第３４卷第１０期 ２０１７年１０月 计算机应用研究 Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ Ｖｏ１．３４ Ｎｏ．１０ ０ｃｔ．２０１７ 基于汉语组块产品特征一观点对提取与情感分析研究水 刘臣，韩林 ，李丹丹，安咏雪，霍良安 （上海理工大学管理学院，上海２０００９３） 摘要：针对用户评论中产品特征一观点对的提取及情感分析问题进行了研究。为了提高提取及分析的准确 性，利用组块分析提取产品特征，从中寻找到频繁项集，并用逐点互信息量（ＰＭＩ）对候选产品特征进行过滤，得 到产品的特征集合；利用特征与情感词在位置上的邻近关系，提取情感词并组成特征一观点对，通过点互信息方 法（ＳＯ．ＰＭＩ）进行情感倾向分析。为验证该方法的有效性，以酒店评论文本为例，从中提取酒店的特征一观点对 并进行情感分析，准确率为７６．６８％，召回率为７０．８４％。实验结果表明，引入组块分析可以有效地解决商品评 论的细粒度情感分类问题。 关键词：情感分析；汉语组块分析；特征一观点对提取；点互信息方法 中图分类号：ＴＰ３９１ 文献标志码：Ａ 文章编号：１００１—３６９５（２０１７）１０—２９４２—０４ ｄｏｉ：１０。３９６９／ｊ，ｉｓｓｎ．１００１—３６９５．２０１７．１０．０１４ Ｒｅｓｅａｒｃｈ ｏｆ ｐｒｏｄｕｃｔ ｆｅａｔｕｒｅ—ｏｐｉｎｉｏｎ ｅｘｔｒａｃｔｉｏｎ ａｎｄ ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ ｂａｓｅｄ ｏｎ Ｃｈｉｎｅｓｅ ｃｈｕｎｋ ｐａｒｓｉｎｇ Ｌｉｕ Ｃｈｅｎ，Ｈａｎ Ｌｉｎ ，Ｌｉ Ｄａｎｄａｎ，Ａｎ Ｙｏｎｇｘｕｅ，Ｈｕｏ Ｌｉａｎｇ’ａｎ （Ｂｕｓｉｎｅｓｓ Ｓｃｈｏｏｌ，Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｈａｎｇｈａｉ ｆｏｒ Ｓｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ ２０００９３，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇ ａｔ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｐｒｏｄｕｃｔ ｆｅａｔｕｒｅ—ｏｐｉｎｉｏｎ ｅｘｔｒａｃｔｉｏｎ ａｎｄ ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ，ｔｈｉｓ ｐａｐｅｒ ｕｓｅｄ Ｃｈｉｎｅｓｅ ｃｈｕｎｋ ｐａｒｓｉｎｇ ｔｏ ｅｘｔｒａｃｔ ｔｈｅ ｆｅａｔｕｒｅ，ａｎｄ ｇｅｎｅｒａｔｅｄ ｆｒｅｑｕｅｎｔ ｓｅｔｓ．Ｔｈｅｎ ｉｔ ｆｉｌｔｅｒｅｄ ｔｈｅ ｃａｎｄｉｄａｔｅ ｐｒｏｄｕｃｔ ｆｅａｔｕｒｅｓ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｒｕｌｅｓ ｏｆ ｔｈｅ ｍｉｎｉｍｍｎ ｓｕｐｐｏｒｔ，ｆｒｅｑｕｅｎｔ ｎｏｕｎｓ ａｎｄ ＰＭＩ．Ａｎｄ ｔｈｅｎ ｉｔ ｕｓｅｄ ｔｈｅ ａｄｊａｃｅｎｃｙ ｒｅｌａｔｉｏｎｓ ｉｎ ｔｈｅ ｐｏｓｉｔｉｏｎ ｏｆ ｆｅａｔｕｒｅ ａｎｄ ｅｍｏ— ｔｉｏｎ ｗｏｒｄｓ ｔｏ ｅｘｔｒａｃｔ ｔｈｅ ｏｐｉｎｉｏｎ ｗｏｒｄｓ ａｎｄ ｇｅｎｅｒａｔｅｄ ｆｅａｔｕｒｅ—ｏｐｉｎｉｏｎ．