摘要：學生評教留言經(jīng)過逐年累積，已經(jīng)形成一個巨量的信息資源，如何進行挖掘和分析這些資源已經(jīng)成為一項緊迫的任務。本文采用頻率、信息增益、條件概率比、期望值差異等四種特征選取方法對留言進行分析，采用ICTCLAS分詞軟件進行分詞，利用MATLAB軟件進行矩陣奇異值分解和降維，使用支持向量機進行訓練和預測數(shù)據(jù)，從而能夠?qū)W生留言的情感傾向性給出很好的預測結(jié)果。最后通過實例說明了文中算法的有效性。

　　關(guān)鍵詞：傾向性分析；分詞；特征選擇；降維；支持向量機

0引言

       學生評教留言經(jīng)過逐年累積，已經(jīng)形成一個巨量的信息資源，對其進行數(shù)據(jù)挖掘已經(jīng)成為刻不容緩的工作，如何更好地利用大量的留言體現(xiàn)了一個學校對其教學水平和方法進行提升和改進的能力，一個高水平的學校應積極發(fā)展對學生留言的挖掘，對其進行分析、處理并最后得出結(jié)論，及時了解和分析教師的教學現(xiàn)狀和學生們的聽課反饋。

　　國內(nèi)外相關(guān)學者對文本傾向性分析進行了大量研究［15］，雖然英文的傾向性研究已經(jīng)很成熟并得到了豐碩成果［617］，但是中文文本的傾向性研究還處在發(fā)展階段，有著廣闊的發(fā)展空間。柴玉梅等［1］通過分析中文文本內(nèi)容褒貶色彩的客觀性和褒貶傾向性分類的可行性，將特征選擇方法和褒貶特征提取技術(shù)結(jié)合起來，實現(xiàn)了名人網(wǎng)頁的褒貶傾向性分類；唐慧豐等［2］通過對中文文本不同分類方法的對比分析，提出采用BiGrams特征表示方法、信息增益特征選擇方法和SVM分類方法，在足夠大訓練集和選擇適當數(shù)量特征的情況下，在情感分類方面取得較好的效果；Tan等［6］針對中文文本，通過對四種特征選擇方法和五種學習方法進行實驗，提出信息增益特征選擇方法與SVM進行組合，能夠得到較好的預測結(jié)果；Prabowo等［7］提出一種規(guī)則分類、監(jiān)督學習和機器學習相結(jié)合的方法，能夠?qū)﹄娪霸u論、產(chǎn)品評論和MySpace留言進行傾向性分析；Li等［8］提出結(jié)合Kmeans聚類算法和SVM來實現(xiàn)無監(jiān)督學習的方法，并利用此算法進行在線論壇熱點的偵探和預測。

　　Tan等［6］針對中文文本，通過使用MI（Mutual Information）、IG（Information Gain）、CHI（CHI Statistics）和DF（Document Frequency）四種特征選擇方法和質(zhì)心分類、K近鄰、Window分類、貝葉斯分類、支持向量機五種分類方法進行實驗，提出信息增益特征選擇方法與SVM進行組合，得到較好的預測結(jié)果，但是其只是針對1 021個文本數(shù)據(jù)進行實驗，并未能夠?qū)⑵鋺玫綄W生評教留言中，學生評教留言具有一定的特殊性，它是對教師教學活動的評價，其中含有對教師豐富的情感，并非只是對一件物品的評價。針對學生評教留言，本文提出了一個學生評教留言的傾向性分析算法。首先，利用ICTCLAS對2 500條留言文本進行分詞，其次，進行詞性過濾，保留名詞、動詞、形容詞和副詞四類詞語，再次，進行詞語過濾，使用基于頻率、信息增益、條件概率比和期望值差異四種方法進行實驗，然后，生成詞頻矩陣，并將矩陣進行奇異值分解、降維、去除冗余數(shù)據(jù)操作，最后，利用SVM將生成的矩陣進行訓練和預測。本文特別針對學生評教留言，為實際的教學評價活動提供一定的決策支持，能夠生成較好的預測結(jié)果，使得此算法能夠更好地應用于實際的教務系統(tǒng)和教學活動中。

1算法流程

　　本文特別針對學生評教留言，提出一種基于期望值差異的詞語過濾方法與支持向量機相結(jié)合的傾向性分析算法，算法流程如圖1所示。

　　算法流程如下：

　　輸入： 500條留言作為訓練數(shù)據(jù)， 2 060條留言作為預測數(shù)據(jù)。

　　輸出：2 060條預測數(shù)據(jù)的傾向性結(jié)果，以及本算法的正確率和拒識率。

　?。?）分詞。用ICTCLAS50分別對訓練數(shù)據(jù)和預測數(shù)據(jù)進行分詞。

　　（2）詞性過濾。保留名詞、動詞、形容詞和副詞四類詞性詞語。

　?。?）詞語過濾。利用基于頻率、信息增益、條件概率比和期望值差異的過濾方法對詞語進行過濾。

　　（4）生成詞頻矩陣。以“詞項×文檔矩陣”的格式生成詞頻矩陣。

　?。?）矩陣處理。獲得訓練文件，對矩陣進行奇異值分解、降維、去除冗余數(shù)據(jù)后生成訓練文件。

　?。?）訓練。用LIBSVM對訓練集進行訓練，獲得訓練模型。

　　（7）預測。將預測集導入LIBSVM，利用上一步獲得的訓練模型進行預測。獲得傾向性結(jié)果，計算本算法的正確率和拒識率。

2學生留言的傾向性分析

　　2.1學生留言的預處理

　　2.1.1訓練數(shù)據(jù)的選取

　　訓練數(shù)據(jù)的質(zhì)量直接決定預測的效果，訓練數(shù)據(jù)是需要精挑細選的一些留言數(shù)據(jù)，必須具有良好的分類代表性，選取遵循以下原則：

