賈積有，楊柏潔

（1.北京大學(xué)教育學(xué)院教育技術(shù)系，北京100871）（2.北京弗圣威爾科技有限公司，北京100085）

文本情感計算系統(tǒng)“小菲”的設(shè)計及其在教育領(lǐng)域文本分析中的應(yīng)用

賈積有1，楊柏潔2

（1.北京大學(xué)教育學(xué)院教育技術(shù)系，北京100871）（2.北京弗圣威爾科技有限公司，北京100085）

文本情感計算是近年來人工智能、教育技術(shù)與學(xué)習(xí)科學(xué)等領(lǐng)域出現(xiàn)的一個研究熱點(diǎn)。文章在界定相關(guān)概念、分析相關(guān)研究的基礎(chǔ)上，設(shè)計并實(shí)現(xiàn)了一個基于漢語文本的情感計算系統(tǒng)“小菲”。該系統(tǒng)依照Ekman心理模型將情感分為6種類別:氣憤、厭惡、恐懼、愉悅、悲傷和驚訝；每種情感的強(qiáng)度取值范圍為［-18，18］；構(gòu)建了擁有32879條情感詞語的情感詞典《小菲詞典》，每條詞語標(biāo)注了6種情感極性和相應(yīng)的情感強(qiáng)度；然后建構(gòu)了詞語和短語、句子三個級別的情感計算模型，可以判別情感極性和計算情感強(qiáng)度。作為嘗試，該系統(tǒng)處理了一次慕課中產(chǎn)生的377條調(diào)查問卷反饋數(shù)據(jù)，計算F值（查準(zhǔn)率和召回率的加權(quán)幾何平均值）為88.7%。該結(jié)果初步證明：該系統(tǒng)可以用于慕課等在線學(xué)習(xí)產(chǎn)生的大規(guī)模交互文本的自動情感識別，具有較好的應(yīng)用情景。

文本情感計算；情感詞典；教育文本；文本分析

一、情感與學(xué)習(xí)

情感（sentiment）是由非中性事物引起的并反作用于這個事物的非中性的意圖和行為［1］，是人類最慣常、最重要的體驗。人類的認(rèn)知和情感是相互影響和作用的，對兩者的研究密不可分。

情感及情感信息對于學(xué)習(xí)者的學(xué)習(xí)效果有重要的影響。積極的情感可以提高學(xué)習(xí)效率，而消極的情感卻可能造成學(xué)習(xí)的失敗［2］。許多學(xué)習(xí)行為是從好奇心和入迷開始的，人在處于“興趣”與“愉悅”的情感狀態(tài)下，學(xué)習(xí)效率最高，學(xué)習(xí)效果最好；積極的情感促進(jìn)大腦的活動性，在學(xué)習(xí)過程中表現(xiàn)為學(xué)習(xí)動力，從而還可以產(chǎn)生一系列積極情感狀態(tài)，如興趣、關(guān)注以及參與行為，它們在學(xué)習(xí)過程中都起著重要的作用。而在“乏味”與“厭倦”的情感下，學(xué)習(xí)多數(shù)則是會失敗的，尤其學(xué)習(xí)的孤獨(dú)感和焦慮常常影響學(xué)習(xí)者的信心［3］。消極的情感抑制大腦的機(jī)動性，在學(xué)習(xí)的過程中表現(xiàn)為學(xué)習(xí)的阻力，如厭倦、疲勞、無聊等都會影響學(xué)習(xí)的認(rèn)知過程。

認(rèn)知心理學(xué)家Simon［4］和Norman［5］認(rèn)識到了情感在學(xué)習(xí)效果方面發(fā)揮著重要作用。他們發(fā)現(xiàn)哪怕只有很少的一點(diǎn)積極情緒，不僅可以讓人感覺良好，而且還可以產(chǎn)生一種思維，這種思維會更有創(chuàng)造性更靈活地解決問題以及更有效更果斷地做出決定。這項研究在不同年齡不同職業(yè)的人群中得到了驗證。

