29、基于情感分析的电影评论决策研究

基于情感分析的电影评论决策研究

1. 情感分析基础与相关算法

在情感分析中，超平面所在区域的判断至关重要。对于文件 (d_j)，根据公式 (w = \sum_{j} a_j c_j d_j)（其中 (a_j \geq 0)）来确定 (w) 的数学表述，这里 (c_j \in {-1, 1}) 按照（正，负）进行划分。对偶优化问题为 (a_j) 提供了值，那些 (d_j) 和 (a_j) 大于零的被定义为支持向量，它们不仅基于文档，还对 (w) 有贡献。

有研究表明，带有局部加权的朴素贝叶斯算法性能优于朴素贝叶斯本身和 (k) 近邻算法（kNN）。局部加权学习仅假设在邻域内独立，而非像标准朴素贝叶斯那样在整个实例空间全局独立。

2. 实验设置

2.1 数据集介绍

使用从 www.movielens.org 获取的 MovieLens 数据集，该数据集包含 9125 部电影的 100004 条评分和 1296 个标签。数据评论由 671 名用户在 1995 年 1 月至 2016 年 10 月期间撰写，分析中纳入了所有用户，但筛选标准要求用户至少对 20 部电影进行了评论，且用户通过唯一 ID 识别，无更多人口统计信息。

数据集包含链接、电影、标签和标签文件，每个文件包含特定信息。在特征选择方面，使用 K - means 分类器替代其他传统方法，期望通过可验证和可评估的算法预测标签，即具有相同品味的用户通常会对电影给出高相关性的评分。

2.2 数据准备和模型初始化

贝叶斯网络分类器训练数据所需时间短，且仅需最小度量来估计分类所需的必要因素。其条件概率简单，假设可靠，在多个领