　?。?）需要過濾掉所有空留言、只含有標點符號的留言以及不包含任何詞語的文本。

　?。?）重復性留方過濾。完全重復的留言，以及留言文字相同但是有標點符號不同的文本需要刪除，因為它們的向量基本相同。向量相同的留言放到libsvm中處理只會增加計算量。

　?。?）訓練數(shù)據(jù)中各類的數(shù)目要大體相當。

　?。?）刪除部分表達意思相近的留言。

　　（5）訓練數(shù)據(jù)不宜選取過多，也不宜過少，如果過多就會存在很多重復性的向量，如果過少，訓練集太小，不能很好地進行預測。訓練集的大小在500條左右即可。

　　基于以上選取數(shù)據(jù)的原則，本文從數(shù)據(jù)庫中抽取了500條數(shù)量相當?shù)牟钤u留言和好評留言。

　　2.1.2雙重否定短語的確定

　　一般情況下，一條留言中出現(xiàn)否定詞就會被判定為差評。例如：“講課太過于粗糙，條例不太清晰”，這樣的留言中含有“不”，會被判定為差評，這樣進行判定看似是理所當然的，實則不然，例如留言“注意啟發(fā)學生課外閱讀，不拘泥于課本，能調(diào)動學生積極性，活躍課堂氣氛”，其中含有“不”，但是“不”后面跟的是“拘泥”，在語言中，雙重否定表達的是肯定意思，根據(jù)語義分析這是好評，但是訓練器把它標記成差評了，這樣不符合客觀事實。為了解決這個問題，本文把兩個表達否定意義的詞語組合成一個短語，形成一個表示肯定意義的短語，優(yōu)先對這些組合起來的二元詞語匹配，并在后續(xù)處理過程中把這些短語當做一個詞語對待。

　　在留言中經(jīng)常出現(xiàn)的雙重否定詞語包括：不拘泥、不單純、不忘、不脫離、不失、不死、不死板、不拘于、不枯燥、不只、不少、不錯、不容易等等。

　　2.2特征詞的四種選擇標準

　　2.2.1基于頻率的過濾方法

　　基于頻率的過濾方法中，一條留言中一個詞語出現(xiàn)一次以上都是按照一次計算。本文采用了長匹配優(yōu)先的方式對其進行匹配。如果一個詞語包含另一個詞語，則被包含的詞語的次數(shù)不能加一，例如第一條留言中出現(xiàn)“清楚”，包含“清”，第二條留言中包含“清”，則“清”出現(xiàn)的次數(shù)只能是一次，而不是兩次，還有一種特殊情況是“松”被分作了兩個詞性，“松/a”和“松/ng”，對于這種情況需把所有詞語的詞性去掉之后再統(tǒng)計這個詞語出現(xiàn)的次數(shù)。去掉出現(xiàn)頻率低于二次的留言之后，還剩下407個詞語。

　　2.2.2基于信息增益的過濾方法

　　基于信息增益的過濾方法中，根據(jù)IG計算公式計算需要留下的IG值：

　　c表示類別，屬于此類或者不屬于；τ表示此特征出現(xiàn)與否，布爾型。若特征與類別無關(guān)，則IG=0。按照IG值的大小排序，獲取IG值較大的407個詞語。

　　2.2.3基于條件概率比的過濾方法

　　基于條件概率比的過濾方法，根據(jù)下面公式計算P(word)，P1=P(word|C1),P2=P(word|C2)：

　　在這里P(word)越小越有意義，說明word在不同類別中出現(xiàn)的概率差異大。若P1/P2=1或者P2/P1=1，則說明word的出現(xiàn)與類別判斷無關(guān)，可去掉；若P1/P2=0或者P2/P1=0，則說明word的出現(xiàn)與類別高度有關(guān)，此類詞語需保留。

　　2.2.4基于期望值差異的過濾方法

　　基于期望值差異的過濾方法，其具體計算方法是：一個詞項word在類i中出現(xiàn)的期望值ei=word在所有數(shù)據(jù)表中出現(xiàn)的總次數(shù)×P(Ci)，令fi表示word在類i中出現(xiàn)的實際次數(shù)，則

