本發(fā)明屬于自然語言處理技術(shù)與模式識別領(lǐng)域，具體地說是一種基于隨機特征子空間的半監(jiān)督文本情感分類方法。

背景技術(shù)：
近年來，隨著互聯(lián)網(wǎng)的快速發(fā)展，越來越多的互聯(lián)網(wǎng)用戶樂于在互聯(lián)網(wǎng)上發(fā)表自己的觀點和評論，產(chǎn)生了大量源于用戶創(chuàng)造的主觀性文本。這類主觀性文本包含著用戶觀點、意見和態(tài)度等情感信息，因此，分析主觀性文本中所表達的情感信息，識別出其情感傾向，對于互聯(lián)網(wǎng)用戶有著重要的作用。對文本情感進行分析，需要大量的有標(biāo)記樣本，但在實際應(yīng)用中，收集大量的無標(biāo)記樣本相當(dāng)容易，對這些無標(biāo)記樣本進行樣本標(biāo)記需要花費大量的人力和物力，從而利用大量的無標(biāo)記樣本和少量的有標(biāo)記樣本進行學(xué)習(xí)的半監(jiān)督學(xué)習(xí)方法得到廣泛應(yīng)用。傳統(tǒng)協(xié)同訓(xùn)練方法作為半監(jiān)督學(xué)習(xí)方法中最常用的方法之一，其主要思想是利用交叉驗證的方式進行協(xié)同訓(xùn)練，利用兩個基分類器相互協(xié)同完成分類，但是在協(xié)同訓(xùn)練過程中存在大量誤分的樣本，隨著訓(xùn)練樣本中誤分樣本的增加，各個基分類器的分類精度逐漸降低，從而導(dǎo)致傳統(tǒng)協(xié)同訓(xùn)練方法的分類準(zhǔn)確性不高。而通過多個基分類器來幫助一個基分類器進行訓(xùn)練，已被廣泛應(yīng)用于圖像識別等領(lǐng)域，但是目前還沒有研究將多個基分類器來幫助一個基分類器的思想應(yīng)用到半監(jiān)督文本情感分類領(lǐng)域中。此外，現(xiàn)有的半監(jiān)督學(xué)習(xí)方法主要通過Bootstrapping的方式產(chǎn)生多個基分類器，而對于文本情感分類問題來說，文本數(shù)據(jù)存在高維特性，通過Bootstrapping的方式產(chǎn)生的分類器間差異性較小而影響分類精度，同時也會影響分類器的訓(xùn)練速度。

技術(shù)實現(xiàn)要素：
本發(fā)明為了克服現(xiàn)有技術(shù)存在的不足之處，提出了一種基于隨機子空間的半監(jiān)督文本情感分類方法，以期能解決傳統(tǒng)協(xié)同訓(xùn)練算法訓(xùn)練過程中存在大量誤分樣本，以及半監(jiān)督文本情感分類方法中各基分類器差異性小的問題，從而進一步提高文本情感分類方法的準(zhǔn)確性。本發(fā)明為解決技術(shù)問題采用如下技術(shù)方案：本發(fā)明一種基于隨機特征子空間的半監(jiān)督文本情感分類方法的特點是按如下步驟進行：步驟1、構(gòu)建全局特征集合T：步驟1.1、獲取n條評論文本構(gòu)成評論文本集合D，記為D＝{d1,d2,…di…,dn},di表示所述評論文本集合D中的第i個評論文本；1≤i≤n；n表示所述評論文本集合D中的評論文本總數(shù)；步驟1.2、去除所述評論文本集合D中所有停用詞，并用N-gram的方法來表示第i個評論文本di的特征，從而獲得第i個評論文本di的特征集合表示第i個特征集合Ti中第si個特征詞，ri表示所述第i個特征集合Ti中的特征總數(shù)，1≤si≤ri；步驟1.3、將n個評論文本的特征集合取并集，從而構(gòu)成所述評論文本集合D的全局特征集