- 1 -
中国科技论文在线
基于 OCC 模型的汉语文本情感识别方法#
毛峡，易寒飞*
基金项目：高等学校博士学科点专项科研基金资助课题（）；中日国际科技合作项目资助
课题（）；国家自然科学基金（）
作者简介：毛峡（1952-），女，教授，主要研究方向：情感计算，人机交互，模式识别
（北京航空航天大学电子信息工程学院，北京 100191）
摘要：文本信息是人类最常用的交互方法之一，文本情感识别已成为人机交互领域的研究热
点。在文本情感识别领域，大多数研究都是针对英文文本，汉语文本情感识别尚处于起步阶
段。本文提出了一种基于 OCC模型的汉语文本情感认知识别方法，通过定义一系列情感识
别变量以及情感规则，将文本情感识别转化为对情感识别变量的认知评价。本文详细阐述了
如何通过 HowNet确定情感识别变量的取值以及各项情感规则的实现方法，识别 OCC模型
定义的 22种情感类型。
关键词： 中文信息处理；文本情感；认知理论；OCC模型；知网
中图分类号：TP391
Chinese Textual Affect Sensing Based on OCC Model
MAO Xia, YI Hanfei
(School of Electronic and Information Engineering, Beihang University, Beijing 100191)
Abstract: Text affect sensing has been the focus of human-computer interaction research because one
of the most commonly used interaction methods is text information. Several approaches have been
performed to sense affect from English text, but the study on Chinese text emotion detection is still at
the beginning. In this paper, we propose a Chinese textual affect sensing method based on OCC model,
which is defined by a series of variables and rules. We clarify how emotion variables can be mapped to
specific values by using HowNet and how to implement those rules to determine 22 emotion types
defined by OCC model.
Key words: Chinese information processing; text emotion; cognitive theory; OCC model; HowNet
0 引言
随着互联网的飞速发展，文本信息已经成为人类最常用的交互方法之一。研究文本中蕴
含的情感信息已成为人机交互领域的研究热点。文本情感信息的提取在诸如语音合成、信息
安全、智能机器人、个性化文本等领域也有着广泛的应用前景。
传统的文本情感识别模型主要通过分析文本的字面特征提取句子的情感倾向，例如Ma
等人研究了基于情感词典和句子结构等语言学规则的情感识别方法[1]，Liu等人提出了基于
常识库的文本情感识别模型[2]，Wu等人采用机器学习方法估计输入语句和每种情感状态的
关联[3]，Huang等人研究了中文情感隐喻词及其和情感状态的统计相关性[4]。以上方法的准
确率很大程度上受到情感语料库和常识库的影响，另外由于人类语言的复杂性，仅仅考虑字
面特征而不区分概念之间的逻辑关系很难精确地识别文本情感信息。Shaikh等人提出了一种
基于认知理论的情感识别方法[5,6]，通过使用 SenseNet常识库分析文本概念之间的逻辑关系，
在英文文本情感识别方面得到了令人满意的识别结果。
在汉语文本情感识别方面，目前绝大多数研究仅能识别褒义和贬义两种情感极性，这对
于汉语文本所表达的丰富的情感信息是远远不够的。针对汉语文本情感计算资源比较匮乏的
现状，本文提出一种基于认知理论的汉语文本情感识别方法。
- 2 -
中国科技论文在线
1 认知评价理论
根据认知评价理论，情感是人们对某个其主观上认为重要的事件进行评价而产生的。在
评价理论中最有影响力的是 Ortony、Clore和 Collins提出的 OCC理论[7]。OCC模型是第一
个以计算机实现为目的发展起来的模型。OCC模型认为情感来源于人们对由事件（Event）、
智能体（Agent）和对象（Object）组成的情境的认知评价。OCC理论的基本原理是：根据
一组评价标准将人对特定情境的反应区分为正面或负面，然后根据评价标准的不同取值组合
确定相应的情感类型。表 1列举了 OCC模型规定的 22种情感及其定义。
表 1 OCC模型定义的 22种情感
22 emotions defined by OCC model
情感 定义 例句
欣喜（Happy-for） 为他人（正面）的可喜之事而高兴 李小姐得到了 1000元钱的奖金。
不平（Resentment） 为他人（负面）的可喜之事而不快 这个投机商以很低的价钱买到了一套房子。
庆幸（Gloating） 为他人（负面）的可悲之事而高兴 这个罪犯终究被绳之以法。
同情（Sorry-for） 为他人（正面）的可悲之事而不快 李小姐的钱包被偷了。
希望（Hope） 为自身未确定的可喜之事感到高兴 我明天可能被他们邀请参加舞会。
