鄧 釗，賈修一，陳家駿

（1.南京理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，江蘇 南京210094；2.南京大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系，江蘇 南京210023）

1 引言

反語(yǔ)通常又稱為“說(shuō)反話”，其字面意思和所要表達(dá)的意思相反，是一種帶有強(qiáng)烈情感色彩的修辭手法。在社交網(wǎng)絡(luò)里，反語(yǔ)已成為一種普遍的語(yǔ)言表達(dá)方式。在微博這類包含符號(hào)、圖片和短文本等信息的分享傳播平臺(tái)，針對(duì)熱門(mén)話題及爭(zhēng)議話題，用戶常常使用反語(yǔ)表達(dá)如嘲弄或諷刺等強(qiáng)烈情感傾向。而反語(yǔ)的使用增加了微博情感分析的難度，為提高微博情感分析的準(zhǔn)確率，我們需要對(duì)反語(yǔ)識(shí)別進(jìn)行研究。

目前反語(yǔ)識(shí)別的可計(jì)算化研究已引起一些學(xué)者的關(guān)注，但主要集中在以英文為代表的外文短文本反語(yǔ)識(shí)別。據(jù)我們所知，對(duì)于中文反語(yǔ)研究，目前還處于起步階段，只有Tang Y J等人［1］針對(duì)繁體字構(gòu)建了一個(gè)反語(yǔ)語(yǔ)料庫(kù)并分析了反語(yǔ)常見(jiàn)的句式結(jié)構(gòu)［1］。反語(yǔ)的識(shí)別需要正確理解該話語(yǔ)發(fā)生的具體語(yǔ)境，而當(dāng)前研究很難形式化地給出語(yǔ)境的計(jì)算表達(dá)式，特別是在缺少自然會(huì)話中的語(yǔ)氣、身體姿勢(shì)等用于視聽(tīng)理解的輔助手段情況下，這就給反語(yǔ)識(shí)別帶來(lái)了極大的困難。此外，和英文反語(yǔ)識(shí)別相比，中文通常使用諧音詞或歧義詞等來(lái)表達(dá)反語(yǔ)情感，這也使得中文反語(yǔ)識(shí)別在詞語(yǔ)層面上就比英文反語(yǔ)識(shí)別具有更深的難度，使得我們無(wú)法直接將針對(duì)外文反語(yǔ)識(shí)別的研究簡(jiǎn)單地運(yùn)用到中文反語(yǔ)識(shí)別。

和自然會(huì)話相比，社交網(wǎng)絡(luò)上的語(yǔ)言表達(dá)雖然缺少一些語(yǔ)氣或肢體行為等輔助手段，但社交網(wǎng)絡(luò)平臺(tái)本身的一些特性也有助于反語(yǔ)的使用和識(shí)別，如連續(xù)標(biāo)點(diǎn)符號(hào)和表情符號(hào)的使用等等，這在一定程度上能夠幫助我們理解反語(yǔ)所在的語(yǔ)境。鑒于此，我們?cè)趨⒖纪馕南嚓P(guān)工作的基礎(chǔ)上，考慮中文語(yǔ)言的特性和微博平臺(tái)的特點(diǎn)，對(duì)識(shí)別反語(yǔ)的特征構(gòu)建做了初步的研究。

本文主要使用基本詞匯情感、標(biāo)點(diǎn)符號(hào)、諧音詞、微博長(zhǎng)度、動(dòng)詞被動(dòng)化和文本情感模糊度六種特征構(gòu)建反語(yǔ)識(shí)別特征體系。在此基礎(chǔ)上，通過(guò)信息增益方法對(duì)比了各特征對(duì)反語(yǔ)識(shí)別的影響程度。此外，還實(shí)驗(yàn)驗(yàn)證了在該特征體系下不同分類器的分類性能及穩(wěn)定性。

2 相關(guān)工作

反語(yǔ)作為一種修辭現(xiàn)象，受到語(yǔ)言學(xué)家、心理學(xué)家和認(rèn)知學(xué)家的廣泛關(guān)注［2］。隨著情感分析技術(shù)的深入研究，反語(yǔ)識(shí)別也得到了自然語(yǔ)言處理領(lǐng)域?qū)W者們的重視。對(duì)于反語(yǔ)識(shí)別的研究，我們依據(jù)研究角度不同，將相關(guān)工作分為兩類：