在學(xué)習(xí)過程中，教師如果能夠識別學(xué)生的情感狀態(tài)，并做出相應(yīng)的反饋，就可以激發(fā)其積極的情感，使學(xué)生內(nèi)心產(chǎn)生對教師的好感、依賴和敬慕，進(jìn)而產(chǎn)生學(xué)習(xí)熱情，使其處于興奮狀態(tài)，促進(jìn)學(xué)習(xí)水平的提高，從而達(dá)到最好的學(xué)習(xí)效果［6］。

網(wǎng)絡(luò)學(xué)習(xí)具有特殊性，師生在物理空間上的分離，導(dǎo)致師生之間不能通過傳統(tǒng)的表情、眼神和肢體等方式進(jìn)行情感交流和反饋。教師得不到學(xué)生的情感狀態(tài)信息，學(xué)生得不到教師的反饋，學(xué)生學(xué)習(xí)效果就會受到影響。因此，在網(wǎng)絡(luò)教學(xué)系統(tǒng)中如何獲得學(xué)習(xí)者的情感，具有重要的研究價值［7］。

網(wǎng)絡(luò)學(xué)習(xí)環(huán)境下，獲取學(xué)習(xí)者情感的技術(shù)包括語音識別、人臉表情識別、身體姿勢和運(yùn)動的識別等［8］。這些技術(shù)一般需要使用特殊的傳感器來采集學(xué)習(xí)者數(shù)據(jù)［9］［10］。當(dāng)然，慕課等大規(guī)模在線學(xué)習(xí)方式中能快速直接獲得學(xué)習(xí)情感信息的介質(zhì)仍然是文本，如討論區(qū)、BBS、博客、調(diào)查反饋等交流活動中的文本。這些文本情感信息反映了學(xué)習(xí)者在學(xué)習(xí)過程中的情感狀態(tài)。

慕課等在線學(xué)習(xí)平臺學(xué)員數(shù)量眾多，討論區(qū)產(chǎn)生的文本數(shù)據(jù)龐大。而人數(shù)有限的教師和助教很難實(shí)時、準(zhǔn)確地辨別文本的情感狀態(tài)，并給出恰當(dāng)?shù)姆答?。因此，很有必要設(shè)計一個文本情感計算系統(tǒng)，它能自動或半自動地分析文本情感、篩選文本信息，幫助教師針對學(xué)習(xí)者的情感狀態(tài)快速做出恰當(dāng)?shù)姆答仭?/p>

二、文本情感計算

1.概念

情感計算（Affective Computing）是人工智能的一個分支領(lǐng)域。美國麻省理工學(xué)院Picard于1997年首先提出了“情感計算”的概念［11］，并將其定義為關(guān)于情感、情感產(chǎn)生以及影響情感方面的計算。情感計算的目的在于使設(shè)計的系統(tǒng)和設(shè)備能夠識別、理解和處理情感。

認(rèn)知語言學(xué)認(rèn)為人類能夠通過語言的表達(dá)反映出認(rèn)知的過程和結(jié)果，同時反映出真實(shí)的情感。既然語言能夠反映出情感，那么文本也當(dāng)然可以［12］。因此，從認(rèn)知語言學(xué)的理論上來講，文本中包含了一定的情感信息。

文本情感計算是情感分析領(lǐng)域的核心問題之一，其任務(wù)是借助計算機(jī)幫助用戶快速獲取、整理和分析相關(guān)文本信息，對帶有情感色彩的主觀性文本進(jìn)行分析、處理、歸納和推理［13］。文本情感計算的研究包括極性分類（Polarity Classification）和強(qiáng)度計算 （Intensity Classificaiton）兩個方面。

