极性判断

极性判断（精选三篇）

极性判断 篇1

共价键的极性以及分子极性等概念很抽象, 电子云、电荷空间分布等都很不好理解, 学生有“雾里看花”的感觉.本文就键的极性和分子极性问题做如下探究.

一、以非极性键结合形成的分子

“以非极性键结合形成的分子都是非极性分子”.这在中学阶段是一道常见的判断题, 是否正确该如何判断呢?这是一个很好的探究性学习问题.

我们知道共价键的极性是由共用电子对是否偏移来决定的.共用电子对若不偏向任何一个原子, 就为非极性键, 否则为极性键.而分子的极性是由整个分子电荷空间分布决定的.空间结构对称, 电荷分布均匀, 正、负电荷重心重合, 是非极性分子, 反之是极性分子.对于双原子分子, 如果两个原子相同, 形成非极性键, 而整个分子电荷分布均匀、对称, 是非极性分子;如H2、Cl2、N2等.如果两个原子不同, 即异核双原子分子, 则是极性分子, 如HCl、HBr、CO、NO等.

由非极性键结合的多原子分子, 是否有极性, 仍然决定于分子中电荷空间分布, 如P4, 是四面体结构, 电荷分布均匀、对称是非极性分子.而O3分子构型是角形, 由于电子云空间分布不均匀, 而为极性分子.

由此可见, 对于双原子分子, 键的极性与分子的极性一致, 对于多原子分子, 分子是否有极性, 必然决定于空间结构.所以我们只能说“由非极性键结合的同核双原子分子是非极性分子”, 而不能笼统的说“由非极性键结合的分子都是非极性分子”.

二、用分子中正、负电荷重心是否重合判断分子的极性

分子是否有极性取决于分子中正, 负电荷重心是否重合.下面介绍一种简单的判断分子极性的经验规则.先标出各原子的化合价, 将正化合价原子作为一个正电荷中心, 负化合价原子作为一个负电荷中心, 分别找出正, 负电荷重心, 观察是否重合, 如果重合则可判断分子为非极性分子, 否则为极性分子.

例1 判断CO2分子的极性.

解析:$\stackrel{-2}{{\displaystyle \text{Ο}}}$$\stackrel{+4}{{\displaystyle \text{C}}}$$\stackrel{-2}{{\displaystyle \text{Ο}}}.$在CO2分子空间几何构型中, 两个$\stackrel{-2}{{\displaystyle \text{Ο}}}$原子为两个负电荷中心, 其负电荷重心在$\stackrel{+4}{{\displaystyle \text{C}}}$上, 而$\stackrel{+4}{{\displaystyle \text{C}}}$原子刚好为正电荷重心, 所以CO2分子为非极性分子.同样可以判断CS2、C2H2等其它直线型分子.

例2 判断H2O分子的极性.

解析:OH2O为折线型, 分子中正电荷重心在两个氢原子连线的中点, 与负电荷重心$\stackrel{-2}{{\displaystyle \text{Ο}}}$原子不重合.故H2O为极性分子.同样可判断H2S, OF2等角型分子.

例3 判断NH3分子的极性.

解析:N正电荷重心处于三个H原子构成的正三角形的重心, 而负电荷重心为$\stackrel{-3}{{\displaystyle \text{Ν}}}‚$所以NH3为极性分子.

例4 判断H2O2分子的极性.

解析;负电荷重心在两个O原子中心, 而正电荷重心在两个$\stackrel{+1}{{\displaystyle \text{Η}}}$原子连线的中点, 位于二面角中央, 正, 负电荷重心不重合, H2O2分子为极性分子.

三、用元素最高正价与元素在分子中化合价数绝对值的相对大小判断分子的极性

第一种方法:应注意①同元素原子组成的单原子、双原子和大多数多原子的单质分子如 (Ne、N2、P4等) , 属于非极性分子;②不同元素原子组成的双原子分子, 一般是极性分子;③其他以极性键结合的多原子分子, 若是正几何构型 (直线型, 正三角型、正四面体型等) , 则是非极性分子;若为其它几何构型, 则为极性分子.