第一類工作主要從語(yǔ)言學(xué)和心理學(xué)角度出發(fā)。對(duì)于英文的反語(yǔ)識(shí)別，Gibbs R W 等人［3］從心理學(xué)角度分析了口語(yǔ)中反語(yǔ)的形成和實(shí)用性。Utsumi A［4］從語(yǔ)言學(xué)角度分析了反語(yǔ)的本質(zhì)，定義了反語(yǔ)的三大要素，提出了一個(gè)統(tǒng)一識(shí)別反語(yǔ)的計(jì)算模型。對(duì)于中文的反語(yǔ)識(shí)別，劉正光［2］通過(guò)對(duì)反語(yǔ)在中文對(duì)話產(chǎn)生過(guò)程的研究，嘗試從語(yǔ)言學(xué)和心理學(xué)角度分析反語(yǔ)的本質(zhì)。Li Xiang［5］也從語(yǔ)言學(xué)角度分析了中英文中反語(yǔ)使用的差異性。

第二類工作主要從反語(yǔ)識(shí)別的可計(jì)算化角度出發(fā)。該類工作又可細(xì)分為兩種：第一種是研究反語(yǔ)識(shí)別的特征構(gòu)建。對(duì)于英文反語(yǔ)識(shí)別，González－Ibá?ez等 人［6］僅 通 過(guò) 字 典 中 的 詞 匯 和“＠〈用戶〉”標(biāo)簽等簡(jiǎn)單的特征識(shí)別反語(yǔ)，發(fā)現(xiàn)僅通過(guò)一些簡(jiǎn)單的詞匯特征無(wú)法準(zhǔn)確有效地識(shí)別反語(yǔ)。Reyes A 等人［7～9］從 不 同 角 度 研 究 了 電 商 評(píng) 論 和社交媒體中的反語(yǔ)識(shí)別工作，構(gòu)建了包含n元文法、POS的n元文法、滑稽程度、詞匯褒貶程度、情感復(fù)雜度和歡樂(lè)程度等抽象復(fù)雜的特征體系。Burfoot C等人［10］針對(duì)新聞?wù)Z料，在基本詞袋特征基礎(chǔ)上討論了標(biāo)題、臟話和俚語(yǔ)等特征。對(duì)于葡萄牙文反語(yǔ)識(shí)別，Vanin A A 等人［11］研究了固定詞匯、標(biāo)點(diǎn)號(hào)、詞性序列和特殊的葡萄牙語(yǔ)表達(dá)方式等特征識(shí)別反語(yǔ)。Barbieri F等人［12］針對(duì)Twitter研究了意大利語(yǔ)的反語(yǔ)識(shí)別。

第二種主要從分類算法的研究角度出發(fā)。González－Ibá?ez R 等人［6］使用支持向量機(jī)和邏輯斯蒂回歸兩種經(jīng)典的分類算法識(shí)別反語(yǔ)，發(fā)現(xiàn)支持向量機(jī)算法表現(xiàn)普遍好于邏輯斯蒂回歸方法。Reyes A 等人［8］使用樸素貝葉斯和決策樹(shù)兩種算法識(shí)別反語(yǔ)，分別研究了在數(shù)據(jù)平衡和數(shù)據(jù)不平衡狀態(tài)下分類器的性能。文獻(xiàn)［9］中使用了樸素貝葉斯、支持向量機(jī)和決策樹(shù)三種經(jīng)典算法識(shí)別反語(yǔ)，研究了三種分類在不同數(shù)據(jù)集上識(shí)別反語(yǔ)的性能。Tsur O 等人［13，14］提出了一種基于模式匹配的半監(jiān)督學(xué)習(xí)方法識(shí)別反語(yǔ)。

