基于SVM的酒店客户评论情感分析

doi:10.3969/j.issn.1006-2475.2017.03.025

计算机与现代化

基于SVM的酒店客户评论情感分析

1.江西农业大学计算机与信息工程学院,江西南昌330045；
2.江西农业大学软件学院,江西南昌330045；
3.江西农业大学江西省高等学校农业信息技术重点实验室,江西南昌330045

收稿日期:2016-08-08 出版日期:2017-03-29 发布日期:2017-03-30
作者简介:石强强（1991-），男，江苏丹阳人，江西农业大学计算机与信息工程学院硕士研究生，研究方向：自然语言处理，数据挖掘，计算机图像处理；赵应丁（1965-），男，江西余干人，江西农业大学软件学院、江西省高等学校农业信息技术重点实验室教授，博士，研究方向：计算机图像处理，计算机智能接口技术，计算机网络以及网络安全；杨红云（1975-），男，江西新干人，副教授，硕士，研究方向：农业信息技术。
基金资助:
国家自然科学基金资助项目（61562039，61363041）

Emotion Analysis of Hotel Customers Reviews Based on SVM

1. School of Computer and Information Engineering, Jiangxi Agricultural University, Nanchang 330045, China；
2. School of Software, Jiangxi Agricultural University, Nanchang 330045, China；
3. Key Laboratory of Agricultural Information Technology, Colleges and Universities of Jiangxi Province,
Jiangxi Agricultural University, Nanchang 330045, China

Received:2016-08-08 Online:2017-03-29 Published:2017-03-30

摘要/Abstract

摘要： 通过增加情感词典种类提高系统对网络词汇、表情符号进行分词和情感分析的准确性；以某酒店的客户评论为原始数据，提取正负向情感词的数量、否定词、程度副词以及特殊符号数量等文本特征后进行不同的特征组合，通过K重交叉验证和网格搜索算法找到SVM（支持向量机）算法的最优参数组合C和g。采用SVM对不同的特征组合进行训练测试并对每个组合的正确率进行分析，然后找出最适合用户评论情感分析的文本特征及特征组合。结果表明：在每个特征组合获取其最优的C和g参数组合的前提下，选用正负向情感词、否定词、情感分值、程度副词的特征组合测试正确率最高，达到93.4%。

关键词: 情感分析, 支持向量机, K重交叉验证, 网格搜索, 特征组合

Abstract: This paper improves the accuracy of word segmentation and emotion analysis of network vocabulary and expressions by increasing the variety of emotion dictionary. On the other hand, customer reviews of a hotel are used as the original data. After extracting the amount of text features, such as positive and negative words, negative words, the degree of adverbs and the amount of special symbols, we make different feature combinations, and hope to find the optimal combination of parameters SVM including C and g through the kfold Cross Validation and grid search algorithm. Training and testing different feature combinations by SVM and analyzing the correct rate of each combination, we find out the most suitable combination of text feature and feature analysis which are used for study of user reviews of emotion. The results show that under the premise of satisfying the optimal combination of parameters C and g, the correct rate of the feature combination using positive and negative emotional words, negative words, emotion score and degree adverbs is the highest and reaches 93.4%.

Key words: emotion analysis, SVM, Kfold cross validation, grid search, feature combination

中图分类号:

TP391

石强强1，赵应丁2,3，杨红云2,3. 基于SVM的酒店客户评论情感分析[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2017.03.025.

SHI Qiangqiang1， ZHAO Yingding2,3， YANG Hongyun2,3. Emotion Analysis of Hotel Customers Reviews Based on SVM[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2017.03.025.

