基于CTM模型的观点挖掘和可视化

计算机工程与科学

基于CTM模型的观点挖掘和可视化

马长林，谢罗迪，陈梦丽

（华中师范大学计算机学院,湖北武汉 430079）

收稿日期:2017-06-20 修回日期:2017-09-04 出版日期:2018-04-25 发布日期:2018-04-25
基金资助:
国家自然科学基金（61003192）

Opinion mining and visualization based on CTM model

MA Changlin，XIE Luodi，CHEN Mengli

（School of Computer,Central China Normal University,Wuhan 430079,China）

Received:2017-06-20 Revised:2017-09-04 Online:2018-04-25 Published:2018-04-25

摘要/Abstract

摘要：

如何从海量文本中自动提取有价值的观点信息已成为重要的技术挑战，当下的观点挖掘方法大多数是在假设主题相互独立的前提下进行的，但实际上主题与主题之间有着复杂的内在联系。为解决以上问题，在CTM模型的基础上提出了基于主题情感混合的主题相关模型，在考虑到主题相关性的同时，还分析了对应主题下的观点特征以及潜藏的情感倾向，更为精确地获取了文档主题的情感极性，仿真实验验证了本模型的有效性，并使用R语言进行了可视化实验分析。

关键词: CTM 模型, 主题情感混合模型, 观点挖掘, 可视化

Abstract:

How to automatically extract valuable opinion information from enormous texts has become an important technical challenge. Currently, most opinion mining methods are based on the assumption that topics are independent of each other. However, there are complicated inherent relationships between topics. In order to solve the above problems, based on standard CTM model, the paper proposes a hybrid correlated topic model that mixes topic with sentiment to perform opinion mining. Considering the topic correlation of documents, opinion characters and potential sentiment tendency are analyzed. Based on these results, sentiment polarity of the whole review and each topic are obtained. The simulation results verify the validity of the proposed model. R language is also used to visualize the experimental results.

Key words: CTM model, topic and sentiment hybrid model, opinion mining, visualization

马长林，谢罗迪，陈梦丽. 基于CTM模型的观点挖掘和可视化[J]. 计算机工程与科学.

MA Changlin，XIE Luodi，CHEN Mengli. Opinion mining and visualization based on CTM model[J]. Computer Engineering & Science.

[1]	肖新正, 黄瑞章, 陈艳平, 秦永彬, 宋玉梅, 周裕林, . Corrective-Net：面向多标签文本分类的标签关联学习模块[J]. 计算机工程与科学, 2024, 46(06): 1092-1100.
[2]	钟权, 陈志广, 高蓝光. EMRI-Tree：面向多分辨率可视化的层次式数据结构[J]. 计算机工程与科学, 2024, 46(05): 776-784.
[3]	曾祥俊, 叶晓庆, 刘盾. 基于细粒度观点挖掘和Kano模型的用户满意度分析研究[J]. 计算机工程与科学, 2023, 45(04): 701-710.
[4]	何亮1,2,3,郜沐晨1,2,3,陈锁忠1,2,3,齐慧1,2,3. 地下水渗流场可视化方法与应用研究[J]. 计算机工程与科学, 2020, 42(05): 835-842.
[5]	李雨冲，闫昭帆，严国萍. 基于边缘的双路卷积神经网络及其可视化[J]. 计算机工程与科学, 2019, 41(10): 1837-1845.
[6]	张丽敏，高晶，李务斌，刘晨. 微服务环境下容器编排可视化实践研究[J]. 计算机工程与科学, 2019, 41(08): 1366-1373.
[7]	马长林1，闵洁2，谢罗迪1. 基于领域识别的主题模型观点挖掘研究[J]. 计算机工程与科学, 2019, 41(07): 1297-1302.
[8]	赵维平1，孙宁2，杨晓春3，郑国真4. 基于知识图谱的东方音乐可视化教育研究与应用[J]. 计算机工程与科学, 2018, 40(增刊S1): 56-62.
[9]	黄冬梅1，杜艳玲1,2，张律文1. 基于信息熵种子点选取的流线可视化[J]. 计算机工程与科学, 2018, 40(03): 411-417.
[10]	王志宝1，夏昊2，王成波2. 地理信息检索关键技术研究综述[J]. 计算机工程与科学, 2018, 40(03): 533-543.
[11]	王同勋1，李寒2,3，周胜军1，李亚琼1，谈萌1. 面向谐波分析的电力系统数字仿真系统研究[J]. 计算机工程与科学, 2018, 40(02): 304-312.
[12]	许冰晗，尚鸿运，马灿，李尚. 基于Movielens电影数据的可视分析[J]. 计算机工程与科学, 2017, 39(11): 2086-2094.
[13]	卢万杰，蓝朝桢，施群山，吕亮. 基于Mashup的用户自定义空间态势可视化表达[J]. 计算机工程与科学, 2017, 39(07): 1322-1327.
[14]	陈文兵，宋玛君，王廷春. 一种利用极限学习机的数据可视化方法[J]. 计算机工程与科学, 2017, 39(05): 912-918.
[15]	焦鹏1，2，3，李盛阳1，2，刘志文1，2，于海军1,2，郝忠翁1，2. 基于三维地球的多源空间科学数据可视化管理系统的设计与实现[J]. 计算机工程与科学, 2017, 39(04): 756-762.