2.情感極性分類

情感極性分類的工作就是判別情感的種類。情感種類的集合構(gòu)成了情感模型。在多種情感模型中，OCC模型和Ekman模型被廣泛使用。

Ortony、Clore和Collins于1988年提出了著名的認(rèn)識評價情感模型OCC（Ortony，Clore，Collins）模型［14］。這個模型根據(jù)三類起因和事件的結(jié)果，提出了22種情感類別：高興，幸災(zāi)樂禍，妒忌，遺憾，充滿希望，害怕，快樂，悲傷，驕傲，羨慕，害羞，責(zé)備，喜歡，討厭，自滿，感激，悔恨，生氣，滿意，悲觀，放松和失望。但是OCC模型被實(shí)際應(yīng)用的情況并不多，主要是因為情感分類過于復(fù)雜。Ekman于 1992年提出可以將情感分為氣憤（Anger）、厭惡（Disgust）、恐懼（Fear）、愉悅（Happiness）、悲傷（Sadness）和驚訝（Surprise）六種類型［15］。這6種情感是組成所有情感的基本單位，人類的所有情感均可由這6種情感衍生而來。同時，相較OCC模型的22種類別劃分，Ekman模型的情感極性維度相對較少，實(shí)際應(yīng)用時相對簡單。因此，我們也采用Ekman情感模型來為文本分類。

3.情感強(qiáng)度

情感強(qiáng)度計算是能夠反映文本情感極性的強(qiáng)弱程度的一個指標(biāo)，因為在每一種情感種類內(nèi)，會有情感程度強(qiáng)弱之分。目前在文本情感計算領(lǐng)域，針對情感強(qiáng)度計算的量化問題并沒有一個統(tǒng)一的標(biāo)準(zhǔn)。Wilson和Wiebe將情感強(qiáng)度標(biāo)注為3個級別：低、中、高［16］。Choi和Cardie將情感強(qiáng)度以具體數(shù)值計算，取值范圍為［0，10］，數(shù)值越高，情感表達(dá)越強(qiáng)烈［17］。我們設(shè)定情感的強(qiáng)弱取值范圍為區(qū)間［-18，18］。在區(qū)間［0，18］，數(shù)值越大表明該情感越強(qiáng)烈；數(shù)值為0時，表示沒有情感；在［-18，0）區(qū)間，數(shù)值負(fù)號表示情感極性相反，即為取“非”操作。例如“anger”的非為“not anger”，即為“不憤怒”。數(shù)值絕對值越大表明該情感的相反極性情感越強(qiáng)烈。我們規(guī)定，取非操作的情感與原有6種情感之間相互獨(dú)立，不存在關(guān)聯(lián)。例如，“不憤怒”不一定為“高興”，而“高興”一定是“不憤怒”。

4.文本情感計算的層次性

文本情感計算層次代表情感計算的研究領(lǐng)域和范圍。根據(jù)文本信息的語法結(jié)構(gòu)可以將其分成4個層次：詞語、短語、句子和篇章。4個層次之間具有強(qiáng)烈的繼承關(guān)系，詞語是短語的基礎(chǔ)，短語是句子的基礎(chǔ)，而句子又是篇章的基礎(chǔ)。文本情感計算的研究是由最底層的詞語層次開始，逐漸過渡到篇章層次，環(huán)環(huán)相扣。

因為網(wǎng)絡(luò)學(xué)習(xí)的文本大都較短，少于150字；文本內(nèi)容一般由兩三句話構(gòu)成，句子層次的文本情感計算可以滿足研究分析要求。又因為詞語層次和短語層次是句子層次的研究基礎(chǔ)，我們的情感分類工作集中在三個層次進(jìn)行：詞語、短語和句子。

詞語層次是文本情感計算的基礎(chǔ)，主要任務(wù)是發(fā)現(xiàn)并提取文本中帶有情感色彩的詞語，并且確定其情感極性和情感強(qiáng)度值。詞語層次的工作主要圍繞情感詞典的構(gòu)建來進(jìn)行。詞典中詞語的數(shù)量和詞語的屬性直接決定了系統(tǒng)的性能。詞語的屬性是指情感極性和情感強(qiáng)度。為大規(guī)模的詞語標(biāo)識出其情感極性和強(qiáng)度的最原始的方法就是人工標(biāo)注，雖然準(zhǔn)確但耗時耗力。使用基于統(tǒng)計的有監(jiān)督和無監(jiān)督的機(jī)器學(xué)習(xí)方法可以實(shí)現(xiàn)詞語情感的半自動標(biāo)注。