第二种方法:分子的极性主要是对共价化合物而言, 常见的共价分子只有以下六种类型:①A2型 (如N2、O2、F2、H2、Cl2等) ;②AB型 (如HF、HCl, HBr、HI、CO、NO等) ;③AB2型 (如H2O、H2S、CO2、CS2等) :④AB3型 (如BF3、NH3、SO3、PCI3等) ;⑤AB4型 (如CH4, CCl4等) ;⑥AB5型 (如PCl5、PF5等) .

首先找出A元素的最高正价标为a, 然后标出分子中A元素化合价的价数的绝对值b, 若a=b, 分子为非极性分子;若a≠b, 分子为极性分子.例如:CO2中C元素的最高正价为a=+4, 而在CO2中C元素的化合价数b=+4, 则a=b, 故为非极性分子.再如:PCl3分子中P元素的化合价为b=+3, 而P元素的最高正价a=+5, 则a≠b, 分子为极性分子.

以上几个方面可以结合起来理解, 运用, 以期达到最佳效果.

四、例题精选

1. (上海高考题) 下列关于天然气, 水中两种分子极性的描述正确的是 ( )

(A) 两种都是极性分子

(B) 两种都是非极性分子

(C) CH4是极性分子

(D) H2O是极性分子, CH4是非极性分子

2.下列物质中, 难溶于CCl4的是 ( )

(A) 碘单质 (B) 水

(C) 苯 (非极性分子) (D) 甲烷

3.下列叙述正确的是 ( )

(A) 以非极性键结合起来的分子一般是非极性分子 (O3除外)

(B) 以极性键结合起来的分子一定是极性分子

(C) 非极性键只存在于双原子单质分子里

(D) 非极性分子中, 一定含有非极性共价键

4.下列物质中, 既含有极性键, 又含有非极性键的非极性分子是 ( )

(A) CS2 (B) CH4

(C) H2O2 (电子式为$\text{Η}{}_{\cdot }^{\cdot }\underset{\cdot \cdot }{\overset{\cdot \cdot }{{\displaystyle \text{Ο}}}}{}_{\cdot }^{\cdot }\underset{\cdot \cdot }{\overset{\cdot \cdot }{{\displaystyle \text{Ο}}}}{}_{\cdot }^{\cdot }\text{Η}$, 四个原子不在同一直线上)

(D) C2H2 (电子式为H··C︙︙C··H, 四个原子在同一直线上) .

5.已知三氟化硼 (BF3) 是共价化合物, 分子中的四个原子在同一平面上, 则BF3的电子式是_____, 分子中的键角都是_____;又知PF3也是共价化合物, 跟BF3不同的是, BF3是非极性分子而PF3是极性分子, 由此推断PF3的电子式表示为______, 分子中键角比BF3分子中的键角 (填“大”, “小”或“相等”) .

$\begin{array}{l}\text{答}\text{案}:1.(\text{D})2.(\text{B})3.(\text{A})4.(\text{D})\\ 5.{}_{\cdot }^{\cdot }\underset{\cdot \cdot }{\overset{\cdot \cdot }{{\displaystyle \text{F}}}}{}_{\cdot }^{\cdot }\underset{{}_{\cdot }^{\cdot }\underset{\cdot \cdot }{\overset{\cdot \cdot }{{\displaystyle \text{F}}}}{}_{\cdot }^{\cdot }}{{\displaystyle \text{B}}}{}_{\cdot }^{\cdot }\underset{\cdot \cdot }{\overset{\cdot \cdot }{{\displaystyle \text{F}}}}{}_{\cdot }^{\cdot }120°\\ {}_{\cdot }^{\cdot }\underset{\cdot \cdot }{\overset{\cdot \cdot }{{\displaystyle \text{F}}}}{}_{\cdot }^{\cdot }\underset{{}_{\cdot }^{\cdot }\underset{\cdot \cdot }{\overset{\cdot \cdot }{{\displaystyle \text{F}}}}{}_{\cdot }^{\cdot }}{{\displaystyle \text{Ρ}}}{}_{\cdot }^{\cdot }\underset{\cdot \cdot }{\overset{\cdot \cdot }{{\displaystyle \text{F}}}}{}_{\cdot }^{\cdot }\text{小}.\end{array}$