合T＝{t1,t2,…,tc,…,tm}，tc表示所述全局特征集合T中第c個特征詞，m表示所述全局特征集合T的特征詞總數(shù)，1≤c≤m；步驟2、將所述評論文本集合D表示成向量形式：步驟2.1、將所述評論文本集合D中的所有評論文本映射到所述全局特征集合T上，并利用TF-IDF計算第i個評論文本di中第c個特征詞tc的權(quán)值wc,i；步驟2.2、重復(fù)步驟2.1，從而獲得第i個評論文本di中m個特征詞在所述全局特征集合T上的權(quán)值Wi＝{w1,i,w2,i,…,wc,i,…,wm,i}，從而獲得n條評論文本的權(quán)值{W1,W2，…,Wi,…,Wn}；步驟2.3、將第i個評論文本di表示成向量形式：xi＝{(t1,w1,i),(t2,w2,i),...,(tc,wc,i),…,(tm,wm,i)}；從而獲得n條評論文本的向量形式：{x1,x2,…,xi,…,xn}；步驟3、對所述評論文本集D中l(wèi)個評論文本進行情感極性標(biāo)注，獲得標(biāo)記樣本集，記為L＝{(x1,y1),(x2,y2),…,(xq,yq),…,(xl,yl)}，xq表示所述標(biāo)記樣本集L中第q個評論文本的向量形式；yq表示所述標(biāo)記樣本集L中第q個評論文本的向量形式xq的情感標(biāo)記，并有yq∈Y＝{Ω1,Ω2,…,Ωλ,…,Ωτ}，Y表示標(biāo)記樣本集L的情感標(biāo)記總集，Ωλ表示第λ個情感標(biāo)記；τ表示所述情感標(biāo)記的總數(shù)，τ≥2；l表示所述標(biāo)記樣本集L的評論文本總數(shù)，1≤q≤l≤n，1≤λ≤τ；則所述評論文本集D中剩余的n-l個文本作為未標(biāo)記樣本集，記為U＝{xl+1,xl+2,…,xl+b,…,xl+u}，xl+b表示所述未標(biāo)記樣本集U中的第b個評論文本的向量形式，u表示所述未標(biāo)記樣本集U中的評論文本總數(shù)，1≤b≤u；步驟4、計算全局特征集合T中的所有特征詞的特征權(quán)重：步驟4.1、根據(jù)所述標(biāo)記樣本集L，使用Lasso方法計算所述全局特征集合T中第c個特征詞tc與所述類別標(biāo)記總集Y中每個情感標(biāo)記的關(guān)聯(lián)性強度，獲得第c個特征詞tc的重要性得分γc；從而獲得m個特征詞的重要性得分集合γ＝{γ1,γ2,…,γc,…,γm}；步驟4.2、利用式(1)對所述第c個特征詞tc的重要性得分γc進行歸一化處理，獲得第c個特征詞tc的特征權(quán)重δc，從而獲得m個特征詞的特征權(quán)重集合δ＝{δ1,δ2,…,δc,…,δm}，γθ表示第θ個特征詞tθ的重要性得分，1≤θ≤m：步驟5、構(gòu)建r維的隨機子空間：步驟5.1、定義抽出次數(shù)為z，定義隨機子空間總數(shù)為Z；并初始化z＝1；步驟5.2、以第c個特征權(quán)重δc作為所述第c個特征詞tc的抽取概率，從所述全局特征集合T中隨機抽取r個特征詞，構(gòu)成第z次抽取的投影矩陣表示第z次抽取的第g個特征詞；1≤g≤r≤m；步驟5.3、分別將所述標(biāo)記樣本集L和未標(biāo)記樣本集U分別投影到所述第z次抽取的投影矩陣Vz上，從而分別構(gòu)成第z個標(biāo)記樣本的隨機子空間和第z個未標(biāo)記樣本的隨機子空間表示所述第z個標(biāo)記樣本的隨機子空間中第q個評論文本的向量形式；并有表示所述第z個未標(biāo)記樣本的隨機子空間中第b個評論文本的向量形式，并有：步驟5.4、將z+1賦值給z，并重