OCC模型与贝叶斯网络结合的情绪句分类新方法

"徐源音等人提出了一种结合OCC模型和贝叶斯网络的情绪句分类方法，用于提高情绪分析的准确性，特别是在文本信息缺失的情况下。该方法首先基于OCC模型分析情绪生成规则，然后提取关键的情绪评估变量，并结合文本中的表情符号作为特征，构建了一个情绪分类的贝叶斯网络。通过贝叶斯网络的概率推理，实现了对句子级别情感的分类，减少了信息不全对分类的影响。实验结果表明，这种方法在NLPCC2014中文微博情绪分析评测的子任务中表现有效。该论文发表于《计算机科学》杂志，得到了NSFC-通用技术基础研究联合基金的支持。" 详细说明: 情绪分析是自然语言处理领域的重要研究方向，其目标是自动识别和理解文本中的情感倾向。OCC模型，全称为Ortony, Clore, and Collins的情感认知模型，是一种理论框架，用于解释人类如何理解和生成情感。在OCC模型中，情感被认为是基于对事件的认知评估而产生的。传统的OCC模型在情绪句分类中通常依赖于情感词典和规则，但在面对词汇和语境信息不足的情况时，分类效果可能受限。 针对这一问题，徐源音等人的研究提出了一种新的方法，将OCC模型与贝叶斯网络相结合。贝叶斯网络是一种概率图形模型，能够有效地处理不确定性，尤其适合处理信息不全的情况。在该方法中，首先依据OCC模型解析情感生成的逻辑，提取出影响情感的关键评估变量。接着，考虑到现代文本中广泛使用的表情符号，这些符号往往能直接反映情感状态，因此将它们作为特征纳入到贝叶斯网络中。通过贝叶斯网络的结构和条件概率分布，可以对输入的句子进行情感分类，从而提高了在信息不完整情况下的分类准确率。 实验部分，该方法在NLPCC2014中文微博情绪分析评测数据集上进行了验证。NLPCC是一个权威的自然语言处理竞赛，其子任务情绪句分类要求对微博文本进行情感分类。结果显示，结合OCC模型和贝叶斯网络的方法在处理这类任务时表现出良好的性能，证明了该方法的有效性和实用性。 此外，这篇论文是在《计算机科学》期刊网络首发的，遵循了严格的出版流程和标准，确保了学术成果的创新性、科学性和先进性。文章的作者团队由徐源音、柴玉梅、王黎明和刘箴组成，得到了NSFC-通用技术基础研究联合基金的支持，这表明了该研究在自然语言处理和情感分析领域的学术价值。