用已有詞典擴(kuò)充構(gòu)建詞典的方法就是有監(jiān)督的詞典擴(kuò)展方法。大部分國外的詞典擴(kuò)充研究都是基于WordNet（http://wordnet.princeton.edu）和 General Inquirer （http://wjh.harvard.edu/～inquirer）兩種詞典，而大部分國內(nèi)的詞典研究是基于《知網(wǎng)》（http://www.keenage.com）和《同義詞詞林》兩種詞典。

Turney和Littman的無監(jiān)督學(xué)習(xí)法使用一種點(diǎn)互信息和信息檢索相結(jié)合的計算方法，來判定待定詞與種子詞之間的信息量。種子集合是由具有正面情感極性和具有負(fù)面情感極性的示例詞構(gòu)成［18］。在中文處理方面，Zhang等人利用情感標(biāo)注語料中抽取的上下文模板，在未知語料中計算模板與詞語之間的關(guān)系，進(jìn)而判斷詞語的情感極性［19］。

由于名詞、動詞、形容詞和副詞等不同詞性的組合能夠產(chǎn)生不同種類的短語，短語層次的情感分析主要關(guān)注短語具有何種情感極性以及其強(qiáng)度如何。

句子的分析包括兩種方式:基于規(guī)則的方法和基于統(tǒng)計的方法?；谝?guī)則的情感計算主要依靠語法規(guī)則完成，常見的語法規(guī)則有兩類：一類是通過語法分析器得到句子的語法關(guān)系樹，利用語法關(guān)系樹制定相關(guān)規(guī)則。另一類是使用短語模板，依據(jù)不同短語模板的組合形成規(guī)則來計算句子的情感。

Turney的研究表明英文中某些短語模式的形容詞和副詞攜帶情感信息［20］。這一重要結(jié)論推動了基于規(guī)則的研究方法的發(fā)展。宋光鵬依據(jù)Turney的結(jié)論，并在其5種短語模板的基礎(chǔ)上進(jìn)行了改進(jìn)，加入了判斷否定情感傾向的詞和相應(yīng)的語句連詞。最終歸納形成了適合中文的短語模板語法規(guī)則。通過語法規(guī)則模板直接進(jìn)行匹配，就能夠計算出句子的情感極性和強(qiáng)度［21］。

基于統(tǒng)計的情感計算需要通過訓(xùn)練集找到相關(guān)特征項，使用貝葉斯分類、最大熵分類和支持向量機(jī)等統(tǒng)計方法計算句子情感極性。在中文方面，F(xiàn)ei等通過無監(jiān)督機(jī)器學(xué)習(xí)算法得到短語模式，利用短語模式對文本情感極性進(jìn)行分類［22］。

三、系統(tǒng)設(shè)計

在情感計算領(lǐng)域中，基于統(tǒng)計和基于規(guī)則的兩大方法都各有所長。因此，我們以基于規(guī)則的方法為主，配合基于統(tǒng)計的方法，構(gòu)造一個文本情感計算系統(tǒng)，并將之命名為“小菲”（英語單詞Feeling的音譯）。該系統(tǒng)擁有自己的情感詞典，按照詞語、短語和句子三個層次進(jìn)行情感識別和綜合計算。下面介紹這些模塊。

1.情感詞典建構(gòu)

情感詞典建構(gòu)包括整合專業(yè)研究機(jī)構(gòu)發(fā)布的詞典，擴(kuò)充已有詞典容量和手動標(biāo)注詞語情感強(qiáng)度三項工作。詞典來源包括《知網(wǎng)》、《中文通用情感詞典》、《同義詞詞林?jǐn)U展版》、《學(xué)生褒貶義詞典》和 《中文情感詞匯本體庫》。通過整理這些專業(yè)詞典的內(nèi)容，將它們?nèi)诤蠟橐徊吭~典，包含27561詞條。