復(fù)步驟5.2和步驟5.3，直到z＝Z為止；從而獲得Z個標(biāo)記樣本集L的隨機子空間集合和Z個未標(biāo)記樣本集U的隨機子空間集合步驟6、利用所述未標(biāo)記樣本集U進行學(xué)習(xí)，得到最終的分類器集合步驟6.1、定義迭代次數(shù)為j，最大迭代次數(shù)為J；并初始化j＝1；步驟6.2、以SVM作為基分類器，以第j次迭代的Z個標(biāo)記樣本集L的隨機子空間集合作為第j次訓(xùn)練樣本，并在所述第j次訓(xùn)練樣本上進行訓(xùn)練，獲得第j次迭代的Z個分類器集合表示第j次迭代的第z個分類器；步驟6.3、定義被幫助分類器為fa，并初始化a＝1；步驟6.4、選取第j次迭代的第a個分類器作為被幫助分類器，則除第j次迭代的第a個分類器以外的(Z-1)個分類器，作為幫助分類器；步驟6.5、利用所述(Z-1)個幫助分類器對第j次迭代的(Z-1)個未標(biāo)記樣本集U的隨機子空間集合中每個元素的第b個樣本組成的集合進行預(yù)測；從而獲得第j次迭代的第b個樣本的情感標(biāo)記集合，記為表示第j次迭代的第z個未標(biāo)記樣本的隨機子空間中的第b個樣本的向量形式的情感標(biāo)記；并有步驟6.6、利用式(2)獲得所述情感標(biāo)記集合y(l+b),j中為第λ個情感標(biāo)記Ωλ的置信度從而獲得所述第b個樣本的情感標(biāo)記集合y(l+b),j中分別為τ個情感標(biāo)記的置信度集合式(2)中，表示第λ個情感標(biāo)記Ωλ在情感標(biāo)記集合y(l+b),j中出現(xiàn)的次數(shù)；步驟6.7、重復(fù)步驟6.5和步驟6.6，從而分別獲得第j次迭代的u個樣本的情感標(biāo)記集合，記為{y(l+1),j,y(l+2),j,…,y(l+b),j,…y(l+u),j}以及第j次迭代的u個樣本的情感標(biāo)記的置信度集合，記為步驟6.8、從所述第j次迭代的置信度集合中選取前ψλ個置信度最高的第λ個情感標(biāo)記Ωλ所對應(yīng)的樣本；并判斷所選取的ψλ個樣本的置信度是否均大于置信度閾值σ，若均大于，則將所選取的ψλ個樣本加入第j次迭代的第a個候選樣本集合中；否則，從所選取的ψλ個樣本中刪除置信度小于所述置信度閾值σ的樣本，獲得剩余的ψλ′個樣本，并將ψλ′賦值給ψλ，從而將ψλ個樣本加入第j次迭代的第a個候選樣本集合中；步驟6.9、重復(fù)步驟6.8，從而使得τ個情感標(biāo)記所對應(yīng)的個樣本均加入所述第j次迭代的第a個選樣本集合中；步驟6.10、將所述第j次迭代的第a個候選樣本集合中所有樣本以及與其相對應(yīng)的τ個情感標(biāo)記，均加入到所述第j次迭代的第a個標(biāo)記樣本的隨機子空間中，從而獲得更新的第a個標(biāo)記樣本的隨機子空間步驟6.11、將a+1賦值給a，并返回步驟6.4順序執(zhí)行，直到a＝Z；從而獲得第j次迭代的Z個候選樣本集合以及第j次迭代的更新的Z個標(biāo)記樣本集L的隨機子空間集合步驟6.12、將第j次迭代的Z個候選樣本集合取并集，獲得優(yōu)化的第j次迭代的候選樣本集合Φj，并將所述優(yōu)化的第j次迭代的候選樣本集合Φj從所述第j次迭代的Z個未標(biāo)記樣本集U的隨機子空間集合中刪除，獲得更新的第j+1次迭代的Z個未標(biāo)記樣本集U的隨機子空間集合并重新計算未標(biāo)記樣本集U的未標(biāo)記樣本數(shù)為u′，并將u′賦值給u；步驟6.12、判斷均為空集或Z次所添加的樣本數(shù)量均為零是否滿足，若滿足，