分子有无极性的判断方法和技巧 篇2

《2012年江苏高考考试说明》指出：“了解键的极性和分子的极性”，对这一考查要求可理解为：“对键的极性和分子的极性有初步认识，能够正确复述、再现、辨认或直接使用”。对于分子有无极性的判断，大多数同学感觉内容抽象，较难理解，在判断时常常出现错误。贵刊2011年8期(总第292期)余凤蓉等老师在“用‘几何重心’判断分子有无极性”一文中指出了中学化学教学中在判断分子有无极性时存在的三大问题，说明了几何中心和几何重心的含义，提出并举例说明了用几何重心分析判断分子有无极性的方法。文章分析详细，理论性强，举例恰当，学生掌握此方法较为容易，但这种方法有一定的局限性，而且方法单一，不利于学生知识能力的综合运用，因此分子有无极性的判断是中学化学教学的难点。在判断分子有无极性的教学中，学生缺乏空间想象能力和化学抽象思维能力，不能领会和灵活运用判断分子有无极性的方法。只能死记硬背某些分子有无极性，不能举一反三和融会贯通。那么，如何准确、迅速地确定分子有无极性呢?作者结合收集的资料和长期从事高中化学教学的实践经验，通过分析整理，消化归纳，总结出快速判断分子有无极f生的三种方法，供同行教学时参考。

极性判断 篇3

随着web2.0的盛行,人们喜欢在网上购物,也喜欢对商品进行评价。这些评价除了可以给商家厂家提供改进的意见外,还可以给其他购买者提供不小的指导性意见。比如一台笔记本的评价为:

在这些评价中屏幕的“宽”,键盘的“舒服”等都是直接给予我们信息的词,我们常常把它们叫做情感词。

2. 情感词及情感词典

在评论性文章里,情感词常常表达了作者的某种情感倾向[1]。情感词的获取是褒贬分析的基础。情感词的获取对文章褒贬的极性判别有着重大的意义。在情感词中,大体分为褒义、贬义和中性三类。其中褒义表示对产品正面的评价,比如:“这个型号的笔记本运行速度快”等。贬义表示对产品负面的评价,比如:“这个产品有危险”。中性词一般不能表达出评论者的倾向,比如:“我今天买了新手机”。

我们需要通过有限的褒贬种子词典和语料资源构建起褒义词词典与贬义词词典,词典中有情感词、词性、褒贬性等元素。其中褒贬性为“1”表示这个词是褒义词,褒贬性为“-1”为贬义词,褒贬性为“0”为中性词[1]。实验显示,部分情感词极性相同但是它们之间有数量上的区别,因此比较合理的方法是采用-1至1的实数表示。正的数字范围表示褒义词,负的实数范围表示贬义词,中性词仍然用0表示。

3. 情感词的获取及判断

在众多的情感词获取的方法中,目前有:方法一:以How Net[2]情感分析用词表作为基本辞典[3],人工整理带有褒贬性标注信息的句子后对词典中的情感词作频率统计,以此为依据标识词语的极性的褒贬。方法二:从How Net中挑选出情感词构建种子情感词典,找出与词典中的词在同一个句子中共同出现的情感词,计算这个候选情感词和种子情感词之间的S0-PMI(semantic orientation-pointwise mutualinformation)来判断极性[4]。方法三:找出语料中包含种子情感词和候选情感词的并列型复句和转折型复句,统计候选情感词与任意种子情感词共现频数等参数后判定,加入种子词典[5]。

在获取情感词的任务中,选择了基于种子词典加统计的方式和基于机器学习的方式进行了实验,并比较它们之间的优劣。

3.1 基于种子词典加统计的方式

该算法思路是以种子词典为基础,确定候选词,并根据统计模型计算候选词的置信度,将置信度大于阈值的候选词加到扩展词典中[5]。极性的判断依赖种子词在上下文(context)语境中的语义信息和位置信息。

