笔者前期在支持向量机（SVM）基础上，引入模糊隶属度函数，对不同样本选取不同权重，通过样本模糊隶属度的值来确定该样本隶属某一类的程度。为提高SVM抗噪能力，应用模糊支持向量机（FSVM）对英语语篇进行情感分类，分类效果优于SVM。
在前期研究的基础之上，笔者分别应用SVM和FSVM进行了中文语篇的情感分类，并对分类效果进行对比。仿真实验的结果说明，针对中文语篇进行情感分类，FSVM的分类效果优于SVM的分类效果。
为了验证最小二乘支持向量机（LS-SVM）方法的可行性和优越性，在传统支持向量机的理论基础上，分别以“车评”和“影评”作为样本，应用LS-SVM方法进行中文语篇的情感分类，分类效果较好。
结合FSVM和LS-SVM的优点，笔者课题组尝试性地将模糊隶属度引入LS-SVM中。为了说明方法的可行性和优越性，笔者课题组先将FLS-SVM方法应用于英文文本的分类，取得了较为理想的分类效果。在此基础之上，将FLS-SVM方法应用于复杂的中文文本的情感分类，取得了比较满意的分类效果。
展开