反語(yǔ)識(shí)別的可計(jì)算化研究主要集中在以英文為代表的外文語(yǔ)料上，而基于中文短文本的反語(yǔ)識(shí)別研究只有Tang Y J等人［1］針對(duì)繁體字進(jìn)行了語(yǔ)料庫(kù)構(gòu)建和分析了反語(yǔ)的常用句式結(jié)構(gòu)，對(duì)于反語(yǔ)識(shí)別所需的特征和分類算法等則沒(méi)有涉及。由于中英文語(yǔ)言差異性，相關(guān)外文的工作無(wú)法直接應(yīng)用于本文的工作中，例如文獻(xiàn)［3］中的“＠〈用戶〉”標(biāo)簽特征未出現(xiàn)在本文的特征體系中，因?yàn)樵谥形纳缃黄脚_(tái)中用戶之間的關(guān)系是松散的。表1統(tǒng)計(jì)了我們構(gòu)建的語(yǔ)料庫(kù)中反語(yǔ)集和10 000條非反語(yǔ)微博中含有“＠〈用戶〉”標(biāo)簽的微博比例。如表1描述，反語(yǔ)集和非反語(yǔ)集的“＠〈用戶〉”標(biāo)簽比例相差微小。

Table 1 Proportion of tags“＠〈user〉”表1 “＠〈用戶〉”標(biāo)簽比例數(shù)

3 面向微博的中文反語(yǔ)識(shí)別特征體系

本節(jié)針對(duì)中文反語(yǔ)的特點(diǎn)，在相關(guān)工作的基礎(chǔ)上，考慮微博自身的特點(diǎn)，構(gòu)建了用于微博反語(yǔ)識(shí)別的特征體系，主要包括基本詞匯情感、中文特有的諧音詞、連續(xù)的標(biāo)點(diǎn)符號(hào)、微博的長(zhǎng)度、動(dòng)詞被動(dòng)化、雙引號(hào)內(nèi)外情感模糊度等六種特征。

（1）基本詞匯情感。在自然語(yǔ)言處理領(lǐng)域，通常使用n元文法來(lái)表示基本的詞匯特征，是指將相鄰的n個(gè)單詞作為一個(gè)特征。文獻(xiàn)［3］研究發(fā)現(xiàn)，在Twitter反語(yǔ)識(shí)別的任務(wù)中二元文法和三元文法不但比一元文法復(fù)雜而且實(shí)驗(yàn)結(jié)果比一元文法差，所以在同為短文本的中文微博的反語(yǔ)識(shí)別任務(wù)中，本文的基本詞匯情感特征只應(yīng)用一元文法。在一元文法的特征表示中，中文首先需要使用分詞工具將整條微博分詞，然后建立詞典構(gòu)建特征。在分詞過(guò)程中，由于微博約束比較少，所以微博中經(jīng)常出現(xiàn)病句、錯(cuò)別字以及網(wǎng)絡(luò)用詞，這些問(wèn)題往往會(huì)導(dǎo)致分詞錯(cuò)誤。由于錯(cuò)誤詞匯出現(xiàn)頻率不高，針對(duì)該問(wèn)題，故將一些低頻詞匯從詞典中過(guò)濾掉。此外，本文主要研究面向中文的反語(yǔ)特征體系，非中文詞匯也不予考慮。

（2）中文特有的諧音詞。諧音詞是中文特有的，意思是和正確詞匯發(fā)音相同或者相似的詞匯，例如“河蟹”是“和諧”的諧音詞。微博的內(nèi)容往往偏向口語(yǔ)化，很多用戶使用諧音詞代替相應(yīng)詞匯表達(dá)反語(yǔ)、諷刺等情感傾向。實(shí)際上，大部分諧音詞作為單獨(dú)的詞匯已包含于基于一元文法的詞典，但是有些特定諧音詞因不是正式詞匯無(wú)法被分詞工具準(zhǔn)確地識(shí)別，所以需要通過(guò)導(dǎo)入用戶自定義常用諧音詞詞典使分詞工具識(shí)別這些詞匯。