参考文献

［1］赵妍妍,秦兵,刘挺. 文本情感分析［J］. 软件学报, 2010,21（8）:1834-1848
［2］Balahur A, Steinberger R, Kabadjov M, et al. Sentiment analysis in the news［C］// Proceedings of the 7th International Conference on Language Resources and Evaluation （LREC2010）. 2010:2216-2220.
［3］Jiang Long, Yu Mo, Zhou Ming, et al． Targetdependent twitter sentiment classification［C］// Proc. of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies．2011:151-160．
［4］杨立公，朱俭，汤世平. 文本情感分析综述［J］. 计算机应用, 2013,33（6）:1574-1578.
［5］Taboada M, Brooke J, Tofiloski M, et al．Lexiconbased methods for sentiment analysis［J］. Computational Linguistics, 2011,37（2）:267-307.
［6］Wiebe J, Bruce R F, Ohara T P. Development and use of a goldstandard data set for subjectivity classifications［C］ // Proceedings of Association for Computational Linguistics. 1999:246-253.
［7］Hatzivassiloglou V, Klavans J L, Holcombe M L, et al. SIMFINDER: A flexible clustering tool for summarization［C］// Proceedings of the Workshop on Summarization in NAACL01. 2001:41-49.
［8］Riloff E, Wiebe J. Learning extraction patterns for subjective expressions［C］// Proceeding of the 2003 Conference on Empirical Methods in Natural Language Processing. 2003:105-112.
［9］刘康,赵军. 基于层叠CRFs模型的句子褒贬度分析研究［J］. 中文信息学报, 2008,22（1）:123-128.
［10］Pang B, Lilian L, Shivakumar V. Thumbs up: Sentiment classification using machine learning techniques［C］// Proceedings of the ACL02 Conference on Empirical Methods in Natural Language Processing. 2002:79-86.
［11］李婷婷,姬东鸿. 基于SVM和CRF多特征组合的微博情感分析［J］. 计算机应用研究, 2015,32（4）:978-981.
［12］陈晓东. 基于情感词典的中文微博情感倾向分析研究［D］. 武汉:华中科技大学, 2012.
［13］Perter Harrington. Machine Learning in Action［M］ . 李锐,李鹏,曲亚东,等译. 北京:人民邮电出版社, 2013. 
［14］樊康新. 基于SVM的网络文本情感分类系统的研究与设计［J］. 计算机时代, 2015,12（9）:34-37.
［15］徐晓明. SVM参数寻优及其在分类中的应用［D］. 大连:大连海事大学, 2014.
［16］王健峰,张磊,陈国兴,等. 基于改进的网格搜索法的SVM参数优化［J］. 应用科技, 2012（3）:28-31.
［17］王兴玲, 李占斌. 基于网格搜索的支持向量机核函数参数的确定［J］. 中国海洋大学学报（自然科学版）, 2005,35（5）:859-862.

[1]	杨博, 庄毅. 基于AOA-MSVM的控制集群故障检测方法[J]. 计算机与现代化, 2023, 0(12): 112-116.
[2]	李诗月, 孟佳娜, 于玉海, 李雪莹, 许英傲. 基于知识增强的方面级情感分析方法[J]. 计算机与现代化, 2023, 0(10): 1-8.
[3]	杨孙哲, 孙爱珍. 基于HSV颜色与LBP纹理特征的水稻氮素营养诊断[J]. 计算机与现代化, 2023, 0(07): 86-92.
[4]	申志, 李元 . 基于KPCA和SSA优化SVM的非线性过程故障检测#br#[J]. 计算机与现代化, 2023, 0(06): 15-20.
[5]	尹建丰, 卫鑫, 顾雄伟, 黄凯, 魏敏捷. 基于图像阈值优化及改进SVM的电表数字识别[J]. 计算机与现代化, 2023, 0(05): 106-110.
[6]	周昌野, 李程. 基于GS-LSTM模型的铁路货运量预测[J]. 计算机与现代化, 2022, 0(10): 24-28.
[7]	姚春华, 张学磊, 宋馨宇, 张举, 蔡佳志, 冯翱. 一种基于图卷积神经网络和依存分析的财经新闻情感分析方法[J]. 计算机与现代化, 2022, 0(05): 33-39.
[8]	赵延平, 王芳, 夏杨. 基于支持向量机的短文本分类方法[J]. 计算机与现代化, 2022, 0(02): 92-96.
[9]	赵聪慧, 冯庆胜. 基于DT-CWT和SVM的踏面旋转不变纹理提取算法[J]. 计算机与现代化, 2021, 0(12): 85-90.
[10]	冯茹嘉, 张海军, 潘伟民. 基于情感分析和Transformer模型的微博谣言检测[J]. 计算机与现代化, 2021, 0(10): 1-7.
[11]	陈翔, 邹庆年, 谢绍宇, 陈翠琼. 基于迁移学习策略的压板开关状态识别[J]. 计算机与现代化, 2021, 0(05): 120-126.
[12]	尼格拉木·买斯木江, 艾孜尔古丽·玉素甫. 基于BERT及双向GRU模型的慕课用户评论情感倾向性分析[J]. 计算机与现代化, 2021, 0(04): 20-26.
[13]	王文蔚, 肖军弼, 程鹏, 张悦. 基于SDN的DDoS攻击防御系统[J]. 计算机与现代化, 2021, 0(02): 117-121.
[14]	徐龙. 基于自注意力和胶囊网络的短文本情感分析[J]. 计算机与现代化, 2020, 0(07): 61-64.
[15]	张文华，张志俊. 基于SVM的新能源公交车运营里程核查方法[J]. 计算机与现代化, 2020, 0(05): 39-.

基于SVM的酒店客户评论情感分析

Emotion Analysis of Hotel Customers Reviews Based on SVM

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价