擴(kuò)充詞典容量使用基于統(tǒng)計的方法完成，利用有監(jiān)督的機(jī)器學(xué)習(xí)方法從《同義詞林?jǐn)U展版》擴(kuò)展詞典的褒貶詞語，利用無監(jiān)督的機(jī)器學(xué)習(xí)方法從網(wǎng)絡(luò)中擴(kuò)展詞典的網(wǎng)絡(luò)詞語。由四名研究助理完成手動標(biāo)注詞語情感極性和情感強(qiáng)度的工作，手動共標(biāo)注了8589條詞語。最終將32879條詞語整合到一部情感詞典中，并命名為《小菲詞典》。

2.系統(tǒng)流程

按照情感計算的發(fā)展模式，從詞語級別開始，經(jīng)過短語級別，最后到達(dá)句子級別，從而實(shí)現(xiàn)句子情感極性分類和情感強(qiáng)度計算的功能。

系統(tǒng)在情感計算之前，需要對句子做初步整理，例如刪除多余的空格、逗號標(biāo)點(diǎn)等。然后使用中科院計算所分詞軟件ICTCLAS（http://www.ictclas.org）對句子分詞，獲得構(gòu)成句子的若干短語。

短語級別的主要工作是使用基于規(guī)則的方法構(gòu)造短語情感模板。有一些短語能夠攜帶情感信息，可以構(gòu)造為短語情感模板。

副詞對詞語也有修飾作用，會導(dǎo)致情感強(qiáng)度和情感極性發(fā)生變化。所以將副詞分為程度副詞和否定副詞兩類進(jìn)行處理。程度副詞不改變情感極性，而是影響情感強(qiáng)度。否定副詞既改變情感極性，又影響情感強(qiáng)度。

當(dāng)句子長度較短的時候，語法省略現(xiàn)象嚴(yán)重，不宜使用過于復(fù)雜的判斷模型。直接使用詞語、短語匹配的方法計算情感反而較為準(zhǔn)確。對于較長的句子，就使用簡單句的情感計算模型和句子關(guān)系模型來計算句子的情感。

句子包括復(fù)合句和簡單句。復(fù)合句是由簡單句和關(guān)系連詞構(gòu)成，不同的關(guān)系連詞構(gòu)成了不同的句子關(guān)系類型，如“并列”、“轉(zhuǎn)折”和“遞進(jìn)”等關(guān)系。不同的句子關(guān)系類型情感的計算方法也不盡相同。比如轉(zhuǎn)折關(guān)系，句子的主要情感是靠轉(zhuǎn)折詞之后的簡單句表達(dá)。因此，句子級別的情感計算，首先判斷該句子是否是復(fù)合句。如果是的話，就找出其中的連詞，根據(jù)連詞確定句子關(guān)系，根據(jù)該關(guān)系和簡單句的情感計算結(jié)果確定復(fù)合句的情感極性和強(qiáng)度值。

簡單句的情感計算是使用語法分析器 Stanford Parser（http://nlp.stanford.edu/software/lex-parser.shtml）來分析分詞之后的句子，得到句子各個成分，也就是短語。然后根據(jù)短語情感模板和短語之間的組合方式確定簡單句的情感計算模型。