担心（Fear） 为自身未确定的可悲之事感到不快 我感觉我可能会被解雇。
满足（Satisfaction） 为自身已确定的可喜之事感到高兴 我刚刚收到了被邀请参加舞会的通知。
恐惧（Fear-confirmed） 为自身已确定的可悲之事感到不快 我已经被解雇了。
释怀（Relief） 为自身已否定的可悲之事感到高兴 我得知我不会被解雇了。
失望（Disappointment） 为自身已否定的可喜之事感到不快 我得知我没有被邀请参加舞会。
高兴（Joy） 为自身可喜之事而高兴 我意外地得到了一笔遗产。
悲伤（Distress） 为自身可悲之事而不快 我今天生病了。
自豪（Pride） 为自身值得称赞的行为而高兴 我勇敢地跳下水救起一名落水儿童。
自责（Self-reproach） 为自身应受责备的行为而不快 我在这次考试中作弊了。
赞赏（Admiration） 为他人值得称赞的行为而高兴 张先生勇敢地跳下水救起一名落水儿童。
责备（Reproach） 为他人应受责备的行为而不快 张先生在这次考试中作弊了。
感激（Gratitude） 为他人值得称赞的行为而高兴并且为此事而高兴 他对我无私的帮助让我感激不尽。
愤怒（Anger） 为他人应受责备的行为而不快并且为此事而不快 他们的作弊行为令我气愤。
满意（Gratification） 为自身值得称赞的行为而高兴并且为此事而高兴 我为我救起一名落水儿童的行为感到高兴。
悔恨（Remorse） 为自身应受责备的行为而不快并且为此事而不快 我很后悔我在这次考试中作弊了。
喜欢（Love） 喜欢一个有吸引力的事物 这些鲜花闻起来真香。
厌恶（Hate） 讨厌一个没吸引力的事物 这个会议实在是太无聊了。
为了利用 OCC模型识别汉语文本中的情感，本文定义了一系列情感识别变量。这些变
量不仅符合 OCC模型的情感定义，并且能够被汉语文本特征或常识库中的知识表示出来。
表 2列举了 7种情感识别变量。
- 3 -
中国科技论文在线
表 2情感识别变量
Emotional variables
情感识别变量 变量取值
Emotion_subject（情感主体） self（自身），other（他人），object（事物）
Subject_polarity（主体极性） positive（正面），negative（负面），neutral（中性）
Object_polarity（事物极性） attractive（有吸引力），unattractive（没吸引力），neutral（中性）
Event_polarity（事件极性） desirable（可喜的），undesirable（可悲的），neutral（中性）
Event_status（事件状态） unconfirmed（未确定），confirmed（已确定），disconfirmed（已否定）
Action_polarity（行为极性） praiseworthy（值得称赞），blameworthy（应受责备），neutral（中性）
Self_reaction（自身反应） pleased（高兴），displeased（不快）
2 文本情感识别
用计算机实现文本情感识别，首先需要对输入文本进行预处理，其中包括分词、词性标
注、词义消歧、句法分析等，然后根据不同的句子成分确定情感识别变量函数的输入，再通
过文本特征或常识库中的知识，得到情感识别变量的取值，最后根据 OCC模型的规则，通
过情感识别变量确定句子的情感信息。其实现如图 1所示。
图 1 文本情感识别框图
Framework of textual affect sensing
预处理
本文采用哈尔滨工业大学信息检索研究中心的语言技术平台[8]作为汉语文本句法分析
工具，该平台可以实现汉语文本的分词、词性标注、词义消歧、句法分析等一系列功能，与
同类自然语言处理工具相比功能相对完善，准确率较高。
情感识别变量赋值
由于目前汉语常识知识库资源相对贫乏，本文以 HowNet（知网）[9]为基础，针对 OCC
模型使用的情感识别变量，对 HowNet常识库中的义原进行了完善[10]。
HowNet将每一个词语用一系列义原来描述，这些义原通过上下位关系组织成一个树状
义原层次体系。例如词语“绳之以法”在 HowNet中表示为以下义原的集合：CauseToDo|使动，
ResultEvent=$punish|处罚，police|警。HowNet一共包含 2234个义原，分为 5大类，包括 Event
（事件，819个）、Entity（实体，154个）、Attribute（属性，248个）、Attribute Value（属
性值，892个）和 Secondary Feature（第二类特征，121个）。上述义原中虽然已经包含表
达良莠态的义原（例如“处罚”的义原层次树：punish|处罚 - MakeBad|加害 - AlterStateBad|
变莠态 - AlterPhysical|变本体 - AlterState|变状态 - AlterSpecific|实变 - ActSpecific|实动 -
act|行动 - event|事件），但对于 OCC模型的情感变量赋值是不够的。本文对所有义原的极
- 4 -
中国科技论文在线
性进行标注，分为正面、负面和中性 3种。
完成义原的情感极性标注后，本文采用下述公式得到词语的情感极性。
1
( ) ( )
n
i i
i
Orientation W Polarity Sα
=
= ⋅∑
式中 ( )Orientation W 表示词语W的情感极性，其值为正表示正面情感，为负表示负面情
感，为零表示中性情感，n表示词语W包含的义原总个数， iS表示词语W的第 i个义原，
