基于社交网络的用户情感分析方法研究

《基于社交网络的用户情感分析方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号TP391.4密级公开UDC004学位论文编号D-10617-308-(2016)-02004重庆邮电大学硕士学位论文中文题目基于社交网络的用户情感分析方法研究英文题目Researchonuseremotionanalysismethodbasedonsocialnetwork学号S130201004姓名陈强学位类别工学硕士学科专业计算机科学与技术指导教师丰江帆教授完成日期2016年4月18日重庆邮电大学硕士学位论文摘要摘要近十年来，在线社交网络取得快速成长。2004年成立的脸谱Facebook注册用户已超过十亿，2006年成立的推特Twitter注

2、册用户超过五亿，而新浪发布的较新数据显示它的微博用户已经达到六亿多。随着社交网络用户数量的增多，产生很大的数据量，导致了大数据的产生。以心理学主观实验为研究手段的情感相关研究，呈现出向社交网络空间的情感计算转变的趋势。微博情感分类的研究主要有两个方向，基于规则的情感词典和机器学习的方法。基于机器学习的方法由于微博文本较短，所以存在特征稀疏和特征维数过高的问题，造成分类结果不太理想，随着多种媒体形式的出现，为解决这个问题提供了可能性，本文在研究和分析他人研究进展的前提下，分析了正向和负向情感数据集合中图像特征表现的差异性，选取了HSV图像颜色特征和Tamur

3、a纹理特征用于二步分类过程中实现情绪的倾向性判断；另外社交网络中存在情感传播的问题，也就是用户的情感会受到朋友的影响，本文研究分析了概率因子图模型，并将它引入社交网络用户情感预测建模中，该模型能将用户的属性依赖、时间依赖、朋友依赖因子等多种因素考虑进建模的过程中，使得预测情感类别的概率达到最优化。本文主要实验分析内容如下：(1)分析了正向和负向情感数据集合中图像特征表现的差异性，选取了HSV图像颜色特征和Tamura纹理特征用在第一步分类后不可靠的区域内，对不可靠区域的微博进行二次分类，并和多种实验方法对比，发现本文提出的基于朴素贝叶斯和支持向量机的二步分

4、类方法能进一步提高微博情感倾向分类的准确率。(2)研究概率因子模型，将用户的属性例如文本消息，位置等信息建模为一个因子函数，情感受到朋友影响建模为指数衰变函数；用户情绪随时间的变化的过程建模为一个马尔科夫链。在学习这个模型的参数时，本文采用Metropolis-Hastings采样学习方法对数据集进行采样和训练。最后，获取网络上的用户数据作为实验的测试数据，对本文提出的两种方法进行实验分析和验证，结果表明，本文提出的两种方法均有效。关键字:社交网络，情感极性分类，概率因子图，两步策略I重庆邮电大学硕士学位论文AbstractAbstractIntheres

5、entdecade,onlinesocialnetworksachievedrapiddevelopment.Facebookwasfoundedin2004andhasmorethanonebillionregisteredusers.TheTwitter,establishedin2006withfivehundredmillionregisteredusers,andthelatestdatareleasedbythesinashowthatsinamicro-bloghasmorethan560millionregisteredusers.Netw

6、orkusersandtheinformationinteractionandtheinteractionbetweentheusersleftavarious"footprint"onsocialnetworkingsites,leddirectlytothearrivalofInterneteraofbigdata.People’sbehaviorinthesocialspacedirectlyreflectsitsactivitiesandemotionintherealworld.Theemotionresearchwhichisbasedonth

7、esubjectivepsychologyexperimentpresentsthechangestothesocialspaceemotioncomputingtrend.Therearetwomaindirectionsonthestudyofmicro-blogemotionclassification,oneisakindofemotionaldictionarymethodbasedonrules,anotheristhemethodbasedonmachinelearning.becauseofthemicroblogthisisshorter

8、.Therearesparseandthecharacterist