3.編程語言

系統(tǒng)使用JAVA、Mysql、ICTCLAS和Stanford Parser等開源環(huán)境和工具構(gòu)建。JAVA語言是通用的編程語言，不受操作系統(tǒng)的限制，與其他各類系統(tǒng)的接口支持都很完善。因此，本系統(tǒng)使用JAVA語言實(shí)現(xiàn)文本情感計算模型和各系統(tǒng)之間的數(shù)據(jù)交換處理。Mysql是一個關(guān)系型數(shù)據(jù)庫管理器，情感詞典和句子類型等表格都保存在Mysql數(shù)據(jù)庫中，通過JAVA語言進(jìn)行調(diào)用。ICTCLAS是中科院提供的支持JAVA調(diào)用的分析系統(tǒng)。為更好地識別情感詞和句子關(guān)聯(lián)詞，我們擴(kuò)展了ICTCLAS的自定義詞典，將《副詞詞典》、《小菲詞典》和句子關(guān)系類型導(dǎo)入到ICTCLAS的自定義詞典中。Stanford Parser是依存語法關(guān)系分析器，輸入的數(shù)據(jù)是經(jīng)過分詞后的簡單句，輸出的結(jié)果是簡單句的依存語法關(guān)系數(shù)據(jù)。它本身是用Java語言實(shí)現(xiàn)的，方便調(diào)用。

四、在教育領(lǐng)域文本情感分析的初步嘗試

關(guān)于文本分析的性能，有一系列評測指標(biāo)，包括查準(zhǔn)率P（Precision）、召回率R（Recall）和F值等。

P為查準(zhǔn)率，是衡量某一檢索系統(tǒng)的信號噪聲比的一種指標(biāo)，即檢出的正確數(shù)據(jù)數(shù)目與檢出的全部數(shù)據(jù)數(shù)目的百分比。R為召回率，是檢索系統(tǒng)從數(shù)據(jù)集中檢出的正確數(shù)據(jù)數(shù)目和數(shù)據(jù)集中所有正確數(shù)據(jù)數(shù)目的比率。

F值是查準(zhǔn)率和召回率的加權(quán)幾何平均值，是情感計算系統(tǒng)最重要的評測指標(biāo)之一。F值計算方法如下：

為測試該系統(tǒng)的性能，我們選取了一個小樣本的文本，以便既可以人工標(biāo)注，又可以讓系統(tǒng)自動識別，并比較兩者的結(jié)果。2013年北京大學(xué)“新媒體與教育”暑期學(xué)校創(chuàng)新教學(xué)模式，使用慕課的方式展開學(xué)習(xí)［23］。在課程結(jié)束時，通過MOOC平臺收集了學(xué)員對本次暑期學(xué)校的反饋和建議，共377條，其中來自面授學(xué)員的201條，來自在線學(xué)習(xí)學(xué)員的176條。我們先人工標(biāo)注了這些反饋的情感極性和強(qiáng)度，然后使用“小菲”系統(tǒng)進(jìn)行了自動計算；測評結(jié)果算得F=88.7%，在文本情感分析領(lǐng)域?qū)儆谳^好的結(jié)果。

五、在教育領(lǐng)域的應(yīng)用前景

盡管本系統(tǒng)在小樣本的教育文本情感計算測試中結(jié)果很好，但是它仍然存在一些缺陷，需要進(jìn)一步完善提高：目前的三萬多條情感詞還不能完全覆蓋浩瀚的中文詞語，應(yīng)該持續(xù)添加新詞，比如新出現(xiàn)的網(wǎng)絡(luò)語言，改善ICTCLAS分詞結(jié)果，增加關(guān)于世界的常識性知識，等等。

隨著人工智能技術(shù)的發(fā)展，文本情感計算技術(shù)逐步成熟，可以廣泛應(yīng)用于慕課等在線教育的多種文本交互區(qū)域的情感分析，如討論區(qū)、調(diào)查反饋、聊天室、BBS等?？梢詫?shí)時監(jiān)控參與者的情感變化，及早發(fā)現(xiàn)學(xué)生反映的問題并及時給予恰當(dāng)?shù)姆答?；也可以用于事后分析學(xué)生在學(xué)習(xí)活動和過程中的情感變化，因材施教，實(shí)施個性化教學(xué)。這也必然減少教師和助教的大量寶貴時間和精力，提高在線學(xué)習(xí)的教學(xué)效率。我們將在這些方面繼續(xù)探索，深入研究。

［1］楊巍峰.對情緒情感定義的管見——兼與楊澤民同志商榷［J］.心理學(xué)探新，1986（3）:35-39.