(1)种子词典的选择

利用How Net提供的“中英文情感分析用词语集”中的中文正面情感词、负面情感词、正面评价词、负面评价词四个文件挑选出情感词构成种子情感词库。

(2)语料准备

从互联网中使用爬虫抓取“手机、笔记本、数码相机、汽车”等多个领域带有倾向性的产品评论,去除无关信息和代码后作为语料。

(3)候选情感词获取

首先对语料进行分句、分词,得到包含种子情感词的句子。对于包含标点符号的句子,根据每个子句的长度来识别它属于单句还是复句。这是一种比较粗略的划分,但在没有对句子进行较为精确地句法分析时,这也是一个比较简单和有效地策略。

接着对复句需要确定复句关系。我们将复句关系归为两大类:并列关系和转折关系。我们根据出现在子句开头的复句关系词来判断复句关系。对于不含复句关系词的复句,无法借助句法深层的结构关系和语义关系来精准地确定复句关系,可以根据经验粗略地将其均归为并列复句。

我们在选择候选情感词时,需要基于如下的判断:

(1)情感词的词性可能为形容词和动词;

(2)情感词在句子中会并列出现或对称出现。比如:

A这台笔记本漂亮、大方、便宜。这是并列出现。

B这台笔记本外观很漂亮,散热也很优秀。这是对称出现。

(3)单句中“和”、“但”这类连词和复句关系词会延续或改变邻接情感词极性。比如:

这台笔记本外观很漂亮,但散热很糟糕。已知“漂亮”是褒义词,所以可以判断“糟糕”是个贬义词。

通过这些原则我们可以选出候选情感词,将种子词典记为D,其中的情感词记为x,候选情感词记为r,进行如下统计:

统计语料中出现r的句子数,以句子为单位计数,计算出r出现的频数Cr。出现该情感词的句子数越多,频数越大。统计语料中出现x的句子数,以句子为单位计数,计算出频数CD。

统计r与D中任意情感词x共现的句子数,以句子为单位计数,得到Cr,D。通常当一个词r与x共现的时候,在并列句子中,词r的褒贬性与x褒贬性相同,在转折结构中,词r的褒贬性与x的褒贬性相反。分别计算出词r与褒义词的共现次数和与贬义词的共现次数。

基于小规模的实验得到阈值的设置:频数大于30,与褒义词共现次数大于10,与贬义词共现次数大于10。将高于阈值的词归为情感词扩充词典。最后通过候选情感词和种子情感词共现次数计算得到该词的褒贬性。在基于点间互信息SO-PMI中,一个候选情感词r的褒贬性是通过它和一组褒义词汇Pwords的点间互信息减去一组贬义词汇Nwords的点间互信息计算得到,公式[1]为:

两个词w1和w2的同时出现的概率PMI[1]计算公式为:

通过公式(1)和公式(2)计算得到的SO-PMI(r),当值为正时该词为褒义词,当为值为负时该词为贬义词。

上述方法可以多次滚雪球式进行,即在得到扩展词典后将扩展词典与种子词典合并,得到一个较大规模的种子字典,并重新开始抽取流程,得到一个新的扩展词典。如此往复,直到扩展词典不再增加。

3.2 基于机器学习的方式[6]

该算法思路是,首先标注一部分语料,并以此为训练集,让计算机自动地学习,并将学习到的知识运用于测试集。

机器学习模型选用CRF[7]。条件随机场(Conditional Random Fields,CRFs)是一种新的概率图模型,它具有表达元素长距离依赖性和交叠性特征的能力,能方便地在模型中包含领域知识,且较好地解决了标注偏置问题等优点。

CRF模型在中文分词、命名实体识别等自然语言处理领域都取得了很好的表现,本文使用广泛使用的CRF++开源工具,目前最新版本为0.53。CRF++用C++编写,包括Linux环境下的源代码和Windows下的可执行程序。

步骤如下:

