基于结构分析的句子语义倾向性计算算法（IEEE2013）

SentenceSemantic Orientation Calculation Algorithm based on StructureAnalysis

基于结构分析的句子语义倾向性计算算法（IEEE2013）

文章中，文本主题倾向性不仅通过词倾向性，而且通过句子结构来计算，提出了情感提交算法（ES）来计算句子主题倾向性。该方法适用于商品评论。

计算文本倾向性，主题描述和句子结构需要同时考虑。存在两种传统的文本情感倾向性计算方法：基于词倾向性统计方法、基于词极性和句子结构分析。统计方法中词情感距离基于知识库（如HowNet或WordNet）计算。传统的第二种方法实体用于得到文本倾向性。这篇文章基于句子结构，形容词和副词的倾向性可以重构，得到句子情感。它适合评论性文本。

主题挖掘和主题情感分类

情感和修饰词词典构建：采用参考文献中的词情感倾向性算法获得词的极性。情感和修饰词词典包括极性词，否定词和程度词。HowNet用于建立这个词典。

主题情感分类：使用开源LTP（语言技术平台：http://ir.hit.edu.cn/demo/ltp/Sharing_Plan.htm）获得句子结构，基于句子结构和词极性，提出情感提交（ES）算法来得到主题情感。在LTP结果中有24种相互依赖关系：主谓，动宾，宾补，连接词，量词，“的”结构等等。有多于一个极性词的句子可能有多于一个不同倾向的主题。文本的倾向性应该通过这些多主题句子计算。作者可能通过主语或宾语表达主题。考虑主题位于这两部分。基于LTP这两部分在主谓和动宾关系中，所以基于这些句子关系可以获得主题。在LTP结果中，句子的核心词通常是谓语，谓语的倾向性是主题情感，然而主语和宾语情感通过修饰部分表达。许多句子中，宾补也要考虑。ES算法的核心是根据句子结构提交主题情感，获得句子倾向性，步骤如下（有点繁琐，后面不知道为什么那么做）：

（1）找到句子核心词predict。（2）找对应的主语Sub_j，设置它的极性Sub_jPolar为0，如果没有主语则极性为null。（3）找Sub_j的属性词记为Sub_jAtt，计算属性的极性提交给主语：Sub_jPolar=ModPolar(Sub_jAtt)。（4）如果predict是形容词，计算predict修饰词：ModPolar(predict)，累加到主题：Sub_jPolar= Sub_jPolar+ModPolar(predict)。（5）如果predict是动词，找它的状语关系（副词）。如果结果是极性，标记为predictEmo，累加到主语：Sub_jPolar= Sub_jPolar+ModPolar(predictEmo)。（6）计算predit极性ModPolar(predict)和否定修饰词NoMod(predict)，如果NoMod(predict)!=0，累加predict的极性到主语：Sub_jPolar=Sub_jPolar+ModPolar(predict)。（7）找predict的宾补关系，记为predictCmp，计算修饰词的极性ModPolar(predictCmp)。（8）计算ModPolar(predict)，如果不等于0，则：Sub_jPolar=Sub_jPolar+ModPolar(predictCmp)，如果等于0，修饰词逆转极性，提交到主语：Sub_jPolar=Sub_jPolar+(-1/2)^((1-NoMod(predict))/2)*ModPolar(predictCmp)。（9）计算predict的动宾关系，如果没有，它是句子的宾语，记为Obj，极性为ObjPolar，设为0。（10）找宾语的属性关系，记为ObjAtt，极性为ModPolar(ObjAtt)。如果ModPolar(predict)!=0，提交极性到宾语：ObjPolar=ModPolar(ObjAtt)，否则逆反极性提交到宾语：ObjPolar=(-1/2)^((1-NoMod(predict))/2)*ModPolar(predictAtt)。（11）如果动宾关系是形容词，记为predictVob，极性ModPolar(predictVob)，如果predict的极性非null，并且ModPolar(predict)!=0，提交到主语：Sub_jPolar=Sub_jPolar+ModPolar(predictVob)，否则Sub_jPolar=Sub_jPolar+(-1/2)^((1-NoMod(predict))/2)*ModPolar(predictVob)。

对于没有主语的句子，考虑文本主题为句子主题，但是这仅仅适用于评论性文本。

文章的测试集来自网络，包括购物，食物和商品的4000情感文本。评价指标：召回率、正确率。实验结果表明积极文本的正确率高于消极文本，人们不直接表达消极观点。句子主题与文本主题不一致。未来工作：文本主题倾向性分析，即观点挖掘。