了一種包含上述情感分析方法的多個待測文本情感分析方法， 所述多個待測文本的情感分析方法包括： 首先，在計算機系統(tǒng)中同時輸入首尾依次連接多個待測文本； 其次，采用權利要求1-9中任一所述的情感分析方法，分析出多個待測文本中每一待 測文本的情感值； 再者，將每一待測文本的情感值，從最后一個待測文本開始，依次向前累加。
[0020] 較佳地，所述累加為：從后向前，從右向左，依次向前累加。
[0021] 本發(fā)明的有益效果： 1. 專業(yè)的基于中文財經(jīng)詞匯的分詞模塊。普通分詞程序?qū)I(yè)性不強，只能對一些常用 的普通詞匯進行分詞，而要得到某專業(yè)內(nèi)的常用詞匯或?qū)I(yè)詞匯，必須在分詞詞典中添加 上該行業(yè)的特定詞匯。建議基于財經(jīng)詞匯的專業(yè)分詞模塊是本發(fā)明至關重要的環(huán)節(jié)； 2. 全面的中文財經(jīng)情感詞典。情感詞典分為基礎情感詞典和專業(yè)情感詞典。基礎情感 詞典包括《知網(wǎng)》、《臺灣大學情感詞典》、《褒義詞詞典》、《貶義詞詞典》提供的情感詞匯，通 過去重處理，得到基礎情感詞典。專業(yè)情感詞典即財經(jīng)領域情感詞典，主要從《證券投資分 析》、《經(jīng)濟學詞典》中獲取財經(jīng)詞匯。另外，因為本發(fā)明主要是對網(wǎng)絡爬蟲抓取的財經(jīng)新聞 評論文本和股吧論壇的文本進行情感分析，所以人工提取了 2013年至2015年所抓取數(shù)據(jù) 的網(wǎng)絡詞和財經(jīng)新聞用詞，并分析其情感色彩，擴充財經(jīng)情感詞庫，使情感詞典更適合網(wǎng)絡 財經(jīng)新聞文本的情感分析，大大提高了情感識別率和準確率； 3. 詳細的情感詞分類。目前常用的文本情感分析方法對情感詞的研究更多地集中在情 感詞的褒貶分類上。本發(fā)明針對目前財經(jīng)情感分析領域中對情感詞的分類不具體，導致只 能對情感詞疊加得到文本總情感值，從而準確率和可信度偏低的問題。在中文文本財經(jīng)領 域，對領域內(nèi)的常用詞匯、專業(yè)詞匯細分為幾十個子類的情況尚屬首次，有效地解決了情感 詞分類過于籠統(tǒng)，文本情感值完全基于對其中出現(xiàn)的情感詞統(tǒng)計疊加的問題； 4. 語義模式的匹配建立在情感詞排列統(tǒng)計的基礎之上，使用的是基于情感詞的語義模 式組合。在語義模式匹配中，更多的是根據(jù)中文句型的樣式人工標注句型結構，如主謂賓結 構。這樣的句型結構太過通用，不能很好地與情感詞句型結構匹配，導致句型不適合情感匹 配。本發(fā)明句型模式的積累采用統(tǒng)計方法，根據(jù)分詞標注的情感值與其他否定詞、反轉(zhuǎn)詞等 的不同排列組合，統(tǒng)計得到句型結構出現(xiàn)概率大的幾十種模式，滿足了情感文本的情感句 型匹配和識別； 5. 由于細分詞庫，更好地匹配情感語義模式，以語義分析為主，統(tǒng)計疊加情感單元情感 值為輔，凝聚了中文語義分析和統(tǒng)計分析的精華。以滿足語義模式的情感單元而不是情感 詞為單位進行情感分析，最大程度上保證了情感疊加單元的情感準確度，從而獲得文本更 準確的情感結果。
【附圖說明】
[0022] 圖1示出了本發(fā)明一個實施例中情感分析方法的步驟示意圖。
【具體實施方式】
[0023] 以下結合附圖和下述實施方式進一步說明本發(fā)明，應理解，附圖及下述實施方式 僅用于說明本發(fā)明，而非限制本發(fā)明。
[0024] 本發(fā)明提出一種基于中文語義結構和細分詞庫結合的情感分析方法，尤其涉及一 種應用于中文財經(jīng)新聞評論句子級文本的情感分析方法，屬于計算機科學技術、財經(jīng)學、 語言學的交叉學科。其中包括情感詞典、分詞模塊、語義模式庫、情感分析模塊四大部分。它 們之間的關系如圖1所示。
[0025] 財經(jīng)文本（可以作為待測文本）短句來源：網(wǎng)絡爬蟲全網(wǎng)抓取，選定特定的財經(jīng)新 聞評論數(shù)據(jù)源，并切分成短句。
[0026] 分詞模塊：采用雙向最大匹配算法，匹配出所有字串形成的最長詞語。
[0027] 語義模式匹配模塊：根據(jù)情感詞、否定詞、連接詞、反轉(zhuǎn)詞、比較詞等的排列組合模 式，統(tǒng)計提取出出現(xiàn)幾率比較大的幾十種模式，并按照實際句子的情感人工給出模式的情 感值。