（3）連續(xù)的標(biāo)點(diǎn)符號(hào)。Vanin A A 等人［11］和Dmitry D 等人［14］都提及連續(xù)的標(biāo)點(diǎn)符號(hào)在識(shí)別反語(yǔ)任務(wù)中 的 重 要 性，Carvalho D 等 人［15］也 通 過(guò)模式匹配方法統(tǒng)計(jì)連續(xù)標(biāo)點(diǎn)符號(hào)在反語(yǔ)語(yǔ)料中的出現(xiàn)次數(shù)驗(yàn)證了連續(xù)標(biāo)點(diǎn)符號(hào)是識(shí)別反語(yǔ)的重要線索。由于微博的隨意性，用戶經(jīng)常使用連續(xù)的標(biāo)點(diǎn)符號(hào)表達(dá)自己的情感。Vanin A A 和Dmitry D等人在反語(yǔ)識(shí)別任務(wù)中將連續(xù)標(biāo)點(diǎn)符號(hào)的個(gè)數(shù)作為特征值，但是我們?cè)诜治稣Z(yǔ)料時(shí)發(fā)現(xiàn)大多數(shù)連續(xù)的兩個(gè)標(biāo)點(diǎn)符號(hào)反映用戶情感并不明顯，只有三個(gè)及三個(gè)以上的標(biāo)點(diǎn)符號(hào)同時(shí)出現(xiàn)時(shí)才能表達(dá)用戶情感，而且用戶情感并未隨著標(biāo)點(diǎn)符號(hào)個(gè)數(shù)的增加而波動(dòng)。所以，本文只提取三個(gè)及以上的連續(xù)的標(biāo)點(diǎn)符號(hào)作為特征，并且使用布爾值表示該特征。

（4）微博的長(zhǎng)度。張林等人［16］發(fā)現(xiàn)APP短文本評(píng)論的長(zhǎng)度會(huì)影響情感的判別，評(píng)論越長(zhǎng)其中包含的非情感信息越多，而這些非情感信息會(huì)影響情感的判別。因此，我們認(rèn)為同為短文本的微博的長(zhǎng)度也可能會(huì)影響反語(yǔ)的識(shí)別。本文根據(jù)微博長(zhǎng)度將微博分為三個(gè)等級(jí)，分別為：短微博、中等長(zhǎng)度的微博和長(zhǎng)微博。

（5）動(dòng)詞被動(dòng)化。在中文中許多動(dòng)詞用法很特殊，這些特殊動(dòng)詞被動(dòng)化之后情感會(huì)發(fā)生巨大的反轉(zhuǎn)。例如“就業(yè)”是個(gè)中性動(dòng)詞，但是如果在“就業(yè)”前加上“被”字，比如“我被就業(yè)了”，那么情感將發(fā)生極大的反轉(zhuǎn)。因?yàn)閯?dòng)詞的這種用法通常不會(huì)出現(xiàn)在正式文獻(xiàn)中，所以通過(guò)統(tǒng)計(jì)動(dòng)詞和該動(dòng)詞被動(dòng)化之后在正式文獻(xiàn)中的頻率可以自動(dòng)識(shí)別這些特別的動(dòng)詞。

識(shí)別這種特殊動(dòng)詞實(shí)驗(yàn)的正式文獻(xiàn)語(yǔ)料是搜狗實(shí)驗(yàn)室收集的48.2 MB 新聞?wù)Z料，主要來(lái)自搜狐新聞網(wǎng)站。圖1是xi1、xi2取不同閾值時(shí)整個(gè)數(shù)據(jù)集特殊動(dòng)詞的統(tǒng)計(jì)，其中xi1是動(dòng)詞被動(dòng)化后在正式文獻(xiàn)出現(xiàn)的次數(shù)，xi2是動(dòng)詞原形在正式文獻(xiàn)出現(xiàn)的次數(shù)。橫坐標(biāo)是xi1、xi2閾值，例如（5，0）中的5是xi1的值，而（0，100）中的100表示xi2大于或等于100，縱坐標(biāo)是當(dāng)xi1、xi2取具體的閾值時(shí)，通過(guò)手動(dòng)統(tǒng)計(jì)數(shù)據(jù)集中特殊動(dòng)詞和非特殊動(dòng)詞的數(shù)目。由圖1可知，當(dāng)動(dòng)詞被動(dòng)化后在正式文獻(xiàn)出現(xiàn)的次數(shù)高于1時(shí)，這個(gè)動(dòng)詞是特殊動(dòng)詞的可能性幾乎為0，而xi1為0時(shí)，有非常大的可能性是特殊動(dòng)詞。為了不丟失這種特殊動(dòng)詞，xi1、xi2的閾值設(shè)置為（0，0），然后手動(dòng)剔除非特殊動(dòng)詞，最后我們將特殊動(dòng)詞保存在動(dòng)詞被動(dòng)化字典中，在下文實(shí)驗(yàn)中我們通過(guò)布爾值方法表示該特征。

