基于机器学习的文本情感分析系统的设计与实现 毕业论文_基于机器学习的中文情感研究与实现

目录
第1章 绪论 3
1.1 文本情感分析的研究背景 3
1.2 文本情感分析的应用 3
1.2.1 用户评论的分析与决策 3
1.2.2 舆情监控 3
1.2.3 信息预测 4
1.2.4 其他应用 4
1.3 本文工作 4
1.4 本文结构 4
第2章 系统需求 5
2.1 系统用例分析 5
2.2 未知文本的潜在语义分析 6
2.3 从潜在语义到情感的数据映射 6
2.4 非功能性需求 7
2.5 本章小结 7
第3章 系统设计 8
3.1 概要设计 8
3.2 潜在语义挖掘模块 9
3.2.1 功能描述 9
3.2.2 中文分词模块 11
3.2.3 已知文本的语义挖掘模块 12
3.2.4 未知文本的语义挖掘模块 14
3.3 情感规则学习模块 16
3.3.1 功能描述 16
3.3.2 IPO图 16
3.3.3 接口设计 17
3.4 服务器模块 18
3.4.1 功能描述 18
3.4.2 情感判定模块 19
3.4.3 数据交互模块 21
3.5 客户端模块 22
3.5.1 功能描述 22
3.5.2 情感判定结果展现模块 23
3.5.3 数据交互模块 24
第4章 算法设计 25
4.1 理论依据 25
4.1.1 贝叶斯定理 25
4.1.2 拉格朗日乘数法 26
4.1.3 词袋模型 26
4.1.4 最大期望算法 27
4.1.5 概率潜在语义分析 27
4.1.6 支持向量机 29
4.2 潜在语义挖掘模块 33
4.2.1 训练流程 33
4.2.2 语义分析流程 38
4.3 情感规则学习模块 40
4.3.1 流程简介 40
4.3.2 算法详解 40
4.3.3 流程图 47
4.4 服务器模块 48
4.4.1 情感判定模块 48
4.4.2 数据交互模块 49
4.5 客户端模块 50
4.5.1 数据交互模块 50
第5章 系统实现与评估 51
5.1 实现环境 51
5.2 效率评估 51
5.2.1 中文分词模块 51
5.2.2 已知文本的语义挖掘模块 52
5.2.3 情感规则学习模块 52
5.3 效果评估 53
5.3.1 训练集 53
5.3.2 测试集 54
5.4 结果展示 55
总结与展望 55
致谢 56
参考文献 56
第2章系统需求
2.1系统用例分析
用户在AETML中可执行文本情感分析功能，即输入一段文本，分析出其中蕴含的情感。AETML所能判定的情感有两种，正面情感和负面情感。用户可通过饼形图的形式得到输入的文本段的正负面，以及AETML所计算的相应的可信度。
文本情感分析用例包含两个主要的子用例，分别是未知文本的潜在语义分析和从潜在语义到情感的数据映射。
先解释潜在语义的概念，定义一个潜在语义向量空间，AETML将所有的文本段所表示的语义视为在这个潜在语义向量空间中的一个向量。潜在语义分析就是根据文本段找到其在潜在语义空间中的向量表示。AETML中定义两种文本，已知文本和未知文本。已知文本指的是在系统投入运行前已有的大量情感正负面已知的文本段，未知文本指的是在系统投入运行后用户输入的情感正负面未知的文本段。
从潜在语义到情感的数据映射，是指根据文本段的潜在语义分布这一特征，判定其表达的主要情感是正面情感还是负面情感。
系统用例图如图2-1所示。

图 21 系统用例图

// 返回值: svm_model（规则）
svm_model *svm_train(
        const svm_problem *prob, // 情感正负面已知的词袋及其潜在语义分布
        const svm_parameter *param); // 算法自身运行参数

// 将svm_model（规则）存储到文件中
int svm_save_model(
        const char *model_file_name, // 文件路径
        const svm_model *model); // 要存储的svm_model（规则）
        
// 从文件中读取svm_model（规则）
svm_model *svm_load_model(const char *model_file_name);

// 由于svm_model *所指向的内存不会自动销毁，需要这个额外的接口手动销毁
void svm_free_and_destroy_model(svm_model **model_ptr_ptr);

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16