè)帶傾向權(quán)值的中文情感詞典Lcn；

程序：

1. 雙語(yǔ)言評(píng)論U=?；

2. 將Uen中的每一篇英文評(píng)論翻譯成中文，組成一篇雙語(yǔ)評(píng)論并添加到U中；

3. 將Ucn中的每一篇中文評(píng)論翻譯成英文，也組成一篇雙語(yǔ)評(píng)論添加到U中；

4．在U的特征向量集上，計(jì)算每個(gè)詞語(yǔ)之間的相似度值矩陣PMI，每一項(xiàng)的值計(jì)算方法按照式(1)；

5. 按照式(2)計(jì)算出詞語(yǔ)之間的相似度概率轉(zhuǎn)移矩陣T；

迭代N次：

6. 按照式(5)在整個(gè)有向圖中計(jì)算得到詞語(yǔ)的新的情感極性向量SO；

7. 將SO中種子詞的極性恢復(fù)初始值，+1或者-1；

8.V=SO；

9. 重復(fù)步驟6-9，直至循環(huán)結(jié)束；

10. 最終得到的向量SO即每個(gè)詞語(yǔ)的情感傾向性，正負(fù)號(hào)就可以表示詞語(yǔ)的極性，而絕對(duì)值就代表了該詞具有的情感傾向強(qiáng)度；

11. 按照詞語(yǔ)情感傾向性的強(qiáng)度排序。

4 實(shí)驗(yàn)

4.1 實(shí)驗(yàn)設(shè)置

本實(shí)驗(yàn)中，我們收集了四個(gè)領(lǐng)域的中英文語(yǔ)料庫(kù)，這四個(gè)領(lǐng)域分別為： 電腦、照相機(jī)、化妝品、軟件。該語(yǔ)料庫(kù)的主要來(lái)源是亞馬遜網(wǎng)站*http://www.amazon.cn/，每個(gè)領(lǐng)域包含正類(lèi)和負(fù)類(lèi)的評(píng)論篇數(shù)如表1所示。英文種子詞來(lái)自文獻(xiàn)[18]，包括2 000個(gè)褒義的種子詞和 4 000個(gè)貶義的種子詞。在進(jìn)行計(jì)算之前，首先我們采用中國(guó)科學(xué)院計(jì)算技術(shù)研究所的分詞軟件 ICTCLAS 對(duì)中文文本進(jìn)行分詞操作。給定分好詞的文本后，我們分別對(duì)文本的所有中文詞語(yǔ)進(jìn)行了情感傾向計(jì)算。

表1 四個(gè)領(lǐng)域的中英文正負(fù)評(píng)論篇數(shù)

4.2 實(shí)驗(yàn)結(jié)果及分析

4.2.1 LP算法構(gòu)建中文情感詞典的實(shí)驗(yàn)結(jié)果

表2給出了用LP方法四個(gè)領(lǐng)域內(nèi)打分最高的前100詞中分類(lèi)的精確度, 打分最高的前200詞中分類(lèi)的精確度及褒義詞實(shí)例、貶義詞實(shí)例。從表中可以看出，打分最高的100詞中，電腦領(lǐng)域判斷錯(cuò)誤的詞語(yǔ)有9個(gè)，照相機(jī)判斷錯(cuò)誤的有10個(gè)，化妝品領(lǐng)域判斷錯(cuò)誤的僅為8個(gè)，軟件領(lǐng)域?yàn)?5個(gè)。而四個(gè)領(lǐng)域前200個(gè)詞的分類(lèi)正確率仍然能達(dá)到87.5%、88.5%、87.0%、87%。從實(shí)驗(yàn)結(jié)果可以看出，四個(gè)領(lǐng)域前200個(gè)詞語(yǔ)的正確率相比基于PMI的方法平均提高了8.6%。這是因?yàn)樵趯?shí)驗(yàn)中不僅結(jié)合了雙語(yǔ)的信息，同時(shí)根據(jù)種子詞的極性和相似度概率轉(zhuǎn)移矩陣，用LP方法計(jì)算出所有詞語(yǔ)的情感極性。在此基礎(chǔ)上，繼續(xù)根據(jù)詞語(yǔ)之間的相似度轉(zhuǎn)移概率在整個(gè)有向圖中學(xué)習(xí)詞語(yǔ)的情感極性，直至迭代結(jié)束，使得構(gòu)建的中文情感詞典精確度更高。

