我的工程实践题目是基于情感词典的文本情感分析，下面是以我的工程实践为例，业务领域建模
♦ 1) Collect application domain information
– focus on the functional requirements – also consider other requirements and documents
1）收集应用领域信息
–关注功能要求–还考虑其他需求和文件
为了挖掘商品评论中有价值的信息， 有效分析用户对商品的直接反馈， 文章基于通用的情感词典， 以国内某电商平台上的商品评论为研究对象， 根据词频共现方法拓展情感词典， 基于构建的情感词典对评论进行情感极性分析。根据分析结果， 不仅能够帮助商家优化商品属性， 更好地满足消费者的需求， 还可以指导用户制定合理的购买决策。
♦ 2) Brainstorming
– listing important application domain concepts – listing their properties/attributes – listing their relationships to each other
♦2）头脑风暴
–列出重要的应用程序域概念–列出它们的属性/属性–列出它们之间的关系
a) 获取数据集。本项目所针对的目标是京东电子商品评论，获取数据集的主要方式有通过网络爬虫技术进行获取、下载公开的数据集或者利用开源的API进行获取。
b) 对原始数据进行预处理。主要的工作是对原始数据进行去除重复值、缺失值处理、分词、去除停用词。为了后序情感分析的处理将文本进行向量化。
c) 构建领域情感词典。
第一步: 以 How Net 2007 版情感词典提供的正面情感词、负面情感词、正面评价词、负面评价词等为基础拓展词典;
第二步: 通过经验和对数据集的观察， 人工采集规则， 其中主要的几种规则有: “名词+形容词”及“名词+副词+形容词”、“动名词+形容词”及“动词+名词”等;
第三步: 对语料集进行分句处理， 即以“。”“! ”“?”等对评论文本进行切分;
第四步: 利用分词系统对评论文本进行分词和词性标注， 依据收集到的规则找出新的情感词;
第五步: 根据两个词的共现程度 PMI ［10］ 判断情感词的情感倾向， 当两个词与基准情感词的 PMI 差值大于某一阈值， 则较大的一方的情感极性为新词的情感极性。
d) 构建情感词典。将新词录入基础情感词典中 。
e) 情感分析。主要的内容是利用文本分词与领域情感词典的匹配情况，按照特定的匹配规则得到文本的情感值，并且运用LDA模型提取出情感词所对应的主题（特征），得到文本的情感词-情感值-主题词序对
♦ 3) Classifying the domain concepts into:
– classes – attributes / attribute values – relationships
• association, inheritance, aggregation
♦3）将领域概念分为：
–类–属性/属性值–关系
•关联，继承，聚合
获取数据集：商品评论:爬虫抓取商品评论（）利用公开API获取（）下载公开数据集（）
处理数据集：商品评论:情感词：过滤并提取情感词（）特殊词转化（根据否定词转反义词）（）word2vec（）
构建情感词典：基本情感词典:同义词词林:否定词，连词，疑问词，程度副词词典:构造领域情感词典（）动态扩充词典（）基于基本情感词典扩充（）分析结合一词多义，同义词词林扩充（）结合否定词，连词，疑问词，程度副词词典扩充（）
构建领域词典：商品评论:基本情感词典:情感词：机器学习方法（）hownet（）TF-IDF（）点互信息，词间距，上下文约束、词频共现（）
情感分析：情感词典:商品评论：细化补充语义规则（）基于计算情感词权值的方法（）基于情感词典的机器学习方法（）
♦ 4) Document result using UML class diagram：
♦4）使用UML类图记录结果：