則結(jié)束第j+1次迭代，并將第j次迭代的Z個分類器作為最終的分類器集合若沒有滿足，則將j+1賦值給j；并返回步驟6.2，直至j＝J，并將第J次迭代的Z個分類器作為最終的分類器集合步驟7、利用式(3)，以主投票的方式將Z個分類器進行集成，從而獲得最終的集成分類器F(xε)；式(3)中，xε表示任意需要標(biāo)記樣本的向量表示，βλ表示分類器是否將任意需要標(biāo)記樣本的向量表示xε的情感標(biāo)記預(yù)測為Ωλ，其值可根據(jù)式(4)計算得到；式(4)中，表示分類器對任意需要標(biāo)記樣本的向量表示xε進行預(yù)測的結(jié)果。與已有技術(shù)相比，本發(fā)明有益效果體現(xiàn)在：1、本發(fā)明通過改進RandomSubspace方式產(chǎn)生多個基分類器，并通過多個基分類器幫助一個基分類器進行協(xié)同訓(xùn)練，進而獲得分類準(zhǔn)確性高的文本情感分類方法，從而克服了傳統(tǒng)協(xié)同訓(xùn)練算法協(xié)同訓(xùn)練過程中存在大量誤分的樣本的問題，同時也解決了文本數(shù)據(jù)維度高的情況下，各個分類器間差異性小和分類器訓(xùn)練速度慢的問題，進而提高了文本情感分類方法的準(zhǔn)確性和學(xué)習(xí)效率。2、本發(fā)明通過基于Lasso方法的改進RandomSubspace的方式來產(chǎn)生多個隨機子空間，并在隨機子空間上訓(xùn)練得到多個基分類器，增大了各個基分類器間的差異性，同時通過改進RandomSubspace的方式降低了文本數(shù)據(jù)的維度，克服了Bootstrapping方式產(chǎn)生的基分類器間差異性小和數(shù)據(jù)維度高的情況下學(xué)習(xí)效率低的問題，減少了訓(xùn)練時間并提高了學(xué)習(xí)效率。3、本發(fā)明將多個基分類器幫助一個基分類器的思想應(yīng)用到文本情感分類領(lǐng)域中，采用多個基分類器投票的方式來估計未標(biāo)記樣本的置信度，同時設(shè)定置信度閾值和選取置信度最高的樣本來減小未標(biāo)記樣本的誤分，克服了傳統(tǒng)協(xié)同訓(xùn)練算法協(xié)同訓(xùn)練過程中存在大量誤分樣本的問題，進而提高了分類準(zhǔn)確性。4、本發(fā)明能夠利用未標(biāo)記樣本的信息，在實際應(yīng)用中只需少量的有標(biāo)記樣本，無需人工對樣本進行標(biāo)注，通過對訓(xùn)練樣本的合理選取，在有標(biāo)記樣本數(shù)量很少的情況下，本發(fā)明方法同樣可以取得很高的準(zhǔn)確性。5、本發(fā)明可以用于對互聯(lián)網(wǎng)上的用戶評論進行分析與決策，還可以用于輿情監(jiān)控和信息預(yù)測等領(lǐng)域，本發(fā)明應(yīng)用范圍廣泛。附圖說明圖1是本發(fā)明流程示意圖；圖2是本發(fā)明DatasetV1.0上分類精度實驗結(jié)果；圖3是本發(fā)明DatasetV2.0上分類精度實驗結(jié)果。具體實施方式本發(fā)明對評論文本進行預(yù)處理操作來構(gòu)建全局特征集合，并將所有評論文本表示成向量形式，再對部分評論文本的情感極性進行標(biāo)記，得到標(biāo)記樣本集和未標(biāo)記樣本集；然后利用Lasso方法計算全局特征集合中所有特征詞的特征權(quán)重，并以特征權(quán)重為概率抽取部分特征詞構(gòu)建隨機子空間，將標(biāo)記樣本集映射到隨機子空間上并訓(xùn)練分類器，同時利用未標(biāo)記樣本集進行協(xié)同訓(xùn)練，得到最終的分類器；最后以主投票的方式集成Z個分類器，并獲得最終的集成分類器F(xε)。