多粒度的文本情感不确定性分析研究

In the era of big data, sentiment uncertainty of natural language becomes a big challenge of social media sentiment analysis. However, the existing methods are constrained by single language granularity, single sentiment hierarchy or single sentiment decision. There is an urgent need to introduce a multi-view and multi-level information processing for opinionated texts. Therefore, based on granular computing, we conclude two key scientific issues in this project, i.e., multi-granularity sentiment uncertainty representation and multi-granularity sentiment uncertainty reasoning. We elaborate our work as follows: (1) to construct a multi-granularity framework for sentiment uncertainty representation from the perspective of deep neural networks; (2) to build a multi-label three-way decision model with sentiment hierarchy using multi-label learning; (3) to propose a three-way-decision-based sentiment uncertainty reasoning method with ensemble learning. The major innovation of this project is centered on the study of multi-granularity sentiment uncertainty representation and reasoning model. The study of this project will not only provide a new solution for sentiment uncertainty analysis, but also has important significance for the development and applications of sentiment analysis technology.

自然语言的情感不确定性成为大数据时代社交媒体情感分析任务的主要挑战之一。现有情感分析方法局限于单一的语言粒度、情感层次或者情感决策，迫切需要一种多角度、多层次的情感信息处理方式。本项目拟基于粒计算思想，围绕多粒度情感不确定性表示和多粒度情感不确定性推理两个关键科学问题，主要研究：（1）借鉴深度神经网络，构建基于语言粒化的情感不确定性统一表示模型，处理语言粒度的不确定性；（2）采用多标记学习，建立层次情感的多标记三支决策模型，处理情感类别的不确定性；（3）利用集成学习，提出三支决策集成的情感不确定性推理方法，处理情感决策的不确定性。本项目的研究将不仅为情感不确定性分析提供一种新的解决方案，而且对情感分析技术的发展和应用具有重要的意义。

当前情感不确定性的研究局限于单一维度或层次，迫切需要一种多角度、多层次的处理模式。本项目基于粒计算和三支决策理论，主要研究内容和成果包括：（1）针对语言粒度的不确定性，将不同粒度语言描述转换为非数值属性，提出一种新的值-对象层次度量（VOHM）来刻画对象的相似性，与数值特征相结合设计了层次嵌入的统一表示，构造出单步近邻分类器（VO-kNN）和两步近邻分类器（TSVO-kNN），实验结果表明这两个方法在语言描述对象分类任务中比传统方法更优。（2）针对情感类别的不确定性，将多种情感并存形式化为多标记问题，设计了一种由类属特征构成的粒结构系统，提出了一种粒化的排序主动学习模型（GBRAML）和三支决策改进版模型（TGBRAML），低层粒化增强每个标记的代表性，中层粒化刻画标记对样本价值的贡献度，高层粒化描述了标记优先权，在公开标准数据集上验证了两个算法的优势。（3）针对情感决策的不确定性，将对立情感并存形式化为冲突问题，基于属性权重定义了新的联合和冲突函数，提出了一种广义的三支冲突分析模型（G3CA），实验结果表明了新模型的有效性；另外，将其应用于情感摘要任务，实现了一个有效的社交媒体情感摘要评估系统。上述研究工作为不确定性分析提供了有效的工具和方法，有力推动了粒计算和三支决策理论的应用研究。