Figure 1 Statistics of passive verbs with different values of xi1，xi2圖1 xi1、xi2 取不同閾值時(shí)整個(gè)數(shù)據(jù)集特殊動(dòng)詞的統(tǒng)計(jì)

（6）雙引號(hào)內(nèi)外情感模糊。Reyes A 等人在文獻(xiàn)［9］中強(qiáng)調(diào)情感模糊是反語(yǔ)效果的重要表現(xiàn)，但是他們的工作是以基于英文的Saif M［17］工作為基礎(chǔ)的，而中英文語(yǔ)言差異大，所以無(wú)法直接借鑒他們的工作。然而，在中文中用戶經(jīng)常將情感詞放入引號(hào)中，用褒義詞表達(dá)貶義或者用貶義詞表達(dá)褒義，所以引號(hào)內(nèi)外的情感通常不一致。本文通過(guò)設(shè)計(jì)公式（1）來(lái)計(jì)算引號(hào)內(nèi)外情感模糊。

其中，Xin表示微博X引號(hào)內(nèi)的詞語(yǔ)集合，Xout表示微博X引號(hào)外的詞語(yǔ)集合，P表示褒義情感詞典，N表示貶義情感詞典，|＊|表示集合中元素個(gè)數(shù)。例如，某微博雙引號(hào)內(nèi)有積極詞匯而雙引號(hào)外有貶義詞匯或者該微博雙引號(hào)內(nèi)有貶義詞匯而雙引號(hào)外有褒義詞匯，那么引號(hào)內(nèi)外情感模糊Amb（X）為1。

4 實(shí)驗(yàn)

4.1 數(shù)據(jù)與實(shí)驗(yàn)設(shè)置

在中文微博平臺(tái)的新浪微博上，用戶可以發(fā)布最多140字的微博。一條微博除了正常的文字以外還可以包括“＠〈用戶〉”、“＃主題?！薄RLs等。其中在第2節(jié)中已說(shuō)明“＠〈用戶〉”在中文微博中無(wú)法作為特征識(shí)別反語(yǔ)。因?yàn)樵谛吕宋⒉┲蟹窒砉δ軙?huì)自動(dòng)包含原網(wǎng)頁(yè)的URLs，所以URLs在本文中也作為噪聲過(guò)濾掉。

和Twitter不同，中文微博平臺(tái)的用戶幾乎不使用注釋（＃sarcasm，＃sarcastic）表明該微博是反語(yǔ)或者其他情感分類，所以只能通過(guò)手動(dòng)標(biāo)注。為了檢測(cè)整個(gè)特征體系的有效性，我們從新浪微博平臺(tái)獲取的微博中標(biāo)記了300條反語(yǔ)和28 545條非反語(yǔ)。

一元文法特征提取過(guò)程中的分詞工具使用Java 開(kāi) 源 分 詞 工 具ansj（https：//github.com/NLPchina/ansj＿seg）。微博長(zhǎng)度特征中的短微博的長(zhǎng)度小于10，中等長(zhǎng)度的微博長(zhǎng)度介于10 到20，長(zhǎng)微博的長(zhǎng)度大于20。我們?cè)趯?shí)驗(yàn)中也嘗試了將微博的長(zhǎng)度設(shè)置成其他閾值，但是閾值取10和20時(shí)實(shí)驗(yàn)結(jié)果最好。雙引號(hào)內(nèi)外情感模糊度特征提取過(guò)程中的情感詞典使用臺(tái)灣大學(xué)NTUSD實(shí)驗(yàn) 室 整 理 的 情 感 詞 典（http：//ccf.datatang.com）。