［2］盧家嵋.情感教學(xué)心理學(xué)［M］.上海:上海教育出版社，2000.

［3］A.C.Graesser，B.Medaniel，P.Chipma，ect.Detetion of Emotions during learning w ith AutoTutor［R］.Department of Psychology，2006:285-290.

［4］H.Simon.Motivational and emotional controls of cognition:in Modelsof Thought［M］.New Haven:Yale U-niversity Press，1967.

［5］D.Norman.Twelve issues for cognitive science［A］. In Norman DA（Ed）:Perspectives on cognitive seience［C］. Erlbaum，Hillsdale，NJ.1981.

［6］R.W.Picard，S.Papert，ect.Affective leaming-a manifesto［J］.BT Technology Joumal，2004，22（4）:253-269.

［7］唐偉志，賈云.遠(yuǎn)程教育中情感缺失問題的對策研究［J］.甘肅廣播電視大學(xué)學(xué)報，2012（2）:1-4.

［8］J.Tao，T.Tan and R.W.Picard.Affective Computing: AReview［A］.LNCS3784.German:Springer-Verlag Berlin/Heidelberg［C］，981～995.2005.

［9］傅小蘭.電子學(xué)習(xí)中的情感計算［J］.計算機(jī)教育，2004（12）:27-30.

［10］付彥飛，牛秦洲，閾小梅.基于情感計算的個性化ELearning系統(tǒng)的研究［J］.微計算機(jī)信息，2010（36）:241-244.

［11］R.Picard.Affective Computing［M］.Cambridge: MIT Press，1997.

［12］陳文萃.從認(rèn)知看情感表達(dá)的隱喻概念［J］.南華大學(xué)學(xué)報，2009（9）:112-142.

［13］B.Pang，L.Lee.Opinion Mining and SentimentAnalysis［J］.Foundationsand Trendsin Information Retrieval，2008 （1-2）:1-135.

［14］A.O rtony，G.Clore，A.Collins.The Cognitive Structure of Emotions［M］.Cambridge:Cambridge University Press，1988.

［15］P.Ekman.An argument for basic emotions［J］. Cognition and Emotion，1992，6（3-4）:169-200.

［16］T.Wilson，J.Wiebe.AnnotatingOpinions inthe World Press［A］.In:Proceedings of the 4th ACLSIGdialWorkshop on Discourse and Dialogue（SIGdial’2003）［C］. 13-22，2003.

［17］Choi，Y.，and Cardie，C.Learning w ith Compositional Semantics as Structural Inferencefor Subsentential Sentiment Analysis［A］.In Proceedingsof the Conference on Empirical Methods in Natural Language Processing［C］. pp.793–801.2008.

［18］P.D.Turney and M.L.Littman.Measuring praise and criticism:Inference ofsemantic orientation from association ［J］.ACM Transactionson Information Systems，2003（4）:315-346.

［19］C.Zhang，W.Zuo，T.Peng，F(xiàn).He.Sentiment Classification of Chinese Review s Using Machine Learning Methods Based on String Kernel［A］.Third International Conference on Convergence and Hybrid Information Technology［C］.2008.

［20］Turney，PD.ThumbsUp or ThumbsDown？Semantic O rientation Applied to Unsupervised Classification ofReviews［DB/OL］.http://arxiv.org/abs/cs/0212032.

［21］宋光鵬.文本的情感傾向分析研究［D］.北京:北京郵電大學(xué)，2008.

［22］Z.Fei，J.Liu，G.Wu.Sentiment ClassificationUsing PhrasePatterns［A］.In:ProceedingsofFouth InternationalConferenceonComputerand InformationTechnology［C］.2004.

［23］賈積有，王愛華，吳筱萌，等.一次中規(guī)模在線開放式課程的設(shè)計與實(shí)踐 ［A］.第十屆北京論壇教育分論壇“高等教育的全球參與和知識共享”論文集（2013年11月）［C］，141-156.

（編輯：魯利瑞）

TP391

A

1673-8454（2016）14-0074-05