具體地說，如圖1所示，本發(fā)明方法包括以下步驟：步驟1、構(gòu)建全局特征集合T：步驟1.1、獲取n條評論文本構(gòu)成評論文本集合D，記為D＝{d1,d2,…di…,dn},di表示評論文本集合D中的第i個評論文本；1≤i≤n；n表示評論文本集合D中的評論文本總數(shù)；步驟1.2、去除評論文本集合D中所有停用詞，并用N-gram的方法來表示第i個評論文本di的特征，從而獲得第i個評論文本di的特征集合表示第i個特征集合Ti中第si個特征詞，ri表示第i個特征集合Ti中的特征總數(shù)，1≤si≤ri；N-gram模型假設(shè)第N個詞的出現(xiàn)只與前面(N-1)個詞相關(guān)，N根據(jù)具體情況自行設(shè)定，本實施例中，選取N＝3；步驟1.3、將n個評論文本的特征集合取并集，從而構(gòu)成評論文本集合D的全局特征集合T＝{t1,t2,…,tc,…,tm}，tc表示全局特征集合T中第c個特征詞，m表示全局特征集合T的特征詞總數(shù)，1≤c≤m；步驟2、將評論文本集合D表示成向量形式：步驟2.1、將評論文本集合D中的所有評論文本映射到全局特征集合T上，并利用TF-IDF計算第i個評論文本di中第c個特征詞tc的權(quán)值wc,i；TF-IDF公式如下：式(1)中，hc,i表示第i個評論文本di中第c個特征詞tc在第i個評論文本di中出現(xiàn)的次數(shù)，hp,i表示第i個評論文本di中第p個特征詞tp在第i個評論文本di中出現(xiàn)的次數(shù)，1≤p≤m；表示出現(xiàn)過特征詞tc的文檔數(shù)；步驟2.2、重復(fù)步驟2.1，從而獲得第i個評論文本di中m個特征詞在全局特征集合T上的權(quán)值Wi＝{w1,i,w2,i,…,wc,i,…,wm,i}，從而獲得n條評論文本的權(quán)值{W1,W2,…,Wi,…,Wn}；步驟2.3、將第i個評論文本di表示成向量形式：xi＝{(t1,w1,i),(t2,w2,i),...,(tc,wc,i),…,(tm,wm,i)}；從而獲得n條評論文本的向量形式：{x1,x2,…,xi,…,xn}；步驟3、對評論文本集D中l(wèi)個評論文本進行情感極性標(biāo)注，獲得標(biāo)記樣本集，記為L＝{(x1,y1),(x2,y2),…,(xq,yq),…,(xl,yl)}，xq表示標(biāo)記樣本集L中第q個評論文本的向量形式；yq表示標(biāo)記樣本集L中第q個評論文本的向量形式xq的情感標(biāo)記，并有yq∈Y＝{Ω1,Ω2,…,Ωλ,…,Ωτ}，Y表示標(biāo)記樣本集L的情感標(biāo)記總集，Ωλ表示第λ個情感標(biāo)記；τ表示情感標(biāo)記的總數(shù)，τ≥2；l表示標(biāo)記樣本集L的評論文本總數(shù)，1≤q≤l≤n，1≤λ≤τ；則評論文本集D中剩余的n-l個文本作為未標(biāo)記樣本集，記為U＝{xl+1,xl+2,…,xl+b,…,xl+u}，xl+b表示未標(biāo)記樣本集U中的第b個評論文本的向量形式，u表示未標(biāo)記樣本集U中的評論文本總數(shù)，1≤b≤u；步驟4、計算全局特征集合T中的所有特征詞的特征權(quán)重：步驟4.1、根據(jù)標(biāo)記樣本集L，使用Lasso方法計算全局特征集合T中第c個特征詞tc