表2LP方法的四個(gè)領(lǐng)域內(nèi)打分最高的100及200個(gè)詞中情感分類(lèi)精確度

電腦照相機(jī)化妝品軟件精確度(100)/%91．090．092．085．0精確度(200)/%87．588．587．087．0褒義詞實(shí)例亮麗、精致劃算、輕巧豪華、優(yōu)雅優(yōu)、實(shí)惠貶義詞實(shí)例郁悶、費(fèi)勁氣憤、氣死氣憤、凌亂郁悶、棘手

4.2.2 不同情感詞典構(gòu)建方法的比較試驗(yàn)

在本節(jié)中，還實(shí)現(xiàn)了PMI方法構(gòu)建的情感詞典進(jìn)行比較研究。這些方法包括：

1)PMI： 直接計(jì)算了詞語(yǔ)與英文種子詞之間的相似度，然后將每個(gè)中文詞語(yǔ)與正向種子詞及負(fù)向種子詞之間的逐點(diǎn)互信息之和的差值作為該詞語(yǔ)的情感傾向，從而得到情感詞典；

2)LP： 計(jì)算每個(gè)詞語(yǔ)的逐點(diǎn)互信息(PMI)，構(gòu)建相似度概率轉(zhuǎn)移矩陣后，再利用標(biāo)簽傳播算法(LP)將種子詞的極性在詞語(yǔ)間傳遞，從而得到一個(gè)帶傾向權(quán)值的中文情感詞詞典。該方法就是本文提出的方法。

圖3統(tǒng)計(jì)出了PMI和LP方法構(gòu)建的情感詞典中Top 100、200、300的正確率。從圖可以看出，兩種方法構(gòu)建得到的四個(gè)領(lǐng)域情感詞典Top100正確率都比較理想，電腦和化妝品領(lǐng)域的正確率分別達(dá)到了91%和92%。前三個(gè)領(lǐng)域LP方法相比PMI方法分別提高1%、5%、1%，軟件領(lǐng)域降低2%。

圖3 PMI和LP方法構(gòu)建的情感詞典Top 100正確率比較

圖4和圖5分別統(tǒng)計(jì)出了PMI和LP方法構(gòu)建的情感詞典中Top 200、300的正確率比較。四個(gè)領(lǐng)域情感詞典Top200的正確率上，用LP方法明顯好于PMI方法，平均超過(guò)8.6%。其中，電腦、照相機(jī)、化妝品領(lǐng)域分別提高7%、8%、9%。軟件領(lǐng)域甚至提高了10.5%。在Top300的實(shí)驗(yàn)結(jié)果看，PMI方法漸漸失去了高精確度的優(yōu)勢(shì)，而LP方法仍然能獲得一個(gè)高質(zhì)量的情感詞典。四個(gè)領(lǐng)域在前300詞語(yǔ)極性正確率分別為85%、85%、83%、83.3%。相比PMI方法四個(gè)領(lǐng)域平均提高10.25%。

圖4 PMI和LP方法構(gòu)建的情感詞典Top 200正確率比較

圖5 PMI和LP方法構(gòu)建的情感詞典Top 300正確率比較

與PMI方法相比，基于LP算法構(gòu)建中文情感詞典有更大優(yōu)勢(shì)的原因在于： 首先，PMI方法只計(jì)算了與種子詞直接相連接的詞語(yǔ)的相似度來(lái)判別自身的情感極性，而LP方法可以將種子詞的情感極性沿著邊向相鄰的結(jié)點(diǎn)傳播，從而充分利用詞語(yǔ)情感極性在所有詞語(yǔ)空間的全局上面進(jìn)行考慮。通過(guò)多次迭代，可以提升標(biāo)簽傳播的效率及性能。其次，LP算法中詞語(yǔ)的極性不僅受到臨近種子詞的影響還受到臨近非種子詞的影響，使得距離近的詞語(yǔ)傾向于擁有相同的標(biāo)簽，可對(duì)不正確的詞語(yǔ)極性及時(shí)地重新計(jì)算和標(biāo)注。因此，使用LP算法構(gòu)建得到的中文情感詞典質(zhì)量更高，在正確率和性能上具有更大的優(yōu)勢(shì)。

5 結(jié)語(yǔ)