(1)构造训练文件

训练文件的格式为每行包含一个token,每个token包含多个列,各列之间用空格或制表格间隔。最后一列为分类结果,其余各列则为特征向量,特征向量可根据具体的任务确定。

选取的特征能否有效地指导分类关系到识别效果的好坏。本文选取词、词性作为特征向量。

分类结果选用二值分类,Y代表褒贬词,N代表非褒贬词;也可以与褒贬词极性判断同步完成,C代表褒义词,D代表贬义词,N代表非褒贬词。在训练文件中,分类结果我们使用How Net的褒贬词典让程序自动进行粗标注,再由人工完成校对。

训练文件的样例如下:

联想nzN

电脑nN

安静adjC

,w N

外观nN

也c N

很adv N

漂亮adjC

。w N

(2)特征模板选取

使用CRF++必须自己确定特征模板,专门的宏%x[row,col]用于确定输入数据中的一个token。row用于确定与当前的token的相对行数。col用于确定绝对行数。如已知下面的输入数据:

联想nzN

电脑nN

很adv N<<当前的token

安静adjC

,w N

外观nN

也c N

很adv N

漂亮adjC

。w N

特征模板形式为:

%x[0,0]=很

%x[0,1]=adv

%x[-1,0]=电脑

%x[-2,1]=nz

%x[0,0]/%x[0,1]=很/adv

ABC%x[0,1]123=ABC很123

模板类型Unigram template:第一个字符是U,这是用于描述unigram feature的模板。对给出一个模板如:U01:%x[0,1],CRF会自动的生成一个特征函数集合(func1...func N)。下面是我们在实验中使用的模板:

(3)训练

使用crf_learn命令,格式如下:

其中,train_file为a步骤准备的训练文件,template_file为b节准备的模板文件,model_file为CRF++训练后生成的结果文件。

有两个主要的参数可以调整训练条件:

-c float:设置CRF的hyper-parameter。这个参数将会调节overfitting和underfitting之间的平衡。

-f NUM:设置特征的cut-off阈值。CRF++训练时只使用出现次数不少于NUM的特征进行训练。默认值为1。当使用CRF++训练大规模数据时,单一特征的数量过大时修改这个参数可以缩短训练时间。

本文实验中,上述参数均使用系统默认值。训练过程根据训练文件的大小和模板文件的复杂程度需要持续几小时到几天,训练中系统会输出迭代信息如下:

(4)测试

将待识别文本也标注成类似训练文件的格式,但无需给出最后一列(分类结果)。测试文本和训练文本的特征列数与每一列的特征含义需一致。

使用crf_test命令,格式如下:

其中,model_file为训练过程生成的模型文件,test_file为测试文件,result_files结果文件。结果文件格式和训练文件一样。

4. 结论

经过小规模的测试,上述两种方法各有利弊。方法1容易实现,具有较高的效率,但是由于统计方法过于简单,没有充分考虑上下文信息的条件概率和语言序列的转移概率对其的影响。方法2在制作训练文件时需要较多的人工投入,训练的过程耗时校对,但识别效果优于方法1。

参考文献

[1]娄德成,姚天昉.汉语句子语义极性分析和观点抽取方法的研究[J].计算机应用,2006,26(11):2622-2625.

[2]HowNet词典:http://www.keenage.com.

[3]王克,张春良,朱慕华等.基于情感词词典的中文文本客观分析.见:赵军.第一届中文倾向性分析评测.北京:中国中文信息学会信息检索专业委员会,2008:56-62.

[4]张猛,彭一凡,樊扬等.中文倾向性分析的研究.见:赵军.第一届中文倾向性分析评测.北京:中国中文信息学会信息检索专业委员会,2008:38-45.

[5]乔春庚,孙丽华,吴韶等.基于模式的中文倾向性分析研究.见:赵军.第一届中文倾向性分析评测.北京:中国中文信息学会信息检索专业委员会,2008:21-31.

[6]B.Pang,L.Lee.A Sentimental Education:Sentiment Analysis Using Subjectivity Summarization Based on Minimum Cuts.In Proceedings of ACL,2004:271-278.