简介
文本分类方法大部分使用基于模型的分类，基本上可以分为两大类：1）基于规则的分类方法，采用为类别集合的每个类别确定分类规则，然后根据类别模板统计待分类文本，确定该文本所属类别。基于规则的文本分类方法主要有：决策树、关联规则和粗糙集等；2）基于统计的分类方法，使用分类模型自动根据训练集中的信息自动学习，从而构造出文本特征和类别之间的对应关系模型，利用训练好的模型对待分类文本进行分类。基于统计的文本分类方法主要有：朴素贝叶斯、支持向量机、K均值等。
基于规则的分类方法采用特定的分类规则，比较理性，符合行为认知；基于统计的分类方法依赖机器学习的经验，根据概率统计方法确定分类，能取得较好的分类效果。从整体上看，基于规则和统计的分类方法各有千秋，目前的主要研究方向为采用两者的结合，提高分类的精确度。
需要指出，本文为贯通Web数据抓取和文本处理环节，采用基于规则的分类方法实现情感分析算法。
算法设计
情感分析架构图
图1 情感分析框架图
鉴于目前文本处理多数集中于句子级分析，因此本文也采用句子级分析方式，其处理过程主要分为语句提取、特定词抽取、句法分析以及计算评分。简要描述如下：
1） 语句提取：根据中文文本的特点，以句号、问号以及感叹号对文本进行分割。
2） 特定词抽取：针对句子，抽取其中的连词以及否定词，从而辅助判断情感分析。
3） 句法分析：根据连词确定句子前后的分词权重，针对否定词确定极性反转或双重否定识别。
4） 计算评分：根据情感词汇库以及句法分析结构，综合计算该句子评分。
特定词提取
1） 连词
根据参考文献分析，在情感分析时，有指示特征的连词特征为：
并列连词：前后句子极性一致；
选择连词：前后句子极性一般一致；
递进连词：前后句子极性一般一致，后句稍加强烈；
转折连词：前后句子极性相反，后句更加强烈。
其它连词类型对情感倾向不敏感，目前暂不予考虑。若后期对算法优化，可以予以增加。
表1 连词及其关联权重
标识 | 关系类型 | 前句权重 | 后句权重 | 举例 |
1 | 并列关系 | 0.5 | 0.5 | 既，又 |
2 | 选择关系 | 0.5 | 0.5 | ，或者 |
3 | 递进关系 | 0.4 | 0.6 | 不但，而且 |
4 | 转折关系 | 0.2 | 0.8 | 虽然，但是 |
5 | 选择关系 | 0.4 | 0.6 | 与其，宁肯 |
6 | 选择关系 | 0.6 | 0.4 | 宁愿，绝不 |
如表1所示，为本文算法采用的连词及其关联权重，判断前句与后句的主要以第二个连词作为区分；若仅有一个连词，则以该唯一连词作为区分对象。
2） 否定词
否定词在文本中具有独特的语法意义和影响，一般情况下，被否定词修饰的词汇一般会改变情感极性。此外，由于中文中存在多重否定的现象，鉴于双重否定所占比例较大，本文算法仅考虑双重否定该情形。
本文暂时拟定的否定词为：不、无、非、莫、勿、未、不要、不必、没有等。若后期对算法进行优化，则视情形进行增加与删减。
评分计算
本文情感极性词汇库采用大连理工大学情感词汇本体，根据实际应用需求，对该词汇库进行补充与修正，同时引入连词规则以及否定词等进行辅助计算。
计算过程为：
1） 将Web文本进行分句，使其以句子为单位进行处理；
2） 从分句中抽取连词和否定词，并标记相应连词与否定词位置；
3） 访问情感词汇本体，确定词汇极性及其强度；
4） 针对连词（若有），通过连词连词位置，确定前句与后句所占比重，针对否定词（若有），根据否定词位置判断双重否定，以及临近词汇的极性反转；若不包含连词或者否定词，则略过该步骤；
5） 累加本句情感计算评分；
6） 循环访问步骤2）至步骤5）计算该Web文本的评分，若为正则为正面，若为负则为负面，否则为中性。
展望
本文算法目前采用基于规则的分类方法，通过引入关联规则（连词、否定词）对句子进行分析，计算出其情感倾向，进而引申至全文的情感倾向。从应用的角度，该方法能满足用户一般性需求。
另一方面，由于汉语语法复杂，而且涉及的规则呈现多样化、复杂化，若要获取精确的情感分类，采用基于统计的方法与基于规则的方法相结合，将是后期进行优化的研究方向。