( )iPolarity S 表示义原 iS 的极性，其中正面赋值 1，负面赋值-1，中性赋值为 0， iα 表示义原 iS
在词语W情感极性中的权重，主要针对 HowNet中采用动态角色与特征标注的复杂词语，取
值为 0或 1。例如词语“反败为胜”的义原集合如下：change|变，StateIni=defeated|输掉，
StateFin=win|获胜，则对于动态角色 StateIni的权重 0α = ，StateFin的权重 1α = 。
词语的情感极性计算是情感识别变量的基础，下面分别对 7种情感识别变量的赋值具体
阐述。
Emotion_subject（情感主体）、Subject_polarity（主体极性）和 Object_polarity
（事物极性）
情感主体考察句子的主语部分，利用句法分析工具可以得到句子的主谓宾关系。根据主
语的特征进行赋值，第一人称赋值为 self，其它人称赋值为 other，非人称的事物赋值为 object。
主体极性考察取值为 other的情感主体及其相关的定语修饰词，利用词语情感极性的判
别方法判断情感主体和相关修饰词的极性即 1( )Orientation W 和 2( )Orientation W 。若无相关修饰
词，则 2( ) 0Orientation W = ，若 1( )Orientation W 和 2( )Orientation W 的极性相矛盾，以修饰词的
极性为准。例如情感主体及修饰词“好心的囚犯”被认定为正面极性，主体极性赋值 positive。
其它情况则将 1( )Orientation W 和 2( )Orientation W 相加，为正则将主体极性赋值 positive，为负
则赋值 negative，为零则赋值 neutral。
事物极性考察取值为 object的情感主体及其相关的定语修饰词，采用与主体极性一样的
判定，结果为正值将事物极性赋值为 attractive，负值赋值为 unattractive，零值赋值为 neutral。
Event_polarity（事件极性）和 Action_polarity（行为极性）
事件极性和行为极性均考察句子的谓语部分和宾语部分组成的结构，其中谓语部分由谓
语和状语构成，宾语部分由宾语和定语构成。谓语部分的极性考察谓语和相关的状语修饰词
的极性，宾语部分的极性考察宾语和相关的定语修饰词的极性。两者均采用与主体极性一样
的判定，结果为正值将极性赋值为 positive，负值赋值为 negative，零值赋值为 neutral。
对于事件或者行为极性的判定，本文采用以下规则。
(1) 如果谓语部分或宾语部分的极性均为 neutral，则事件或行为的极性赋值为 neutral。
(2) 如果谓语部分或宾语部分的极性有且仅有一个为 neutral，则事件或行为的极性与另
一个的极性赋值相同。
(3) 如果谓语部分的极性和宾语部分的极性相同，则事件或行为的极性赋值为 positive。
例如“赢得奖励”，“销毁毒品”。
(4) 如果谓语部分的极性和宾语部分的极性不同，则事件或行为的极性赋值为 negative。
例如“帮助犯罪分子”，“伤害无辜的群众”。
在 HowNet中，Event类中包含 Static和 Act两种子类，对于谓语中的义原属于 Static
类的结构，本文定义该结构为一个事件，对于谓语中义原属于 Act类的结构，本文定义该结
- 5 -
中国科技论文在线
构为一个行为，另外，对于谓语中义原属于 Act类的结构，如果该结构是被动语态，则视为
一个事件。例如“钱包被偷了”是一个事件而不是行为，尽管义原“偷”从属于 Act类。
通过以上规则，若谓宾结构是事件，根据极性判定值 positive、negative和 neutral分别
将事件极性赋值为 desirable、undesirable和 neutral，若谓宾结构是行为，根据极性判定值
positive、negative和 neutral分别将行为极性赋值为 praiseworthy、blameworthy和 neutral。
Event_status（事件状态）
事件状态考察句子中的状语部分，采用关键词识别的方法确定取值。根据《哈工大信息
检索研究室同义词词林扩展版》，对于状语中表达“未确定”含义的词语（例如：也许、大概、
难道），将事件状态赋值为 unconfirmed，对于状语中表达“已确定”含义的词语（例如：已
经、刚刚、正在），将事件状态赋值为 confirmed，对于状语中表达“已否定”含义的词语（例
如：没有、不会、未曾），将事件状态赋值为 disconfirmed。
Self_reaction（自身反应）
自身反应考察句子中具有明显情感倾向的词语，依据 HowNet发布的中文正面情感词语
数据库和负面情感词语数据库，采用关键词识别的方法确定取值。对于正面情感赋值为
pleased，对于负面情感赋值为 displeased。
情感规则及实现方法
根据表 1中 OCC模型各种情感类型的定义，各种情感规则如表 3所示。
下面本文通过具体的例子说明情感规则的实现方法。
例句：李小姐得到了 1000元钱的奖金。
通过哈尔滨工业大学信息检索研究中心的语言技术平台可以得到句子的成分及其之间
的依存关系，如图 2所示。
图 2 句子成分及其依存关系
Fig. 2 Sentence dependency relations
根据句子的成分及其之间的依存关系得到：主语，小姐；谓语，得到；宾语，奖金；定
语，李（修饰小姐）。
根据情感变量的考察方法得到：情感主体，李小姐；事件或行为，得到奖金。
根据情感变量的赋值方法：情感主体的判定，“小姐”为其它人称，则 Emotion_subject =