Ａｔ ｌａｓｔ，ｉｔ ｕｓｅｄ ＳＯ—ＰＭＩ ｔｏ ａｎａｌｙｓｅ ｔｈｅ ｓｅｎｔｉｍｅｎｔ．Ｉｎ ｏｒ— ｄｅｒ ｔｏ ｖｅｒｉｆｙ ｔｈｅ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ｔｈｉｓ ｍｅｔｈｏｄ，ｉｔ ｕｓｅｄ ｔｈｅ ｈｏｔｅｌ ｒｅｖｉｅｗｓ，ｔｈｅ ｐｒｅｃｉｓｉｏｎ ｒａｔｅ ｒｅａｃｈｅｄ ７６．６８％，ｔｈｅ ｒｅｃａｌｌ ｒａｔｅ ｒｅａｃｈｅｄ ７０．８４％．Ｅｘｐｅｒｉｍｅｎｔ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｍｅｔｈｏｄ ｃａｎ ｓｏｌｖｅ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｔｈｅ ｆｉｎｅ—ｇｒａｉｎｅｄ ｅｍｏｔｉｏｎ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｒｏｍ Ｃｈｉｆｎｅｓｅ ｒｅｖｉｅｗｓ ｗｉｔｈ ｇｏｏｄ ｅｆｆｅｃｔｓ． Ｋｅｙ ｗｏｒｄｓ：ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ；Ｃｈｉｎｅｓｅ ｃｈｕｎｋ ｐａｒｓｉｎｇ；ｆｅａｔｕｒｅ—ｏｐｉｎｉｏｎ ｅｘｔｒａｃｔｉｏｎ；ＳＯ—ＰＭＩ ｍｅｔｈｏｄ 对比，这对于用户优化购买决策或者企业改进产品将起到重要 ０引言 随着Ｗｅｂ ２．０的快速发展，过去用户主要是网络信息的获 取者，现在则转变为网络信息的主要制造者，用户可以通过互 的作用。因此，判断产品某一特征的情感倾向是有必要的。 Ｋｉｍ等人…将评论分为主题（ｔｏｐｉｃ）、表达者（ｈｏｌｄｅｒ）、陈述 （ｃｌａｉｍ）和情感（ｓｅｎｔｉｍｅｎｔ）四个语义成分，即表达者针对主题 给出具有某种情感的陈述。这里所说的主题就是评论中的产 品特征。产品特征是隐藏在在线评论中描述产品性能的描述 联网来获取信息和表达观点。再加上电子商务的迅速崛起，互 联网上产生了大量的产品评论信息，这些评论信息不仅对产品 的性能进行了描述，还表达了用户对于产品的各种情感倾向， 如喜、怒、哀、乐和批评、赞扬等。因此，对产品评论中的情感倾 向进行分析逐渐成为当前的研究热点。通过对互联网上产品 性信息，以便用户快速了解产品的特点，如酒店的产品特征包 括房间、服务态度、装修、价格、设施等。Ｈｕ等人 利用关联规 则实现产品特征的提取，再提取产品特征所在句子中的形容词 作为情感词。Ｐｏｐｅｓｃｕ等人＿３ 改进了Ｈｕ等人的方法，用ＰＭＩ 算法过滤停用词，然后利用句法关系和特征词来抽取情感词， 采用松弛标记法（ｒｅｌａｘａｔｉｏｎ ｌａｂｅｌｉｎｇ）识别情感词的情感倾向。 李实等人 结合汉语中名词性短语的表达特点实现数码类 产品的特征提取与停用词过滤。ｌＪｉ等人 提出了一种加权的 多标签分类模型对在线新闻进行情感分析。伍星等人 利用 弱监督学习算法对数码相机提取产品特征。Ｋａｍａｌ等人 通 过对评论进行语言学和语义分析，设计出了相关规则以实现对 评论信息的挖掘与分析，用户可以清晰地了解其他消费者对某 产品的情感倾向分布，从而优化其购买决策；产品的生产商和 销售商也可以了解到顾客对其产品的评价信息，从而对产品进 行改进。