[0028] 情感分析模塊：根據(jù)語義模式匹配的結果綜合得到句子情感值。
[0029] 情感值輸出：句子情感值，最終結果大于1則判定情感值為正面，小于-1則判定情 感值為負面，無模式匹配或情感單元疊加后值為〇則情感值為〇,判為中性情感。
[0030] 1.分詞模塊 該模塊完成的功能包括：對財經(jīng)新聞評論文本進行斷句和分詞處理，最大化地提取出 財經(jīng)情感詞匯或短語，根據(jù)情感詞典，對情感詞匯或情感短語進行屬性標注。
[0031] 分詞模塊的前期工作：為了使分詞詞典更全面地覆蓋盡可能多的財經(jīng)詞匯，在基 礎詞庫的基礎之上，采用人工提取和篩選的方法，從網(wǎng)絡爬蟲獲取的近五萬條新聞評論語 料庫中人工提取財經(jīng)詞匯和短語，尤其是財經(jīng)情感分析需要的詞匯、短語和網(wǎng)絡習慣用語 添加進分詞詞典中，從而使分詞模塊能夠識別財經(jīng)詞匯或短語，更專業(yè)化地針對財經(jīng)文本 進行處理。
[0032] 分詞模塊的算法：基于雙向最大匹配算法。為了更好地匹配財經(jīng)新聞評論中出現(xiàn) 的詞語，讓機器更大化地理解文本的意義，盡量識別長短語即盡可能多地獲取更長的信息 將有助于機器情感分析?；陔p向最大匹配算法的分詞模塊能更好地識別出文本長短語， 使情感分析更準確。
[0033] 下面詳細地介紹情感標注的標準： (1)斷句的標注。模塊中將"。"、"；"、" ！"、"？ "、"……"作為句子結束的標志，標注符 為END，其他表示句子未結束，進行句中間隔的標點符號如"，"、"、"，標注為COMMA ; ⑵情感詞的標注。參考情感詞庫中的情感詞分類，對存在于情感詞庫中的情感詞的屬 性進行標注。分詞屬性的標注按照情感詞類和輔助類進行標注，情感詞類共分為14類，分 別是八類不及物動詞，四類及物動詞（包括形容詞）和兩類名詞。
[0034] 表1情感分類標注表
表2其它詞類標注表： CN 105095190 A 說明書 8/15 頁
：0
[0035] 2.情感詞典 情感詞典分為兩部分：基礎情感詞典和專業(yè)情感詞典?；A情感詞典包括《知網(wǎng)》、《臺 灣大學情感詞典》、《褒義詞詞典》、《貶義詞詞典》提供的情感詞匯，通過去重處理，得到基礎 情感詞典。專業(yè)情感詞典即財經(jīng)領域情感詞典，主要從《證券投資分析》、《經(jīng)濟學詞典》中 獲取財經(jīng)詞匯。另外，因為本發(fā)明主要是對網(wǎng)絡爬蟲抓取的財經(jīng)新聞評論文本和股吧論壇 的文本進行情感分析，所以人工提取了 2013年至2015年所抓取數(shù)據(jù)的網(wǎng)絡詞和財經(jīng)新聞 用詞，并分析其情感色彩，擴充財經(jīng)情感詞庫，使情感詞典更適合網(wǎng)絡財經(jīng)新聞文本的情感 分析，從而大大提高了情感識別率和準確率。
[0036] 3.語義模式匹配模塊 情感詞分類識別之后，就可以判斷整個句子的情感值。本發(fā)明建立了專門適用于以句 子為單位的情感模式匹配模塊，根據(jù)各類情感詞的排列規(guī)則，統(tǒng)計出幾十種可供句子情感 匹配的模式條目，只有分析的句子符合諸如表3所列條目的一種，才綜合計算和賦予句子 情感值。
[0037] 表3句子情感模式匹配表（語義模式匹配表）

[0038] 4.情感分析模塊 情感分析模塊根據(jù)情感詞的分類排列，與語義模式進行匹配，按照最右優(yōu)先匹配的方 法與表3的語義模式進行匹配，得到每個情感單元的情感值。
[0039] 最右優(yōu)先匹配的算法是：從分詞標注的END結束符（即句子結束符）開始，自右 向左掃描整個句子，與表3中預設的模式進行匹配，采用最長匹配的原則，優(yōu)先匹配表3中 的長模式，得到模式對應的情感值，即為該情感單元的情感值。然后將各情感單元的情感強 度進行累加，得到句子的累加情感值。采用最右匹配的原則是根據(jù)中文語言的特點來決定 的。中文表達中，重要的觀點是在句子的后半段提出，因而情感語義模式的匹配以最右匹配 為標準。
[0040] 情感單元累加公式如式1 :
(I) q
[0041] 其中，S表示句子，E (S)表示整個句子的情感總值，m表示該句中情感單元的個數(shù)， Si表示單個情感單元，E (S ;)表示單個情感單元的情感值。
[0042] 當句子中出現(xiàn)單獨的否定詞、反轉(zhuǎn)詞而無模式匹配，或出現(xiàn)句子結束符時，作如下 處理，如式2 :
.〇
[0043] 說明