評論文本情感傾向性分析技術(shù)研究.pdf

1、用戶在互聯(lián)網(wǎng)上的行為從過去的只是“接收”信息，變成了現(xiàn)在的參與“創(chuàng)造”信息，即人們可以發(fā)表自己對商品、商家、服務(wù)等的評論。越來越多的消費(fèi)者開始選擇在購買前先了解該產(chǎn)品或服務(wù)的口碑，從而做出更明智的決策。這些評論信息同樣作為一種反饋信息可以幫助生產(chǎn)者了解其產(chǎn)品的優(yōu)勢和不足，從而更好的改進(jìn)商品和服務(wù)，進(jìn)而獲得競爭優(yōu)勢。
　　本文在國內(nèi)外研究的基礎(chǔ)上，運(yùn)用自然語言處理、機(jī)器學(xué)習(xí)等方面的理論和方法，對中文評論文本進(jìn)行了細(xì)粒度的情感傾向性分

2、析。本文研究的出發(fā)點(diǎn)是盡量減少人工標(biāo)注工作，主要內(nèi)容包括評價(jià)詞和評價(jià)對象的抽取、評價(jià)單元的抽取和情感計(jì)算三個部分。
　　(1)評價(jià)詞和評價(jià)對象的抽取部分，為了減少人工標(biāo)注的工作量，本文采用了無監(jiān)督方法和有監(jiān)督方法相結(jié)合的方法，以無監(jiān)督方法的結(jié)果作為有監(jiān)督方法的輸入來聯(lián)合提取信息。本文的無監(jiān)督方法采用的Apriori算法，將提取的頻繁項(xiàng)經(jīng)過剪枝處理后，作為條件隨機(jī)場模型(CRFs)的種子詞，結(jié)合特征模板進(jìn)行迭代提取最終的評價(jià)信息。在

3、評價(jià)詞提取時，種子詞還包括情感詞匯本體庫中的詞。最終得到的評價(jià)對象和評價(jià)詞抽取的F1值分別為69.33％，60.13％,和有監(jiān)督方法相比，這種方法不需要人工標(biāo)注工作，并且具有一定的跨領(lǐng)域性。
　　(2)評價(jià)單元的抽取是在前面提取出的評價(jià)對象詞集和評價(jià)詞詞集的基礎(chǔ)上，采用固定評價(jià)詞，以評價(jià)對象為鏈的線性鏈?zhǔn)紺RFs模型，結(jié)合特征模板（詞、詞性、位置特征和修飾詞特征）進(jìn)行抽取。最后將評論文本表示為若干個評價(jià)五元組（<評價(jià)對象，評價(jià)詞，

4、否定重?cái)?shù)，是否含有程度副詞，文本句型>）的形式。
　　(3)文本情感極值是通過計(jì)算每個評價(jià)單元的極值進(jìn)而求出整個評論文本的極值的方法得到的?？紤]到有些中性詞在不同的上下文中會表現(xiàn)出不同的情感極性的問題，在進(jìn)行情感計(jì)算時，將評價(jià)對象分為4類、評價(jià)詞分為5類，結(jié)合句型、否定詞、程度詞對情感分析的影響，給出了不同類別的評價(jià)詞與不同類別評價(jià)對象結(jié)合時的極值計(jì)算公式。最終本文提出的文本情感計(jì)算方法取得的F1值為73.20％，并且實(shí)驗(yàn)驗(yàn)證了本