4.2 各特征的信息增益

我們首先通過(guò)信息增益IG（Information Gain）對(duì)比了中文特有的諧音詞、連續(xù)的標(biāo)點(diǎn)符號(hào)、微博長(zhǎng)度、動(dòng)詞被動(dòng)化和雙引號(hào)內(nèi)外情感模糊度等五種特征對(duì)反語(yǔ)識(shí)別的影響程度。因?yàn)閷?shí)驗(yàn)數(shù)據(jù)不平衡，所以實(shí)驗(yàn)首先從非反語(yǔ)集中隨機(jī)抽取300條數(shù)據(jù)和反語(yǔ)集組成實(shí)驗(yàn)數(shù)據(jù)集，此過(guò)程重復(fù)進(jìn)行20次，然后比較各特征對(duì)在不同數(shù)據(jù)集上的信息增益以及各特征在不同數(shù)據(jù)集上的穩(wěn)定性，實(shí)驗(yàn)結(jié)果如圖2所示。

Figure 2 Information gain of each feature based on 20different data sets圖2 20組數(shù)據(jù)各特征的信息增益的箱線圖

圖2中，中文特有的諧音詞特征的信息增益最高，基本達(dá)到0.05左右，動(dòng)詞被動(dòng)化特征的信息增益最平穩(wěn)，穩(wěn)定在0.04左右，連續(xù)的標(biāo)點(diǎn)符號(hào)特征的信息增益基本也達(dá)到了0.03左右。雙引號(hào)內(nèi)外情感模糊度的信息增益很低，只有0.02左右，可能由于特征提取的方法過(guò)于簡(jiǎn)單，或者情感詞典的不完整等原因?qū)е略撎卣餍畔⒃鲆嫫汀Ｔ谖覀內(nèi)斯?biāo)記反語(yǔ)語(yǔ)料時(shí)該特征是一個(gè)重要的依據(jù)，所以盡管信息增益較低，我們?nèi)匀粚⒃撎卣骷{入我們的識(shí)別特征體系。微博長(zhǎng)度的信息增益很不穩(wěn)定，最高可達(dá)到0.14，最低幾乎為0。

4.3 微博長(zhǎng)度對(duì)識(shí)別準(zhǔn)確率的影響

由于微博長(zhǎng)度的信息增益不穩(wěn)定而微博長(zhǎng)度確實(shí)會(huì)影響反語(yǔ)的識(shí)別，所以本文通過(guò)區(qū)分反語(yǔ)和不同長(zhǎng)度的非反語(yǔ)微博驗(yàn)證微博長(zhǎng)度對(duì)反語(yǔ)識(shí)別的影響。本文從非反語(yǔ)中隨機(jī)抽取300條特定長(zhǎng)度的微博和反語(yǔ)集組成數(shù)據(jù)集，然后使用決策樹(shù)分類器和5倍交叉驗(yàn)證測(cè)試數(shù)據(jù)集，實(shí)驗(yàn)結(jié)果如圖3所示。

Figure 3 Precision comparison based on different lengths of microblogs圖3 區(qū)分反語(yǔ)和不同長(zhǎng)度非反語(yǔ)的準(zhǔn)確率的箱線圖

圖3中，區(qū)分反語(yǔ)和短微博的非反語(yǔ)集任務(wù)的準(zhǔn)確率基本穩(wěn)定于0.8左右，而區(qū)分反語(yǔ)和中等長(zhǎng)度的非反語(yǔ)集任務(wù)的準(zhǔn)確率徘徊于0.75左右，最后區(qū)分反語(yǔ)和長(zhǎng)微博的非反語(yǔ)集任務(wù)的準(zhǔn)確率卻大都低于0.7。由此可見(jiàn)，識(shí)別反語(yǔ)的難度確實(shí)和微博的長(zhǎng)度有關(guān)聯(lián)，實(shí)驗(yàn)結(jié)果和張林等人的結(jié)論基本一致。

