「java情感极性」java情感分析
本篇文章给大家谈谈java情感极性，以及java情感分析对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。
本文目录一览：
情绪的两极性是指
一、情绪与情感的两极性
对情绪与情感固有特征可以从不同的方面进行度量，即情绪和情感的变化有不同的维度。
这种度量可以从情绪和情感的动力性、激动度、强度和紧张度这四个方面来进行。而情绪和情感在每一维度上的变化，都具有两级对立的特性。
也就是说，每种情绪和情感的变化都存在着两种对立的状态，这就是情绪和情感的两极性。
例如，有喜悦就有悲伤，有爱就有恨，有紧张就有轻松，有激动就有平静，它们都构成了情绪和情感对立的两极。
二、情绪和情感变化的维度
（一）动力性
情绪情感的动力性有增力和减力的两极。
一般来讲，满足需要的、肯定的情绪和情感都是积极的、增力的，能提高人的活动能力；
不能满足需要的、否定的情绪和情感都是消极的、减力的，会降低人的活动能力。
喜悦的时候，人会觉得轻松，精神饱满，对周围发生的事件格外关心，表现出积极参与的倾向；
悲伤的时候，人觉得沉重，提不起精神，表现出对周围事物的冷漠和无心参与的倾向。
前者是增力的，后者是减力的。
基于情感字典怎么判断情感倾向性
情感分析自从2002年由Bo Pang提出之后，获得了很大程度的关注，特别是在在线评论的情感倾向性分析上获得了很大的发展。本文主要关注无监督的情感分析方法，由于不需要大量标注语料，无监督情感分析方法一直受到许多研究者的青睐，但同时效果也低于有监督的情感分析方法。
Turney首次提出基于种子词的非监督学习方法，使用“excelent”和“poor”两个种子词与未知词在搜索网页中的互信息来计算未知词的情感极性，并用以计算整个文本的情感极性。后续的非监督情感分析方法大都是基于生成或已有的情感词典或者相关资源进行情感分析。
例 如，Kennedy和Inkpen考虑文本中词的极性转移关系并基于种子词集合进行词计数决定情感倾向。朱嫣岚等人将 一组已知极性的词语集合作为种子，基于HowNet对未知词语与种子词进行语义计算，从而判别未知词的极性。Lin等采用LSM 模型、JST模型、Reverse－JST模型构建了三种无监督的情感分析系统。但是由于深层情感分析必然涉及到语义的分析， 以及文本中情感转移现象的经常出现，所以基于深层语义的情感分析效果并不理想，本文针对中文文本中经常出现的情感转移现象提出情感极性转移模型，提高了深层语义情感分析的分析效果。
情绪和情感的两极性表现在什么方面
情绪情感的两极性：首先表现在性质上，有时会出现两种对立的情绪体验，比如考试又兴奋又不安。其次，还表现在两极上，情绪警察发生变化，从一极走向另一极。喜欢隐藏自己的内心体验，不易向人表露，但当遇到知心朋友时又会推心置腹。最后，同一种情绪体验对个体有积极的一面，又会产生消极的妨碍作用。
如何利用hownet进行情感极性分析
情感分析（Sentiment Analysis）
第一步，就是确定一个词是积极还是消极，是主观还是客观。这一步主要依靠词典。
英文已经有伟大词典资源：SentiWordNet. 无论积极消极、主观客观，还有词语的情感强度值都一并拿下。
但在中文领域，判断积极和消极已经有不少词典资源，如Hownet，NTUSD但用过这些词典就知道，效果实在是不咋滴（最近还发现了大连理工发布的情感词汇本体库，不过没用过，不好评价）。中文这方面的开源真心不够英文的做得细致有效。而中文识别主客观，那真的是不能直视。
中文领域难度在于：词典资源质量不高，不细致。另外缺乏主客观词典。
第二步，就是识别一个句子是积极还是消极，是主观还是客观。
有词典的时候，好办。直接去匹配看一个句子有什么词典里面的词，然后加总就可以计算出句子的情感分值。
但由于不同领域有不同的情感词，比如看上面的例子，“蓝屏”这个词一般不会出现在情感词典之中，但这个词明显表达了不满的情绪。因此需要另外根据具体领域构建针对性的情感词典。
如果不那么麻烦，就可以用有监督的机器学习方法。把一堆评论扔到一个算法里面训练，训练得到分类器之后就可以把评论分成积极消极、主观客观了。
分成积极和消极也好办，还是上面那个例子。5颗星的评论一般来说是积极的，1到2颗星的评论一般是消极的，这样就可以不用人工标注，直接进行训练。但主客观就不行了，一般主客观还是需要人来判断。加上中文主客观词典不给力，这就让机器学习判断主客观更为困难。
中文领域的难度：还是词典太差。还有就是用机器学习方法判断主客观非常麻烦，一般需要人工标注。
另外中文也有找到过资源，比如这个用Python编写的类库：SnowNLP. 就可以计算一句话的积极和消极情感值。但我没用过，具体效果不清楚。
到了第三步，情感挖掘就升级到意见挖掘（Opinion Mining）了。
这一步需要从评论中找出产品的属性。拿手机来说，屏幕、电池、售后等都是它的属性。到这一步就要看评论是如何评价这些属性的。比如说“屏幕不错”，这就是积极的。“电池一天都不够就用完了，坑爹啊”，这就是消极的，而且强度很大。
这就需要在情感分析的基础上，先挖掘出产品的属性，再分析对应属性的情感。
分析完每一条评论的所有属性的情感后，就可以汇总起来，形成消费者对一款产品各个部分的评价。
接下来还可以对比不同产品的评价，并且可视化出来。如图。
这一步的主要在于准确挖掘产品属性（一般用关联规则），并准确分析对应的情感倾向和情感强度。因此这需要情感分析作为基础。首先要找到评论里面的主观句子，再找主观句子里的产品属性，再计算属性对应的情感分。所以前面基础不牢固，后面要准确分析就有难度。
中文这个领域的研究其实很完善了，技术也很成熟。但需要完善前期情感分析的准确度。
总的来说，就是中文词典资源不好，工作做得不是很细很准。前期的一些基础不牢固，后面要得到准确的分析效果就不容易了。
java 分类器算法问题！！急。。。。
SVM主要通过训练集进行训练之后，用来进行数据分类（通常是二分类）。在对SVM进行训练之前你要确定输入的特征向量是什么，期望输出又是什么，对于你的系统很显然期望输出可以假定为：+1和-1，其中+1表示正面的，-1表示负面的，训练集就是那两张英文词列表，你可以用这两英文词列表来对SVM进行训练从而得到一个SVM模型，然后就可以用这个模型来对新的英文序列（中文词的英文翻译序列）进行“极性”分类了。其实分类器并不只有SVM，你还可以使用BP神经网络，AdaBoost等来实现数据分类。如果还有不明白的地方可以给我留言：blog.sina.com.cn/kwapoong
建议你在Matlab下进行试验，这样效率会快些。
关于java情感极性和java情感分析的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。
发布于：2022-12-04，除非注明，否则均为原创文章，转载请注明出处。