摘要: 随着互联网的飞速发展，越来越多的互联网媒体开始取代传统的纸质媒体以及电视媒体，用户每天会接触到海量的各类咨询及新闻，对新闻进行分类有助于使用户从海量的新闻数据中快速找到自己关注的话题。对新闻进行情感分析有利于使用户快速了解某行业或... 展开 随着互联网的飞速发展，越来越多的互联网媒体开始取代传统的纸质媒体以及电视媒体，用户每天会接触到海量的各类咨询及新闻，对新闻进行分类有助于使用户从海量的新闻数据中快速找到自己关注的话题。对新闻进行情感分析有利于使用户快速了解某行业或事件的形势，从而可以辅助用户进行一些决策，例如股票买卖等。而人工对新闻进行分类以及情感标注是一件费时费力的工作，如何实现新闻文本的自动分类及情感分析是一个非常有价值的研究课题。本文主要研究内容包括: 1.本文提出了一种将Word2vec与SVM结合的基于句子类别投票的新闻文本分类方法Vote-SVM，与传统的方法相比，Vote-SVM从句子的粒度来对文本进行分析，并根据所有句子的类别来确定新闻的类别，在新闻分类上有着更好的分类效果。本文还对传统TF-IDF算法在提取类别特征词上的缺陷进行了分析，并对传统TF-IDF算法进行了改进，使其可以更好的提取类别特征词。实验结果表明本文提出的基于改进的TF-IDF的特征提取算法可以有效的提升类别特征提取的质量。 2.针对现有情感词典完备性不足的缺点，本文提出了一种基于词的相似性以及SO-PMI算法的情感词典构建方法，并通过该方法对每个新闻类别构建类别情感词典。本文还提出了一种基于类别情感词典和SVM的新闻情感分析方法Senti-SVM。该方法根据新闻的不同类别来对新闻进行细粒度的情感特征提取，可以更加精确的提取新闻中的情感信息。从实验结果上来看，本文提出的情感词典构建方法可以有效的对语料数据构建情感词典，根据文本类别进行细粒度的情感特征提取对情感分类性能的提升也有着正面的影响。 收起