本文利用已有的英文情感詞典資源及網(wǎng)絡(luò)中現(xiàn)存的大量中英文評(píng)論語(yǔ)料，設(shè)計(jì)了基于雙語(yǔ)信息的情感詞典構(gòu)建方法，通過(guò)計(jì)算詞語(yǔ)間相似度，基于標(biāo)簽傳播算法(LP)給出一個(gè)帶傾向權(quán)值的情感詞典。實(shí)驗(yàn)結(jié)果表明我們的方法對(duì)于不同領(lǐng)域內(nèi)情感詞的褒貶分類(lèi)具有較好的分類(lèi)精確度，獲取較多的領(lǐng)域相關(guān)的中文情感詞。

下一步工作中，我們將考慮已標(biāo)注語(yǔ)料(有人工打分標(biāo)簽)，來(lái)幫助提高領(lǐng)域里面的情感詞典計(jì)算性能。同時(shí)，也將考慮語(yǔ)料中存在大量的情感極性反轉(zhuǎn)的情況，如否定、轉(zhuǎn)折等語(yǔ)言現(xiàn)象。

[1] Turney P. Thumbs Up or Thumbs Down? Semantic Orientation Applied to Unsupervised Classification of Reviews[C]//Proceedings of ACL-02, 2002: 417-424.

[2] Pang B, L Lee, S Vaithyanathan. Thumbs up? Sentiment Classification using Machine Learning Techniques[C]//Proceedings of EMNLP-02, 2002: 79-86.

[3] 宗成慶. 統(tǒng)計(jì)自然語(yǔ)言處理[M]. 清華大學(xué)出版社： 北京，2008，5.

[4] Kennedy A， D Inkpen. Sentiment Classification of Movie Reviews using Contextual Valence Shifters[J]. Computational Intelligence, 2006，22(2)： 110-125.

[5] Wiebe J, R Mihalcea. Word Sense and Subjectivity[C]//Proceeding of ACL-COLING-06, 2006: 1065-1072.

[6] Hatzivassiloglou V， K McKeown. Predicting the Semantic Orientation of Adjectives[C]//Proceedings of ACL-97, 1997： 174-181.

[7] Wiebe J. Learning Subjective Adjectives from Corpora[C]//Proceedings of AAAI-2000, 2000: 735-740.

[8] Pang B, L Lee. A Sentimental Education： Sentiment Analysis using Subjectivity Summarization based on Minimum Cuts[C]//Proceedings of ACL-04, 2004: 271-278.

[9] Cui H, V Mittal, M Datar. Comparative Experiments on Sentiment Classification for Online Product Reviews[C]//Proceedings of AAAI-06, 2006： 1265-1270.

[10] Andrea E. Determining the Semantic Orientation of Terms through Gloss Classification[C]//Proceedings of CIKM-05, 2005： 617-624.

[11] Hassan A， D Radev. Identifying Text Polarity Using Random Walks[C]//Proceedings of ACL-10, 2010： 395-403.

[12] 朱嫣嵐, 閔錦, 周雅倩, 等. 基于HowNet的詞匯語(yǔ)義傾向計(jì)算[J]. 中文信息學(xué)報(bào)，2006,20(01)： 14-20.

[13] Hatzivassiloglou V， J M Wiebe. Effects of Adjective Orientation and Gradability on Sentence Subjectivity[C]//Proceedings of ACL-2000, 2000： 299-304.

[14] Popescu A, O Etzioni. Extracting Product Features and Opinions from Reviews[C]//Proceedings of HLT/EMNLP, 2005: 339-346.

[15] Akkaya C, J Wiebe, R Mihalcea. Subjectivity Word Sense Disambiguation[C]//Proceeding of EMNLP-09, 2009： 190-199.

[16] 李壽山, 黃居仁. 基于特征提取方法的詞語(yǔ)情感傾向計(jì)算[C]//第十一屆漢語(yǔ)詞匯語(yǔ)義學(xué)研討會(huì)，2010.

[17] Lu Y, M Castellanos, U Dayal, et al. Automatic Construction of a Context-Aware Sentiment Lexicon： An Optimization Approach[C]//Proceedings of WWW-11, 2011: 347-356.

[18] Wilson T, J Wiebe, P Hoffmann. Recognizing Contextual Polarity in Phrase-level Sentiment Analysis[C]//Proceedings of HLT/EMNLP, 2005: 347-354.