35、历时文本分类与情感极性分类研究

历时文本分类与情感极性分类研究

历时文本分类研究发现

在对1961 - 1991年书面英式英语的研究中，有诸多重要发现。研究结果显示，新闻类别（Press category）中的文体历时变化比其他三个文本类别更为显著。同时，同一宽泛文本类别内的不同体裁具有很强的异质性，不同体裁中不同特征组经历了显著的历时变化，且变化程度差异明显。在大多数被研究的体裁中，词汇丰富度（LR）和Coleman - Liau可读性指数是发生显著变化的特征。

在实验对比方面，将统计测试作为预处理（特征选择）步骤，在某些情况下能显著提高分类准确率，而在其他情况下并无显著影响。与CfsSubsetEval属性选择算法相比，统计测试在多数情况下表现更好或相当（仅在体裁D中，对于朴素贝叶斯分类算法除外）。这主要是因为CfsSubsetEval算法在无法找到“最佳子集优点”大于零的子集时，会选择给定特征列表中的第一个特征。在统计测试预先选择的特征子集上使用CfsSubsetEval属性选择算法，能显著提高分类准确率（如体裁K）或保持不变。单独使用统计测试作为预处理步骤，要么显著提高分类准确率（如体裁B和N），要么无显著差异。因此，建议在历时文本分类的预处理步骤中，可单独使用统计测试，或结合CfsSubsetEval属性选择算法。

机器学习方法在语言变化研究中展现出多种可能性。它能部分自动化流程，通过提供可能变化的广泛概述，并从潜在的大量初始特征集中选择最重要的特征，加速和促进语言变化研究的初始阶段，还能更方便地比较不同体裁、语言和语言变体的历时变化。

情感极性分类研究背景与任务

情感分析近年来受到广泛关注，这得益于在线观点信息的日益丰富。然而，目前大多数情感分析工作关注的