與類別標(biāo)記總集Y中每個情感標(biāo)記的關(guān)聯(lián)性強度，獲得第c個特征詞tc的重要性得分γc；從而獲得m個特征詞的重要性得分集合γ＝{γ1,γ2,…,γc,…,γm}；Lasso方法具體為：將獲得的數(shù)據(jù)表示成一個樣本矩陣xp＝(xp1,xp2,…,xpc,…,xpm)T，其中xp為預(yù)測變量，yp為因變量，假設(shè)個體間相互獨立或給定預(yù)測變量xpc的條件下，yp是相互獨立的，則Lasso估計可以定義為：式(2)，μ≥0為懲罰參數(shù),當(dāng)μ的值取較大時，某些相關(guān)度低的變量系數(shù)就會被壓縮為0，從而將這些變量刪除，以達到特征選擇的目的；當(dāng)μ的值很小時，不再具有約束作用，此時所有的屬性將被選擇并形成一個變量選擇序列，μ可根據(jù)具體情況設(shè)定，本實施例中設(shè)定μ＝10-6，計算各特征量對應(yīng)的回歸系數(shù)；步驟4.2、利用式(3)對第c個特征詞tc的重要性得分γc進行歸一化處理，獲得第c個特征詞tc的特征權(quán)重δc，從而獲得m個特征詞的特征權(quán)重集合δ＝{δ1,δ2,…,δc,…,δm}，γθ表示第θ個特征詞tθ的重要性得分，1≤θ≤m：步驟5、構(gòu)建r維的隨機子空間：步驟5.1、定義抽出次數(shù)為z，定義隨機子空間總數(shù)為Z；并初始化z＝1；隨機子空間總數(shù)Z可根據(jù)具體情況進行確定，本實施例設(shè)置Z＝20；步驟5.2、以第c個特征權(quán)重δc作為第c個特征詞tc的抽取概率，從全局特征集合T中隨機抽取r個特征詞，構(gòu)成第z次抽取的投影矩陣表示第z次抽取的第g個特征詞；1≤g≤r≤m；r表示隨機子空間中的特征詞總數(shù)，可根據(jù)具體情況自行設(shè)定，本實施例設(shè)置步驟5.3、分別將標(biāo)記樣本集L和未標(biāo)記樣本集U分別投影到第z次抽取的投影矩陣Vz上，從而分別構(gòu)成第z個標(biāo)記樣本的隨機子空間和第z個未標(biāo)記樣本的隨機子空間表示第z個標(biāo)記樣本的隨機子空間中第q個評論文本的向量形式；并有表示第z個未標(biāo)記樣本的隨機子空間中第b個評論文本的向量形式，并有：步驟5.4、將z+1賦值給z，并重復(fù)步驟5.2和步驟5.3，直到z＝Z為止；從而獲得Z個標(biāo)記樣本集L的隨機子空間集合和Z個未標(biāo)記樣本集U的隨機子空間集合步驟6、利用未標(biāo)記樣本集U進行學(xué)習(xí)，得到最終的分類器集合步驟6.1、定義迭代次數(shù)為j，最大迭代次數(shù)為J；并初始化j＝1；J可根據(jù)具體情況設(shè)定，本實施例中，設(shè)定J＝200；步驟6.2、以SVM作為基分類器，以第j次迭代的Z個標(biāo)記樣本集L的隨機子空間集合作為第j次訓(xùn)練樣本，并在第j次訓(xùn)練樣本上進行訓(xùn)練，獲得第j次迭代的Z個分類器集合表示第j次迭代的第z個分類器；步驟6.3、定義被幫助分類器為fa，并初始化a＝1；步驟6.4、選取第j次迭代的第a個分類器作為被幫助分類器，則除第j次迭代的第a個分類器以外的(Z-1)個分類器，作為幫助分類器；步驟6.5、利用(Z-1)個幫助分類器對第j次迭代的(Z-1)個未標(biāo)記樣本集U的隨機子空間集合中每個元素的第b個樣本組成的集合進行預(yù)測；從而獲得第j次迭代的第b個樣本的情感標(biāo)記集合，記為表示第j次迭代的第z個未標(biāo)記樣本