4.4 不同分類器在特征集合上的有效性

最后本節(jié)將通過(guò)反語(yǔ)識(shí)別任務(wù)檢測(cè)整個(gè)特征體系和僅有一元文法特征的有效性，實(shí)驗(yàn)使用五種經(jīng)典的分類器：支持向量機(jī)（SVM）、決策樹(shù)（C4.5）、樸素貝葉斯（NB）、邏輯斯蒂回歸（LR）和隨機(jī)森林（RF）。該實(shí)驗(yàn)數(shù)據(jù)集包括300條反語(yǔ)集和從非反語(yǔ)集中任意抽取300條數(shù)據(jù)。分類器使用5倍交叉驗(yàn)證進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果如表2和表3所示。

Table 2 Comparison of precision，recall rate and F－measure of the five classifiers when all proposed features are under consideration表2 在整個(gè)特征體系下五種分類器實(shí)驗(yàn)結(jié)果對(duì)比

Table 3 Comparison of precision，recall rate and F－measure of the five classifiers when Bag－of－Words only is under consideration表3 只在一元文法特征下五種分類器的實(shí)驗(yàn)結(jié)果對(duì)比

由表2可知，決策樹(shù)分類器在準(zhǔn)確率、召回率和F值都要高于支持向量機(jī)、樸素貝葉斯以及隨機(jī)森林，而邏輯斯蒂回歸分類器在準(zhǔn)確率和F值都比決策樹(shù)分類器高。對(duì)比表2和表3可知，對(duì)特征維數(shù)不敏感的SVM 在添加少數(shù)新特征的情況下，分類器的性能提高最多，而樸素貝葉斯的性能提高最低。

4.5 不同分類器在特征集合上的穩(wěn)定性

由于反語(yǔ)集小而非反語(yǔ)集比較大，所以本文從非反語(yǔ)集中隨機(jī)抽取300條數(shù)據(jù)和反語(yǔ)集組成實(shí)驗(yàn)數(shù)據(jù)集，此過(guò)程重復(fù)進(jìn)行20次得到20組實(shí)驗(yàn)數(shù)據(jù)集，測(cè)試五種分類器在該任務(wù)中的穩(wěn)定性。圖4、圖5和圖6 統(tǒng)計(jì)了20 組實(shí)驗(yàn)五種分類器準(zhǔn)確率、召回率和F值的四分位數(shù)。支持向量機(jī)分類器雖有很好的準(zhǔn)確率，但是召回率和F值極不穩(wěn)定。決策樹(shù)和邏輯斯蒂回歸分類器的準(zhǔn)確率、召回率和F值都要比樸素貝葉斯和隨機(jī)森林分類器高。決策樹(shù)分類器的召回率和F值比邏輯斯蒂回歸高，但是決策樹(shù)的準(zhǔn)確率不及邏輯斯蒂回歸分類器的。

Figure 4 Precision comparison of the five classifiers based on 20data sets圖4 20組實(shí)驗(yàn)各分類器準(zhǔn)確率的箱線圖

Figure 5 Recall rate comparison of the five classifiers based on 20data sets圖5 20組實(shí)驗(yàn)各分類器召回率的箱線圖

Figure 6 F－measure comparison of the five classifiers based on 20data sets圖6 20組實(shí)驗(yàn)各分類器F 值的箱線圖

5 結(jié)束語(yǔ)

本文主要研究中文微博中反語(yǔ)識(shí)別的可計(jì)算化問(wèn)題。在考慮中文語(yǔ)言特性和微博語(yǔ)言表達(dá)特性的基礎(chǔ)上，構(gòu)建了基于一元文法的詞匯特征、中文特有的諧音詞、連續(xù)標(biāo)點(diǎn)符號(hào)、微博長(zhǎng)度、動(dòng)詞被動(dòng)化和雙引號(hào)內(nèi)外情感模糊等六種特征，并實(shí)驗(yàn)驗(yàn)證了該特征體系在識(shí)別反語(yǔ)中的有效性和穩(wěn)定性。

在未來(lái)的工作里，基于上述實(shí)驗(yàn)中表現(xiàn)出的不足，我們將改進(jìn)部分特征的提取方法和條件，我們還需從更深層次挖掘識(shí)別反語(yǔ)的特征。研究針對(duì)不同特征空間表示的分類算法和構(gòu)建更豐富的反語(yǔ)語(yǔ)料庫(kù)也是我們下一步重點(diǎn)研究的工作。

［1］ Tang Y J，Chen H.Chinese irony corpus construction and ironic structure analysis［C］∥Proc of the 25th International Conference on Computational Linguistics：Technical Papers，2014：1269－1278.