other；“李小姐”的极性判定： ( ) 0Orientation =小姐 ， ( ) 0Orientation =李 ，则 Subject_polarity
= neutral；“得到奖金”的极性判定，谓语部分“得到”的极性为 neutral，宾语部分“奖金”的极
性为 positive，由于“得到”在 HowNet中从属于 Event类下的 Static子类，判定“得到奖金”为
一个事件，则 Event_polarity = desirable。
综合以上情感变量的取值得到：Emotion_subject = other；Subject_polarity = neutral；
Event_polarity = desirable。由规则得到此句子表达了“欣喜”的情感。
- 6 -
中国科技论文在线
表 3 情感规则
Textual affect sensing rules
情感 规则 *
欣喜 Emotion_subject = other & Subject_polarity ≠ negative & ((Event_polarity = desirable & Event_status ≠ disconfirmed) | (Event_polarity = undesirable & Event_status = disconfirmed))
不平 Emotion_subject = other & Subject_polarity = negative & ((Event_polarity = desirable & Event_status ≠ disconfirmed) | (Event_polarity = undesirable & Event_status = disconfirmed))
庆幸 Emotion_subject = other & Subject_polarity = negative & ((Event_polarity = undesirable & Event_status ≠ disconfirmed) | (Event_polarity = desirable & Event_status = disconfirmed))
同情 Emotion_subject = other & Subject_polarity ≠ negative & ((Event_polarity = undesirable & Event_status ≠ disconfirmed) | (Event_polarity = desirable & Event_status = disconfirmed))
希望 Emotion_subject = self & Event_status = unconfirmed & Event_polarity = desirable
担心 Emotion_subject = self & Event_status = unconfirmed & Event_polarity = undesirable
满足 Emotion_subject = self & Event_status = confirmed & Event_polarity = desirable
恐惧 Emotion_subject = self & Event_status = confirmed & Event_polarity = undesirable
释怀 Emotion_subject = self & Event_status = disconfirmed & Event_polarity = undesirable
失望 Emotion_subject = self & Event_status = disconfirmed & Event_polarity = desirable
高兴 Emotion_subject = self & Event_status = NA & Event_polarity = desirable
悲伤 Emotion_subject = self & Event_status = NA & Event_polarity = undesirable
自豪 Emotion_subject = self & Self_reaction = NA & ((Action_polarity = praiseworthy & Event_status ≠ disconfirmed) | (Action_polarity = blameworthy & Event_status = disconfirmed))
自责 Emotion_subject = self & Self_reaction = NA & ((Action_polarity = blameworthy & Event_status ≠ disconfirmed) | (Action_polarity = praiseworthy & Event_status = disconfirmed))
赞赏 Emotion_subject = other & Self_reaction = NA & ((Action_polarity = praiseworthy & Event_status ≠ disconfirmed) | (Action_polarity = blameworthy & Event_status = disconfirmed))
责备 Emotion_subject = other & Self_reaction = NA & ((Action_polarity = blameworthy & Event_status ≠ disconfirmed) | (Action_polarity = praiseworthy & Event_status = disconfirmed))