不同的用户对产品不同特征的关注度是有差异的，一 条评论可能涉及到产品的多个特征。 从产品的评论信息中识别出产品特征，并判断用户对不同 特征的情感倾向，不仅可以使用户更加直观地了解消费者对产 品各种特征的情感倾向，而且可以对不同产品的相同特征进行 收稿日期：２０１６－０７—２５；修回日期：２０１６－０９－０６ 基金项目：国家自然科学基金资助项目（７１４０１１０７，７１３０３１５７） 作者简介：刘臣（１９８１一），男，河南南阳人，副教授，博士，主要研究方向为互联网用户行为、ｗｅｂ数据挖掘；韩林（１９９２．），男（通信作者），山东 烟台人，硕士研究生，主要研究方向为机器学习（ｈａｎｌｉｎｌ６１ｌ＠１６３．ｃｏｎ）；李丹丹（１９９１－），女，安徽阜阳人，硕士研究生，主要研究方向为复杂网络； 安咏雪（１９９１－），女，山东日照人，硕士研究生，主要研究方向为互联网用户行为；霍良安（１９８１一），男，陕西旬阳人，副教授，博士，主要研究方向为应 急管理、供应链管理． 第１０期 刘 臣，等：基于汉语组块产品特征一观点对提取与情感分析研究 １．２名词性信息提取 ．２９４３． 评论文章中产品特征一情感对的抽取。孙晓等人 提出了基 于条件随机场模型和支持向量机的层叠模型，抽取产品评论中 的产品特征和情感词。 经过汉语组块分析后，每一条产品评论都可以形成类似 “［ＮＰ房间］［ＶＰ很小］，［ＮＰ隔音效果］［ＶＰ非常差］。”的 现有的研究通常将单一的名词作为产品特征，将形容词作 汉语块序列。根据汉语组块分析的特点，可以描述产品特征的 为情感词，该方法虽然可以有效地提取产品评论的特征一观点 成分主要为名词组块，例如：［Ｎ｜Ｐ房间］和［ＮＰ隔音效果］。 对，但是产品有许多特征不仅仅是单独的名词，而是由名词组 基于以上的分析，本文主要对经过汉语组块分析的名词组 块组成的，如“服务意识”；单独的形容词也不能有效地表达用 块进行提取，将提取出的名词组块作为初始化集合，再通过提 户对产品特征的观点。本文提取产品评论中的名词组块作为 取初始化集合中的频繁项集作为候选特征集合，并进行停用词 产品特征，将动词组块作为观点词，该方法提高了特征提取和 过滤得到产品特征集合。 情感词提取的准确率。因此，本文引入汉语组块分析，利用汉 语组块分析识别名词成分，通过寻找频繁项集，利用ＰＭＩ．ＩＲ方 １．３频繁项集的产生及产品特征提取 法过滤停用词，实现评论文本中产品特征的抽取；利用特征与 本文从产品评论中挖掘的产品特征通常是用户经常关注 情感词在位置上的邻接关系，提取动词组块作为情感词，并且 的产品属性，也就是说“评价对象会在评论文本中重复出现”。 采用ＳＯ—ＰＭＩ方法来计算特征一观点的情感倾向。 因此，本文通过Ａｐｒｉｏｒｉ算法寻找构成频繁项集的产品特征是 合适的。本文结合支持度计数对初始化集合进行剪枝，从而提 １ 基于汉语组块的产品特征提取 取出频繁项集 本文使用的语料是评论文本，因此，项集 定义为经过汉 １．１汉语组块分析 语组块分析后得到的初始化集合；事务集合 定义为从网上下 组块分析是一种句法分析，其目的是为了将句子分析从语 载的酒店评论集合。其中每一条用户评论可以标记为ｔ （１≤ 法分析层面扩展到语义分析层面。