技術(shù)特征：
1.一種基于集成學(xué)習(xí)的觀點挖掘方法，用于統(tǒng)籌分析每個分類器對不同分析領(lǐng)域進行預(yù)測時的不同預(yù)測結(jié)果，提升觀點分析的效果，其特征在于，包括如下步驟：樣本獲取步驟，將已標(biāo)注樣本分為互不相交的大小不相等的第一集合T1和第二集合T2；元分類器訓(xùn)練步驟，在所述第一集合T1上分別訓(xùn)練多個概念分類器，得到多個元分類器；元分類器選取步驟，根據(jù)所述元分類器的準(zhǔn)確度與分類結(jié)果的多樣性，選取一組元分類器作為元分類器組；樣本預(yù)測步驟，利用所述元分類器組對所述第二集合T2中的已標(biāo)注樣本進行預(yù)測，生成的預(yù)測結(jié)果與已標(biāo)注樣本的已有標(biāo)簽相整合，得到新的已標(biāo)注樣本；集成分類器訓(xùn)練步驟，使用所述新的已標(biāo)注樣本確定集成分類模型的參數(shù)，得到集成分類器；觀點挖掘步驟，對于一個觀點挖掘?qū)嵗?，通過所述元分類器組對所述觀點挖掘?qū)嵗M行預(yù)測，得到多個預(yù)測結(jié)果，將所述多個預(yù)測結(jié)果合并后作為所述集成分類器的輸入，由所述集成分類器進行預(yù)測產(chǎn)生最終的觀點挖掘結(jié)果；選取所述元分類器組的要求如下式表示：式中，D表示元分類器的集合，Ci表示一個元分類器，A(Ci)表示元分類器Ci的準(zhǔn)確度，κ(Ci,Cj)為元分類器Ci和Cj間分類結(jié)果的FleissKappa值，λ為調(diào)整準(zhǔn)確度與多樣性的權(quán)重，λ為0到1間的實數(shù)；樣本獲取步驟中的所述已標(biāo)注樣本為根據(jù)特征類型與特征加權(quán)法經(jīng)向量化處理的樣本。2.如權(quán)利要求1所述的基于集成學(xué)習(xí)的觀點挖掘方法，其特征在于，所述第一集合T1中的已標(biāo)注樣本數(shù)量大于所述第二集合T2中的已標(biāo)注樣本數(shù)量。3.如權(quán)利要求1所述的基于集成學(xué)習(xí)的觀點挖掘方法，其特征在于，進一步包括：樣本獲取步驟中通過k折交叉驗證方法生成多個不同的已標(biāo)注樣本。4.如權(quán)利要求1所述的基于集成學(xué)習(xí)的觀點挖掘方法，其特征在于，進一步包括：所述元分類器組中至少包括三個元分類器。5.如權(quán)利要求1所述的基于集成學(xué)習(xí)的觀點挖掘方法，其特征在于，所述元分類器選取步驟中，根據(jù)設(shè)定的特征類型、特征函數(shù)以及分類方法自動選擇元分類器組進行觀點預(yù)測。6.如權(quán)利要求1所述的基于集成學(xué)習(xí)的觀點挖掘方法，其特征在于，進一步包括：在所述元分類器選取步驟中，通過貪心方法選擇元分類器作為所述元分類器組。