Resumen

Con el auge de los contenidos online generados por los usuarios en la web, el análisis de sentimientos se ha convertido en un tema de investigación muy activo en la minería de datos y el procesamiento del lenguaje natural. Como indicador más importante del sentimiento, las palabras de sentimiento que transmiten una polaridad positiva y negativa son muy útiles para el análisis del sentimiento. Sin embargo, la mayoría de los métodos existentes para identificar la polaridad de las palabras de sentimiento sólo tienen en cuenta la polaridad positiva y negativa mediante el conjunto Cantor, y no se presta atención a la imprecisión de la intensidad de la polaridad de las palabras de sentimiento. Con el fin de mejorar el rendimiento, en este artículo proponemos un modelo de cálculo difuso para identificar la polaridad de las palabras de sentimiento chinas. Hay tres contribuciones principales en este trabajo. En primer lugar, proponemos un método para calcular la intensidad de la polaridad de los morfemas de sentimiento y las palabras de sentimiento. En segundo lugar, construimos un clasificador difuso de sentimientos y proponemos dos métodos diferentes para calcular el parámetro del clasificador difuso. En tercer lugar, realizamos amplios experimentos con cuatro conjuntos de datos de palabras de sentimiento y tres conjuntos de datos de reseñas, y los resultados experimentales indican que nuestro modelo funciona mejor que los métodos más avanzados.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:palabra de sentimiento, intensidad de sentimiento, polaridad negativa, intensidad de polaridad, análisis de sentimiento, conjuntos de datos de palabras de sentimiento, clasificador de sentimiento difuso, procesamiento del lenguaje natural, modelo de computación difusa, temas de investigación activos
• Keywords:sentiment word, intensity of sentiment, negative polarity, polarity intensity, sentiment analysis, sentiment word datasets, fuzzy sentiment classifier, natural language processing, fuzzy computing model, active research issues