［2］ Liu Zheng－guang.A critique of irony theories［J］.Journal of PLA University of Foreign Language，2002，22（4）：16－18.（in Chinese）

［3］ Gibbs R W，Colston H L.Irony in language and thought：A cognitive science reader［M］.New York：Lawrence Erlbaum Associates，2007.

［4］ Utsumi A.A unified theory of irony and its computational formalization［C］∥International Conference on Computational Linguistics，1996：962－967.

［5］ Xiang Li.Irony illustrated：A cross－cultural exploration of situational irony in China and the United States［M］.New York：Sino－Platonic Papers，2008.

［6］ González－Ibá?ez R，Muresan S，Wacholder N.Identifying sarcasm in Twitter：A closer look［C］∥Proc of the 49th Annual Meeting of the Association for Computational Linguistics，2011：581－586.

［7］ Reyes A，Rosso P，Buscaldi D.From humor recognition to irony detection：The figurative language of social media［J］.Data ＆Knowledge Engineering，2012，74（3）：1－12.

［8］ Reyes A，Rosso P，Veale T.A multidimensional approach for detecting irony in Twitter［J］.Language Resources ＆Evaluation，2013，47（1）：239－268.

［9］ Reyes A，Rosso P.Making objective decisions from subjective data：Detecting irony in customer reviews［J］.Decision Support Systems，2012，53（4）：754－760.

［10］ Burfoot C，Baldwin T，Burfoot C.Automatic satire detection：Are you having a laugh？［C］∥Proc of the Joint Conference of the 47th Annual Meeting of the ACL，2009：161－164.

［11］ Vanin A A，F(xiàn)reitas L A，Vieira R，et al.Some clues on irony detection in tweets［C］∥WWW 2013 Companion，ACM 978－1－4503－2038－2，2013：635－636.

［12］ Francesco B，F(xiàn)rancesco R，Horacio S.Italian irony detection in Twitter：A first approach［C］∥Proc of the 1st Conference on Computational Linguistics，2014：28－32.

［13］ Tsur O，Davidov D.Icwsm－agreat catchy name：Semi－supervised recognition of sarcastic sentences in product reviews［C］∥Proc of the International AAAI Conference on Weblogs ＆Social，2010：162－169.

［14］ Davidov D，Tsur O.Semi－supervised recognition of sarcastic sentences in Twitter and Amazon［C］∥Proc of the 14th Conference on Computational Natural Language Learning，2010：107－116.

［15］ Carvalho P，Sarmento L.Clues for detecting irony in usergenerated contents：oh...??！it’s"so easy"；－）［C］∥Proc of the 1st International CIKM Workshop on Topic－Sentiment Analysis for Mass Opinion Measurement（TSA’09），2009：53－56.

［16］ Zhang Lin，Qian Guan－qun，F(xiàn)an Wei－guo，et al.Sentiment analysis based on light reviews［J］.Journal of Software，2014，25（12）：2790－2807.（in Chinese）

［17］ Saif M，Dunne C，Bonnie D.Generating high－coverage semantic orientation lexicons from overtly marked words and a thesaurus［C］∥Proc of the 2009Conference on EMNLP，2009：599－608.

附中文參考文獻(xiàn)：

［2］ 劉正光.反語(yǔ)理論綜述［J］.解放軍外國(guó)語(yǔ)學(xué)院學(xué)報(bào)，2002，22（4）：16－18.

［16］ 張林，錢(qián)冠群，樊衛(wèi)國(guó)，等.輕型評(píng)論的情感分析研究［J］.軟件學(xué)報(bào)，2014，25（12）：2790－2807.