1、“.....针对中文微博的文本内容简短口语化国多和主题不集中等特点，提出了有关于结合词典和机器学的方式进行了分类，种是正向情感，种是负向情感。基于词典与机器学习的中文微博情感分析论文原稿。情感的分析方法目前，主要通过两种技术来对情感进行分析。第类是根据情感词典来进行，微博文本中所包含的正向情感词和负向情感词都通过情感词典来进行统计分析，而文本的情感极性则依靠基于词典与机器学习的中文微博情感分析论文原稿典与机器学习的中文微博情感分析研究计算机应用与软件，孙晓，叶嘉麒，龙润田，任福继基于情感语义词典与模型的中文微博情感分析山西大学学报，张庆庆，刘西林基于机器学习的中文微博情感分类研究未来与发展......”。

2、“.....另外，与相关研弱，则微博文本中的负向表情符号肯定大于正向表情符号的有效数目。中性特征的极性值在正常情况下应当为，但为了实现和出现次数为的特征项目进行区别，可以对中性特征的极性值设置个小的公式设计。结束语总之，本文对词典与机器学习的中文微博情感分析方法进行了探讨，并根据中文微博的相关性值短语为极性特征的极性值。绝对值越大的极性值，具有越强的情感极性，反之越小的绝对值，其情感极性越弱。在微博文本中可以出现很多次同个极性特征，每出现次，则极性副词彼此之间都有不同的顺序，也导致每次的极性值计算都有所差异。所以，该极性特征可以通过极性值的平均算数值来作为常用的特征降维方法有两种特征选择特征抽取......”。

3、“.....对于处理文本具有定的局限。特征选择在性能方面十分良好，通过特征降维的统计法后，依然出现特征空间的严重数据稀疏性问题，则需进步对特征空间进行降维操作。在聚类词语方面，层次聚类算法具有明显的可以发现，我国微博用户使用量已经高达亿，并处于逐年上升的趋势，占全国网络居民中的百分之十。特征降维经过分析微博文本可以看出，其中的形容词和动词是最主要的情感词语，也能够准确反映文本情感的倾向性，所以特征的选择应当主要以形容词和动词为主。微博文本中所包含的所有形容词和动机器学习的中文微博情感分析研究计算机应用与软件，孙晓，叶嘉麒，龙润田，任福继基于情感语义词典与模型的中文微博情感分析山西大学学报，张庆庆......”。

4、“.....作者单位广州大学计算机学院广东省广州市。特征降维经过分析微博文本可则微博文本中的负向表情符号肯定大于正向表情符号的有效数目。中性特征的极性值在正常情况下应当为，但为了实现和出现次数为的特征项目进行区别，可以对中性特征的极性值设置个小的公式设计。结束语总之，本文对词典与机器学习的中文微博情感分析方法进行了探讨，并根据中文微博的相关特点短语为极性特征的极性值。绝对值越大的极性值，具有越强的情感极性，反之越小的绝对值，其情感极性越弱。在微博文本中可以出现很多次同个极性特征，每出现次，则极性副词彼此之间都有不同的顺序，也导致每次的极性值计算都有所差异。所以......”。

5、“.....当产生较大训练文本集时，则具有非常高维数的特征空间。同时，中文微博中还较频繁出现表情符号，并还含有多个词或是十多个词，使绝大多数维上的值在特征向量中显示为，导致数据稀疏性的问题出现在特征空间中，所以，必须使用降维来对特征空间进行缓解。并还含有多个词或是十多个词，使绝大多数维上的值在特征向量中显示为，导致数据稀疏性的问题出现在特征空间中，所以，必须使用降维来对特征空间进行缓解。关键词词典机器学习中文微博情感分析在当前众多社交网络平台中，微博以新型的信息发布手段具有重要的社会影响力......”。

6、“.....但特征抽取具有大计算量和储存方面的问题，对于处理文本具有定的局限。特征选择在性能方面十分良好，通过特征降维的统计法后，依然出现特征空间的严重数据稀疏性问题，则需进步对特征空间进行降维操作。在聚类词语方面，层次聚类算法具有明显的以看出，其中的形容词和动词是最主要的情感词语，也能够准确反映文本情感的倾向性，所以特征的选择应当主要以形容词和动词为主。微博文本中所包含的所有形容词和动词都被特征空间所集合包含，当产生较大训练文本集时，则具有非常高维数的特征空间。同时，中文微博中还较频繁出现表情符号对层次结构的降维方法进行理论探讨。同时，随着网络信息的逐步发展，中文微博中还在不断产生些新鲜的词汇......”。

7、“.....对分类中文微博情感造成了定的阻碍，所以，未来还应不断尝试新的分类方法来对其进行识别匹配。参考文献孙建旺，吕学强，张雷瀚基于词典极性值。中文微博中的评论性所使用的符号表情，对于本人的立场和情感都有真实的反应和重要作用，能使该条文本的情感极性进步增强。如果在微博文本中，正向极性特征的极性值在微博文本中得到加强，那其正向表情符号肯定超过负向表情符号的有效数目。相反，如果负向极性特征的极性值出现减弱用。所以，可以采取统计法融合层次聚类算法的层次结构来实现降维。特征选择在进行统计法后，可以对特征空间进行初步的维数降低，并依靠层次聚类算法实现特征空间的有效降维，保证特征空间维数的进步降低，最终实现特征降维的有效目的......”。

8、“.....对微博文本通过树内核模进行了情感分类研究，其也获得了定的成绩。及其成员对微博文本的情感分析使用了主题无关和主题相关的方式进行了分类，种是正向情感，种是负向情感。基于词典与机器学习的中文微博情感分析论文原稿。习的方法，以对中文微博情感进行更为准确的研究。基于词典与机器学习的中文微博情感分析论文原稿。情感的分析方法目前，主要通过两种技术来对情感进行分析。第类是根据情感词典来进行，微博文本中所包含的正向情感词和负向情感词都通过情感词典来进行统计分析，而文本的情感极性则依靠所取得的差值来决定......”。

9、“.....对测试预料和训练词进行相关的标注，再使用分类器对情感进行分析，其中分类器包括有最大熵支持向量机等。同时，其他研究人员提出了微博情感分析的层次结构分析方法，但由于表情符号的规则原因，其有了提高分类效果的作用，但却使微博究人员对情感分析系统进行了构建，其能对相关评论信息的情感倾向性进行较为实时的分析。与相关人员通过对极性词语的特征研究，对微博文本通过树内核模进行了情感分类研究，其也获得了定的成绩。及其成员对微博文本的情感分析使用了主题无关和主题相点，对层次结构的降维方法进行理论探讨。同时，随着网络信息的逐步发展，中文微博中还在不断产生些新鲜的词汇，导致其无法被当前的分词系统进行有效识别......”。