汉语组块分析的流程主要 ｉ≤ｎ），因此Ｔ＝｛ｔ ，ｔ ，…，ｔ ｝。项集和支持度计数为Ａｐｒｉｏｒｉ算 为：首先将评论句子进行预处理，即分词、词性标注；再基于机 法的重要参数，支持度计数表示为 Ｊ 器学习的方法对汉语组块进行分析。组块分析实际上就是输 ６（ ）＝Ｉ｛ｔ ＩＸＣ＿ｔ ，ｔ ∈Ｔｔ Ｉ （２） 出一组汉语块序列，主要产生两部分信息：词界块，即将相同成 支持度是用来衡量频繁项集频繁程度的参数，因此可以使 分的词语序列划分在同一个块中，以及块成分标记（为每一个 用支持度来剪除频繁程度较低的项集。支持度可以表示为 汉语块赋予一个块成分标记）。本文采用的汉语块标记如表１ Ｓ（Ｘ，ｌ，）： Ｖ （３） 所示。 表１汉语组块成分标记集 其中： 和ｙ为互不相交的项集（即ＸＡＹ＝ ），Ｎ为用户评论 汉语组块成分标记 标记内容描述 词条ｔ 的数量。 ＮＰ 名词块 通过设定最小支持度，在事务集合中找到频繁项集，采用 的最小支持度确定为１％（参考英文评论的处理方法），将得到 ＶＰ 动词块 的频繁项集作为候选产品特征。由于其中包含很多非产品特 ＡＤＪＰ 形容词块 征，所以还需要进行停用词过滤，才能得到真正的产品特征。 ＱＰ 数量词块 １．４ ＰＭｌ—ＩＲ与停用词过滤 、 ＰＰ 介词块 ＣＬＰ 量词块 通过观察产品的候选特征集合，其中的停用词主要有以下 三类：产品名称，例如“酒店”“招待所”等；人称名词，例如“同 基于ＳＶＭ模型的汉语组块分析方法是将汉语组块标记的 识别作为分类问题进行处理，其需要解决的问题有三个：特征选 事”“大家”“自己”等；方位及时间代词，例如“外面…‘早上” 取、参数训练和测试。将出现在训练数据中不同位置的所有单 “晚上”等。 为了得到评论中准确的产品特征，本文采用ＰＭＩ—ＩＲ方法， 词 、词性标记Ｐ和组块类型标记ｔ作为特征，充分利用当前标 记位置的上下文信息，每一个样本 可以用１２个特征来表示： 利用搜索引擎返回的页面数代替产品名称和特征共同出现的 概率。计算候选特征（ｆｅａｔｕｒｅ）与产品（ｐｒｏｄｕｃｔ）的互信息值，以 ＝（Ｗｆ一２ Ｐ ２， ｆ一２，Ｗ 一１，Ｐｆ一１，ｔｌ一１， Ｐ‘， ｆ＋１，Ｐ ＋１， ｌ＋２，Ｐｌ＋２） （１） 此来判断候选特征为产品真实特征的程度，其计算公式为 ，ＰＭＩ（ｐｒｏｄｕｃｔ，ｆｅａｔｕｒｅ）＝ｌｏｇ２ ｈｉｔ（“ｐｒｏｄｕｃｔ”ａｎｄ“ｆ其中： 表示当前位置的词；ｐ 表示Ｗ 的词性标记； 表示 ｔ（“ｐｒｏｄｕｃｔ”）ｈｉｔ（“ｆｅａｔｅａｔｕｒｅ” ｕｒｅ”） （４） 当前位置往前数第ｎ个的词；ｐ 表示 的词性标记；ｔｌ－ｎ表 其中：ｈｉｔ（ ）表示在搜索引擎中查询词语 返回的页面数，例 示 …的组块类型标记； …表示从当前位置往后数第／７，个 如ｈｉｔ（“ｐｒｏｄｕｃｔ”）表示搜索产品名称ｐｒｏｄｕｃｔ返回的页面数，ｈｉｔ 词； ＋ 表示 的词性标记。 （“ｐｒｏｄｕｃｔ”ａｎｄ“ｆｅａｔｕｒｅ”）表示在搜索引擎中商品名称与候选 本文采用的工具包是由大学林智仁教授等人设计开 特征共同作为关键词搜索所返回的页面数。 发的ＬＩＢＳＶＭ。为了解决数据集的不均衡问题，本文采用一对 通过观察非产品特征及ＰＭＩ值，发现大多数非产品特征 一的分类方法。核函数采用了多项式核函数，使分类器在高维 的ＰＭＩ值在一８．４以上，因此本文以一８．