感激 Emotion_subject = other & Self_reaction = pleased & ((Action_polarity = praiseworthy & Event_status ≠ disconfirmed) | (Action_polarity = blameworthy & Event_status = disconfirmed))
愤怒 Emotion_subject = other & Self_reaction = displeased & ((Action_polarity = blameworthy & Event_status ≠ disconfirmed) | (Action_polarity = praiseworthy & Event_status = disconfirmed))
满意 Emotion_subject = self & Self_reaction = pleased & ((Action_polarity = praiseworthy & Event_status ≠ disconfirmed) | (Action_polarity = blameworthy & Event_status = disconfirmed))
悔恨 Emotion_subject = self & Self_reaction = displeased & ((Action_polarity = blameworthy & Event_status ≠ disconfirmed) | (Action_polarity = praiseworthy & Event_status = disconfirmed))
喜欢 Emotion_subject = object & Object_polarity ≠ negative & Self_reaction = pleased
厌恶 Emotion_subject = object & Object_polarity ≠ positive & Self_reaction = displeased
* 符号定义：& 表示条件与，| 表示条件或，NA表示该变量不存在。
3 实验评测
为了验证汉语文本情感识别方法的有效性，本文建立了汉语情感语料库，为文本情感分
析提供大量的评测用样本数据。目前，情感语料库的建立并没有完善的标准，不同情感语料
库之间存在很多差异。本文采用 OCC模型作为情感语料库的建立标准，依从现有情感信息
数据库建立原则，具备一套完整的情感语料采集、评测、管理规范，能够满足当前研究的需
要；同时，也为研究的进一步深入和扩展储备了大量真实、可靠的数据资料。
为了满足汉语语料的真实性和交互性，本文采集的文本数据主要来自个人博客和论坛网
站。相比于现有的《人民日报》语料库，国家现代汉语语料库等权威数据库，这类文本数据
含有更多的主观倾向性，情感成分所占的比例更大。
本文针对 22种情感类别，依据 OCC模型描述的情感产生机理对现有的文本数据进行筛
选，对每种情感收集了 200个句子建立了文本情感数据库。
对于已经建立的 4,400句文本情感数据库，组织了 50名志愿者对该情感数据库进行评
价，主要工作内容如下：
(1) 学习 OCC模型对每种情感产生规则的定义；
(2) 针对自身对句子的主观分析，对句子的情感主体、情感事件、事件状态及情感反应
- 7 -
中国科技论文在线
中的变量进行标注；
(3) 根据标注的结果与 OCC模型中定义的规则进行匹配，选择一种情感类型。
根据志愿者对文本情感数据库的评价结果，本文选择了 22套数据集，分别表示 22种情
感类别的情感语料库，其中每套数据集中的数据被至少 80%的人认定为该种情感。整个情
感语料库中各个情感类别的规模如表 4所示。
表 4 情感语料库
Tab. 4 Emotional corpus
情感类别 语句数 情感类别 语句数 情感类别 语句数
欣喜 121 释怀 86 感激 89
不平 118 失望 101 愤怒 78
庆幸 91 高兴 98 满意 70
同情 102 悲伤 87 悔恨 75
希望 111 自豪 98 喜欢 111
担心 92 自责 87 厌恶 95
满足 102 赞赏 91
恐惧 93 责备 106
通过使用汉语文本情感识别方法对情感语料库中语句进行分析，并将结果与人工评价结
果进行对比。由汉语文本情感识别方法可知，最终情感类型的识别准确性受以下两方面影响：
(1) 汉语文本词法句法分析系统的准确性
文本的词法句法分析一直是中文信息处理领域的热点和难点，目前已经有很多机构致力
于这方面的研究。本文采用的哈尔滨工业大学信息检索研究中心的语言技术平台在该领域处
于领先水平，实验结果表明，利用依存句法分析系统得到的情感识别变量与人工标注相比，
达到了 %的准确性。详细分析结果如表 5所示。
表 5 句法分析实验结果
Tab. 5 Test result of syntactic analysis
情感类别 总语句数 情感变量正确语句数 准确率
欣喜 121 119 %
不平 118 89 %
庆幸 91 81 %
同情 102 87 %
希望 111 91 %
担心 92 78 %
满足 102 90 %
恐惧 93 75 %
释怀 86 69 %
失望 101 87 %
高兴 98 88 %
悲伤 87 74 %
自豪 98 85 %
自责 87 77 %
赞赏 91 80 %
责备 106 91 %
感激 89 70 %
愤怒 78 66 %
满意 70 61 %
悔恨 75 58 %
喜欢 111 99 %
厌恶 95 83 %