的隨機子空間中的第b個樣本的向量形式的情感標(biāo)記；并有步驟6.6、利用式(4)獲得情感標(biāo)記集合y(l+b),j中為第λ個情感標(biāo)記Ωλ的置信度從而獲得第b個樣本的情感標(biāo)記集合y(l+b),j中分別為τ個情感標(biāo)記的置信度集合式(4)中，表示第λ個情感標(biāo)記Ωλ在情感標(biāo)記集合y(l+b),j中出現(xiàn)的次數(shù)；步驟6.7、重復(fù)步驟6.5和步驟6.6，從而分別獲得第j次迭代的u個樣本的情感標(biāo)記集合，記為{y(l+1),j,y(l+2),j,…,y(l+b),j,…y(l+u),j}以及第j次迭代的u個樣本的情感標(biāo)記的置信度集合，記為步驟6.8、從第j次迭代的置信度集合中選取前ψλ個置信度最高的第λ個情感標(biāo)記Ωλ所對應(yīng)的樣本；并判斷所選取的ψλ個樣本的置信度是否均大于置信度閾值σ，若均大于，則將所選取的ψλ個樣本加入第j次迭代的第a個候選樣本集合中；否則，從所選取的ψλ個樣本中刪除置信度小于置信度閾值σ的樣本，獲得剩余的ψλ′個樣本，并將ψλ′賦值給ψλ，從而將ψλ個樣本加入第j次迭代的第a個候選樣本集合中；ψλ表示第λ個情感標(biāo)記Ωλ添加的樣本數(shù)，可根據(jù)具體情況設(shè)定，本發(fā)明實驗設(shè)定τ個情感標(biāo)記添加的樣本數(shù)均為5；置信度閾值σ可根據(jù)具體情況設(shè)定，本實施例中設(shè)定σ＝0.8；步驟6.9、重復(fù)步驟6.8，從而使得τ個情感標(biāo)記所對應(yīng)的個樣本均加入第j次迭代的第a個選樣本集合中；步驟6.10、將第j次迭代的第a個候選樣本集合中所有樣本以及與其相對應(yīng)的τ個情感標(biāo)記，均加入到第j次迭代的第a個標(biāo)記樣本的隨機子空間中，從而獲得更新的第a個標(biāo)記樣本的隨機子空間步驟6.11、將a+1賦值給a，并返回步驟6.4順序執(zhí)行，直到a＝Z；從而獲得第j次迭代的Z個候選樣本集合以及第j次迭代的更新的Z個標(biāo)記樣本集L的隨機子空間集合步驟6.12、將第j次迭代的Z個候選樣本集合取并集，獲得優(yōu)化的第j次迭代的候選樣本集合Φj，并將優(yōu)化的第j次迭代的候選樣本集合Φj從第j次迭代的Z個未標(biāo)記樣本集U的隨機子空間集合中刪除，獲得更新的第j+1次迭代的Z個未標(biāo)記樣本集U的隨機子空間集合并重新計算未標(biāo)記樣本集U的未標(biāo)記樣本數(shù)為u′，并將u′賦值給u；步驟6.12、判斷均為空集或Z次所添加的樣本數(shù)量均為零是否滿足，若滿足，則結(jié)束第j+1次迭代，并將第j次迭代的Z個分類器作為最終的分類器集合若沒有滿足，則將j+1賦值給j；并返回步驟6.2，直至j＝J，并將第J次迭代的Z個分類器作為最終的分類器集合步驟7、利用式(5)，以主投票的方式將Z個分類器進行集成，從而獲得最終的集成分類器F(xε)；式(5)中，xε表示任意需要標(biāo)記樣本的向量表示，βλ表示分類器是否將任意需要標(biāo)記樣本的向量表示xε的情感標(biāo)記預(yù)測為Ωλ，其值可根據(jù)式(6)計算得到；式(6)中，表示分類器對任意需要標(biāo)記樣本的向量表示xε進行預(yù)測的結(jié)果。針對本發(fā)明方法進行實驗論證，具體包括：1、標(biāo)準(zhǔn)數(shù)據(jù)集：本發(fā)明使用SentencePolarityDatasetV1.0和SentencePolarityDatasetV2.0兩個數(shù)據(jù)集作為標(biāo)準(zhǔn)數(shù)據(jù)集驗證基于隨機子空間的半監(jiān)督文本情感分類方法的有效性，SentencePolarityDatasetV1.0數(shù)據(jù)集包含5331個正情感類文本和5331個負情感類文本，SentencePolarityDatasetV2.0數(shù)據(jù)集包含1000個正情感類文本和1000個負情感類文本，以上兩個數(shù)據(jù)集的文本內(nèi)容均是對電影的評價；2、評價指標(biāo)本發(fā)明使用目前文本情感分類領(lǐng)域常用的評價指標(biāo)：平均分類精度(AverageAccuracy)作為本實施例的評價指標(biāo)，其計算公式如式(7)：式(7)中，TP(TruePositive)表示分類模型正確預(yù)測的正樣本數(shù)，TN(TrueNegative)表示分類模型正確預(yù)測的負樣本數(shù)，F(xiàn)P(FalsePositive)表示分類模型錯誤預(yù)測的正樣本數(shù)，F(xiàn)N(FalseNegative)表示分類模型錯誤預(yù)測的負樣本數(shù)；3、實驗流程為了驗證本發(fā)明所提方法的有效性，本發(fā)明選用文本情感分類領(lǐng)域常用的分類器SVM作為基分類器，對比實驗選用四種常見的半監(jiān)督學(xué)習(xí)方法進行比較：Self-training、Co-training、Tri-training和Co-forest方法，Self-training、Co-training、Tri-training方法均以SVM作為基分類器，Co-forest采用RandomTree作為基礎(chǔ)分類器。SVM算法通過WEKA下的SMO模塊來實現(xiàn)，Tri-training和Co-forest方法借鑒了其他研究者的源代碼，Self-training和Co-training方法通過自行編程來實現(xiàn)。實驗選取了10％、20％、40％、60％、80％樣本作為初始訓(xùn)練集，采用平均分類精度為評價指標(biāo)對四種半監(jiān)督學(xué)習(xí)方法和本發(fā)明方法的性能進行分析比較，隨機子空間總數(shù)取20。為了提高實驗結(jié)果的可信度和有效性，實驗過程使用10次10倍交叉驗證法，本發(fā)明的實驗結(jié)果均為10次10倍交叉驗證的平均值。4、實驗結(jié)果為了驗證本發(fā)明所提方法的有效性，本發(fā)明在SentencePolarityDatasetV1.0和SentencePolarityDatasetV2.0兩個數(shù)據(jù)集上進行實驗，并將本發(fā)明方法的分類結(jié)果與SVM、Self-training、Co-training、Tri-training和Co-forest方法取得的結(jié)果進行了比較。實驗結(jié)果如圖2和圖3所示，圖2和圖3中橫坐標(biāo)表示抽樣率，縱坐標(biāo)表示平均分類精度。由圖2和圖3可以看出，在抽樣率分別為10％、20％、40％、60％和80％的情況下，本發(fā)明方法在兩個數(shù)據(jù)集上取得的平均分類精度均高于SVM、Self-training、Co-training、Tri-training和Co-forest方法取得的平均分類精度；并且隨著抽樣率的增加，本發(fā)明方法取得的平均分類精度也越來越高，實驗結(jié)果驗證了本發(fā)明方法的有效性。