４作为过滤阈值，对 空间具有更好的泛化能力。 产品的候选特征集合进行过滤，得到最终的产品特征集合。 例如，对于评论文本“房间很小，隔音效果非常差。”对该 文本进行分词和词性标注处理，其输出结果为“房间／ＮＮ很 ２观点词的提取及情感倾向分析 ｔＪ￣／ＶＡ，／ＰＵ隔音／ＮＮ效果／ＮＮ非￣＇／ＡＤ差／ＶＡ。／ＰＵ”，再 对上述进行过预处理的评论文本进行汉语组块分析，输出结果 ２．１ 提取情感词并构成特征一观点对 为“［ＮＰ房间］［ＶＰ很小］，［ＮＰ隔音效果］［ＶＰ非常差］。”。 Ｈｕ等人 假定特征与情感词在评论句子中会一起出现。 ・２９４４・ 计算机应用研究 第３４卷 在得到评论中的特征后，选取产品特征前后一定长度的字符 串，抽取特征附近的动词组块作为该特征的情感词，并与该特 准确率为６３．６％。在对比实验中，本文的召回率略低于文献 ［４］，准确率明显高于文献［４］。因此，本文可以在保证一定召 回率的情况下得到较高的准确率。 表３提取出的产品特征 征组成特征一情感对，形如（特征，情感词）。例如，“［ＮＰ房 问］［ＶＰ很小］，［ＮＰ隔音效果］［ＶＰ非常差］。”，提取后的 特征一观点对为（房间，很小），（隔音效果，非常差）。 ２．２特征一观点对的情感倾向分析 本文通过以上方法得到产品的特征一观点对，采用ｓ０一 ＰＭＩ方法可以计算出每个特征一观点对的情感倾向，从而得到 评论中的每个产品特征用户评论的情感倾向。 Ｔｕｒｎｅｙ［ｔ２ ３提出基于情感词组的ＳＯ—ＰＭＩ语义分类方法，并 定义了逐点互信息量（ｐｏｉｎｔｗｉｓｅ ｍｕｔｕａｌ ｉｎｆｏｒｍａｔｉｏｎ，ＰＭＩ）来计 表４评估方法性能的列联表 算两个词 和 ：之间的语义相关性。 ＰＭＩ＝ｌ。ｇ２ｌＬ ｌ，ｖ．／２／ ２／Ｊ Ｉ （５） 其中：Ｐ（ ，，Ｗ ）表示 和Ｗ 同时出现的概率，Ｐ（ ）表示出现 的概率。 计算抽取出的词组与情感词ｅｘｃｅｌｌｅｎｔ和ｐｏｏｒ的ＰＭＩ，并利用 ＳＯ（ｓｅｍａｎｔｉｃ ｏｐｉｎｉｏｎ ｏｒｉｅｎｔａｔｉｏｎ）来计算该词组的语义倾向性。 ｓ０（ ）：ＰＭＩ（ ，“ｅｘｃｅｌｌｅｎｔ”）一ＰＭＩ（Ｗ，“ｐｏｏｒ”） （６） 本文采用ＰＭＩ—ＩＲ技术来计算ＰＭＩ，利用搜索引擎检索词 ，得到的检索结果数目为ｈｉｔ（ ），同时检索 ，和 ，：得到的 结果数目为ｈｉｔ（Ｗ ， ），则有 ｈｉｔｆ Ｗ １ ＰＭ （ ２） 。ｇｚ而 （ ） 根据式（６）（７）可以得到计算ＳＯ（Ｗ）值的公式如下： ｓｏ（ ｈｒａ ｓ 【 】㈦ 这样就确定了每个特征一观点对的情感倾向。如果该值 大于零，表示该特征一观点对好评，推荐该评论产品的该特征； 反之，如果该值小于零则不推荐。 ３实验结果及性能及性能评价 ３．１实验数据 评论语料本文使用了谭松波老师的酒店评论数据集（ｈｔ— ｔｐ：／／ｗｗｗ．ｄａｔａｔａｎｇ．ｅｏｍ／ｄａｔａ／ｌ １９３６／），褒贬各２ ０００篇，其中 褒义评论含有７ ２７７个句子，贬义评论含有９ ９７８个句子，选取 其中１ ０００个主观性句子作为实验数据集。 通过人工标注的方法得到实验数据集的产品特征集合，其 有６３个产品特征，产品特征集合如表２所示。 表２人工标注的酒店产品特征 ３．２实验结果 本文方法提取的酒店特征共有５６个，提取出的酒店产品 特征集合如表３所示。 实验所采用的列联表如表４所示。