　　其中E的值越大越有意義。

3實驗結(jié)果分析

　　在Intel雙核CPU、主頻3.06 GHz、內(nèi)存2 GB的臺式機上實現(xiàn)一個實例，來驗證本文算法的有效性。

　　3.1數(shù)據(jù)集

　　本文使用山東女子學院教務系統(tǒng)2011年評教數(shù)據(jù)作為數(shù)據(jù)來源，原始數(shù)據(jù)來源于教務系統(tǒng)中的學生留言，共計3 000條。由于這些數(shù)據(jù)包含無意義數(shù)據(jù)，經(jīng)過篩選，從前1 000條數(shù)據(jù)中選出500條作為訓練數(shù)據(jù)集，預測數(shù)據(jù)集為從后2 000條中篩選出的1 309條數(shù)據(jù)。

　　3.2訓練

　　本文基于真實數(shù)據(jù)集，利用四種詞語過濾算法，使用SVM進行訓練。訓練結(jié)果如表1和圖2所示，表1中標記為“0”的訓練結(jié)果為負面評價，標記為“1”的訓練結(jié)果表示為正面評價，每個單元格中的三個數(shù)字分別表示正確率、錯誤率和拒識率。

　　從表1和圖2可以看出，基于頻率的過濾方法、基于信息增益的過濾方法、基于期望值差異的過濾方法訓練數(shù)據(jù)的正確率達到了80%以上，錯誤率都低于20%，但是基于條件概率比的過濾方法正確率不到50%。從這些數(shù)據(jù)來看，針對學生評教留言文本，選擇基于頻率、信息增益、期望值差異的詞語過濾方法能夠達到較好的效果。

　　3.3預測

　　預測結(jié)果如表2和圖3所示，表2中標記為“0”的訓練結(jié)果表示為負面評價，標記為“1”的訓練結(jié)果表示為正面評價，每個單元格中的三個數(shù)字分別表示正確率、錯誤率和拒識率。

　　從表2和圖3可以看出，基于頻率的過濾方法、基于信息增益的過濾方法、基于期望值差異的過濾方法預測數(shù)據(jù)的正確率達到了70%以上，錯誤率都低于30%，基于期望值差異的過濾方法錯誤率低于20%，與其他三種算法相比，基于期望值差異的詞語過濾算法效果最好。從這些數(shù)據(jù)來看，針對學生評教留言文本，基于期望值差異的詞語過濾算法與SVM結(jié)合能夠達到較好的效果。

4結(jié)論

　　本文特別針對高等學校學生評教留言，通過實驗研究了基于頻率、信息增益、條件概率比、期望值差異的四種詞語過濾方法與支持向量機結(jié)合，最終給出文本傾向性結(jié)果的效果，通過對比分析，得出基于期望值差異的詞語過濾方法與支持向量機結(jié)合的算法，能夠?qū)W生評教留言的傾向性給出較優(yōu)的預測結(jié)果。

　　參考文獻

　?。?］ 唐慧豐. 基于監(jiān)督學習的中文情感分類技術(shù)比較研究［J］.中文信息學報, 2007,21(6):8894.

　?。?］ 柴玉梅，熊德蘭，昝紅英. Web文本褒貶傾向性分類研究［J］.計算機工程, 2006,12(9):8991.

　　［3］ 楊超，馮時,王大玲,等.基于情感詞典擴展技術(shù)的網(wǎng)絡(luò)輿情傾向性分析［J］.小型微型計算機系統(tǒng), 2010,31(4):691695.

　　［4］ 何鳳英.基于語義理解的中文博文傾向性分析［J］.計算機應用, 2011,31(8):21302137.

　?。?］ 李艷紅,程翔.基于網(wǎng)絡(luò)論壇文本挖掘的筆記本電腦滿意度研究［J］.微型機與應用,2014,33(18):6165.

　　［6］ TAN S，ZHANG J.An empirical study of sentiment analysis for Chinese documents［J］.Expert Systems with Applications, 2008,34(4):26222629.

　　［7］ PRABOWO R， THELWALL M. Sentiment analysis: a combined approach［J］. Journal of Informetrics, 2009,3(2):143157.

　?。?］ LI N， WU D D. Using text mining and sentiment analysis for online forums hotspot detection and forecast［J］. Decision Support Systems, 2010,48(2):354368.

　?。?］ STEFANO B,ANDREA E, FABRIZIO S.SentiWordNet 3.0: an enhanced lexical resource for sentiment analysis and opinion mining［C］. Proceedings of the Seventh Conference on International Language Resources and Evaluation. Malta:European Language Resources Association ,2010:22002204.

　?。?0］ PANG B，LEE L.Opinion mining and sentiment analysis［J］. Foundations and Trends in Information Retrieval, 2008,2(12):131135.

　?。?1］ ERIK C，BJORN S, YUNQING X, et al. New avenues in opinion mining and sentiment analysis［J］. IEEE Intelligent Systems, 2013,2(28):1521.

　?。?2］ LIU B，ZHANG L. A survey of opinion mining and sentiment analysis［M］.New York：Springer US, 2012.

　?。?3］ THERESA W，JANYCE W, PAUL H. Recognizing contextual polarity in phraselevel sentiment analysis［C］. Proceedings of the conference on Human Language Technology and Empirical Methods in Natural Language Processing. Stroudsburg：Association for Computational Linguistics, 2005:347354.