总计 2102 1798 %
- 8 -
中国科技论文在线
(2) 情感识别变量取值及情感规则判定的准确性
情感识别变量的取值直接影响情感规则的判定，本文采用的情感识别变量的赋值方法，
充分利用了 HowNet常识库的概念特征。详细的情感产生规则有效地将情感识别变量转化为
情感类型。实验结果表明，本文提出的文本情感识别方法的分析结果与人工标注相比，达到
了 %的准确性。详细分析结果如表 6所示。
表 6 情感识别实验结果
Tab. 6 Test result of textual affect sensing
情感类别 情感变量正确语句数 总语句数 准确率
欣喜 119 95 %
不平 89 70 %
庆幸 81 63 %
同情 87 65 %
希望 91 70 %
担心 78 61 %
满足 90 67 %
恐惧 75 57 %
释怀 69 55 %
失望 87 68 %
高兴 88 67 %
悲伤 74 63 %
自豪 85 67 %
自责 77 62 %
赞赏 80 62 %
责备 91 74 %
感激 70 53 %
愤怒 66 45 %
满意 61 47 %
悔恨 58 41 %
喜欢 99 83 %
厌恶 83 69 %
总计 1798 1404 %
4 结论
本文介绍了针对汉语文本使用HowNet常识库对OCC模型定义的 22种情感进行识别的
方法，通过定义 7种情感识别变量，基于 OCC模型制定一系列情感识别规则，实现了对 OCC
模型定义的情感的识别。
本文提出的基于认知理论的汉语文本情感识别方法有效解决了汉语文本情感识别领域
存在的情感识别类别少，识别准确度不高等问题。该方法有如下优点：
(1) 所使用的常识知识库中的概念只需要包含正负情感权值；
(2) 考虑了句子结构对情感判断的影响，准确率提高；
(3) 基于规则的判定准则在理论上受到大众认可，情感分类更加详细。
实验结果表明，本文提出的汉语文本情感识别方法处理带有情感的文本能够达到
%的准确率，对于词法句法标注正确的句子，在 22种情感类型的情况下达到了 %
的准确率。
- 9 -
中国科技论文在线
[参考文献] (References)
[1] Chunling Ma, Helmut Prendinger, Mitsuru Ishizuka. Emotion Estimation and Reasoning Based on Affective Textual
Interaction[C]. First International Conference Affective Computing and Intelligent Interaction, Lecture Note in
Computer Science, 2005: 622-628.
[2] Hugo Liu, Henry Lieberman, Ted Selker. A Model of Textual Affect Sensing Using Realworld Knowledge[C].
International Conference on Intelligent User Interfaces, Miami, Florida, 2003: 125-132.
[3] Chung-Hsien Wu, Ze-jing Chuang, Yu-chung Lin. Emotion Recognition from Text Using Semantic Labels and
Separable Mixture Models[J]. ACM Transactions on Asian Language Information Processing, June 2006, 5(2):
165-182.
[4] Xiaoxi Huang, Yun Yang, Changle Zhou. Emotional Metaphors for Emotion Recognition in Chinese Text. First
International Conference Affective Computing and Intelligent Interaction[C], Lecture Note in Computer Science,
2005: 319-325.
[5] Mostafa AI Masum Shaikh, Prendinger Helmut, Mitsuru Ishizuka. A Cognitively Based Approach to Affect Sensing
from Text[C]. International Conference on Intelligent User Interfaces, Sydney, Australia, 2006: 303-305.
[6] Mostafa AI Masum Shaikh, Helmut Prendinger, Mitsuru Ishizuka. Linguistic Interpretation of Emotions for Affect
Sensing from Text[A]. .
[7] Andrew Ortony, Gerald L. Clore, Allan Collins. The Cognitive Structure of Emotions[M]. Cambridge: University
Press, 1988.
[8] 哈尔滨工业大学信息检索研究中心的语言技术平台[EB/OL].
[9] HowNet[EB/OL]. .
[10] 刘群, 李素建. 基于《知网》的词汇语义相似度的计算[A]. 第三届汉语词汇语义学研讨会, 台北, 2002.