这里真实产品特征数 即人工标注结果的特征数量，其中作为挖掘性能度量的召回率 为７５．８１％，准确率为８３．９３％；文献［４］的召回率为７７．８％， 通过本文的方法共提取出特征一观点对１ ６８５对，具体情 况如表５所示，分布情况如图１所示。准确率为７６．６７％，召回 率为７０．８４％，准确率和召回率都比较高，因此本文的方法具 有一定的有效性。 表５产品特征观点对的情感分类情况 ４Ｏ０ 置 看２００ 鲁 ０ Ｉｅａｔｕｒｅ 图１褒贬评价分布情况 由图１可以看出，横坐标为不同的产品特征，纵坐标为产 品特征的数量，空白代表用户对于该特征持消极态度，黑色表 示用户对该特征持积极态度，因此，用户对于产品的评论主要 集中在八个产品特征：房间、眼务、价格、设施、早餐、服务员、环 境、卫生。用户对该酒店的各个特征普遍表示不满意，并且在 以下六个特征方面用户的好评率较高：服务人员、热水、装修、 电视、价格、走廊。实验结果表明，汉语组块分析有利于产品特 征一观点对的提取。 ４结束语 本文引入汉语组块分析，首先将酒店评论进行分词和词性 标注，再结合支持向量机进行汉语组块分析，并提取名词组块 作为初始化集合；将从初始化集合中寻找到的频繁项集作为候 选产品特征集合，并用ＰＭＩ—ＩＲ技术进行停用词过滤，从而得到 真正的产品特征集合；再根据产品特征与观点词的邻近关系提 取用户对产品特征的情感词，并与其特征组成特征一观点对； 利用ＳＯ—ＰＭＩ算法进行特征一观点对的情感倾向分析。最终， 第１０期 刘 臣，等：基于汉语组块产品特征一观点对提取与情感分析研究 机工程，２００９，３５（１３）：１９９—２０１． ・２９４５・ 得到酒店在各个特征的特征一观点对及好评率。该方法不仅 可以使用户更好地了解人们对酒店类产品各种特征的情感倾 向分布，并优化用户对酒店类产品的购买决策；还可以使酒店 ［８］Ｋａｍａｌ Ａ，Ａｂｕｌａｉｓｈ Ｍ，Ａｎｗａｒ Ｔ．Ｍｉｎｉｎｇ ｆｅａｔｕｒｅ—ｏｐｉｎｉｏｎ ｐａｉｒｓ ａｎｄ ｔｈｅｉｒ ｒｅｌｉｂｉａｌｉｔｙ ｓｃｏｒｅｓ ｆｒｏｍ Ｗｅｂ ｏｐｉｎｉｏｎ ｓｏｕｒｃｅｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ ２ｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｅｂ Ｉｎｔｅｌｌｉｇｅｎｃｅ，Ｍｉｎｉｎｇ ａｎｄ Ｓｅｍａｎｔｉｃｓ． ２０１２：１－７． 更清晰地了解消费者对自己服务和设施的反馈信息，为酒店对 各种特征的改进提供了更加准确的参考。 实验结果表明，本文方法的准确率较高，同时召回率也保 持了较高的水平，说明本文的方法是有效的。本文将汉语组块 ［９］孙晓，唐陈意．基于层叠模型细粒度情感要素抽取及倾向分析 ［Ｊ］．模式识别与人工智能，２０１５，２８（６）：５３１－５２０． ［１０］李业刚，黄河燕．汉语组块分析研究综述［Ｊ］．中文信息学报， ２０１３，２７（３）：ｌ一９． 分析应用到了产品特征和情感词的提取中，明显提高了提取产 品特征一观点对的准确率。但是在产品特征一观点对的情感 分析的过程中，其准确率和召回率有待提高。今后的研究方向 将对产品特征一观点对的情感分析方法进行改进，提高其准确 率和召回率。 参考文献： ［１］Ｋｉｍ Ｓ Ｍ，Ｈｏｖ Ｙ．Ｄｅｔｅｒｍｉｎｉｎｇ ｔｈｅ ｓｅｎｔｉｍｅｎｔ ