觀點(diǎn)挖掘中評(píng)價(jià)對(duì)象抽取方法的研究.pdf

1、觀點(diǎn)挖掘，又稱情感分析，是指通過(guò)自動(dòng)分析用戶評(píng)論的文本內(nèi)容，得到用戶對(duì)產(chǎn)品、服務(wù)、人物、事件和話題等的情感、態(tài)度和觀點(diǎn)等，具有重要的理論價(jià)值和應(yīng)用價(jià)值。觀點(diǎn)挖掘分為粗粒度和細(xì)粒度兩種，雖然粗粒度觀點(diǎn)挖掘已經(jīng)比較成熟，但是細(xì)粒度觀點(diǎn)挖掘仍然存在很多問(wèn)題。
　　評(píng)價(jià)對(duì)象抽取是細(xì)粒度觀點(diǎn)挖掘中一個(gè)重要的子任務(wù)，目的是從觀點(diǎn)文本中抽取細(xì)粒度的評(píng)價(jià)對(duì)象，例如產(chǎn)品本身及其組成部分、屬性和特征等。目前，評(píng)價(jià)對(duì)象抽取方法主要分為兩類:有監(jiān)督的和無(wú)

2、監(jiān)督的。前者主要基于隱馬爾科夫模型和條件隨機(jī)場(chǎng)，后者主要基于主題模型和句法規(guī)則。近年來(lái)，有研究表明基于無(wú)監(jiān)督的句法規(guī)則的方法表現(xiàn)出很好的性能，但同時(shí)面臨一些挑戰(zhàn)。第一個(gè)挑戰(zhàn)是如何快速實(shí)現(xiàn)評(píng)價(jià)對(duì)象抽取規(guī)則。第二個(gè)挑戰(zhàn)是如何從質(zhì)量參差不齊的評(píng)價(jià)對(duì)象抽取規(guī)則中自動(dòng)選擇高質(zhì)量的規(guī)則。第三個(gè)挑戰(zhàn)是如何利用大量無(wú)標(biāo)注的評(píng)論文本幫助評(píng)價(jià)對(duì)象抽取。針對(duì)這些挑戰(zhàn)，本文提出以下解決方案。據(jù)我們所知，這些解決方案都是本文首次提出。
　　(1)提出一種基

3、于邏輯編程的評(píng)價(jià)對(duì)象抽取框架，以快速實(shí)現(xiàn)評(píng)價(jià)對(duì)象抽取規(guī)則。本文采用的邏輯編程語(yǔ)言是回答集編程語(yǔ)言(ASP)。首先將評(píng)論句子中單詞的詞性和句法依存關(guān)系等信息表示成ASP事實(shí)。然后將已知的評(píng)價(jià)對(duì)象抽取規(guī)則轉(zhuǎn)化成ASP規(guī)則。最后利用現(xiàn)有的ASP回答集求解器自動(dòng)實(shí)現(xiàn)規(guī)則。實(shí)驗(yàn)結(jié)果表明，該方法不僅高效而且簡(jiǎn)潔。
　　(2)提出兩種自動(dòng)選擇規(guī)則的方法，以從質(zhì)量參差不齊的評(píng)價(jià)對(duì)象抽取規(guī)則中自動(dòng)選擇高質(zhì)量的規(guī)則用于評(píng)價(jià)對(duì)象抽取。第一種基于貪心算法

4、，第二種基于局部搜索算法（模擬退火算法）。實(shí)驗(yàn)結(jié)果表明，兩種方法都能夠有效地從質(zhì)量參差不齊的初始規(guī)則集中選擇高質(zhì)量的規(guī)則子集，從而獲得比初始規(guī)則集更好的抽取結(jié)果。
　　(3)提出一種基于語(yǔ)義相似性和相關(guān)性的評(píng)價(jià)對(duì)象推薦方法，以利用大量無(wú)標(biāo)注的評(píng)論文本幫助評(píng)價(jià)對(duì)象抽取。首先利用互聯(lián)網(wǎng)上大量無(wú)標(biāo)注的評(píng)論文本學(xué)習(xí)詞匯間的語(yǔ)義相似性和相關(guān)性知識(shí)。然后利用這些知識(shí)和少量種子評(píng)價(jià)對(duì)象向新的領(lǐng)域推薦評(píng)價(jià)對(duì)象。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效利用從其