标签：词语 互信息 情感 互斥 算法 word1 SO PMI

点互信息算法（PMI）

基本思想：是统计两个词语在文本中同时出现的概率，如果概率越大，其相关性就越紧密，关联度越高。

   

PMI > 0；两个词语是相关的；值越大，相关性越强。

PMI = 0；两个词语是统计独立的，不相关也不互斥。

PMI < 0；两个词语是不相关的，互斥的。

从概率思想理解：

如果两个事件不相关也不互斥，则同时发生的概率p(a,b)=p(a)*p(b)，此时p(a,b)/p(a)*p(b)=1，PMI(a,b)=0；

如果两个事件相关，则同时发生的概率p(a,b)>p(a)*p(b)，此时p(a,b)/p(a)*p(b)>1，PMI(a,b)>0；

如果两个事件互斥，则同时发生的概率p(a,b)

情感倾向点互信息算法（SO-PMI）

基本思想是：选用一组褒义词（Pwords）跟一组贬义词（Nwords）作为基准词。若把一个词语word1跟Pwords的点间互信息减去word1跟Nwords的点间互信息会得到一个差值，就可以根据该差值判断词语word1的情感倾向。

 

   

SO-PMI（word1）> 0；为正面倾向，即褒义词

SO-PMI（word1） = 0；为中性倾向，即中性词

SO-PMI（word1） < 0；为负面倾向，即贬义词

标签：词语,互信息,情感,互斥,算法,word1,SO,PMI
来源： https://www.cnblogs.com/demo-deng/p/13085188.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。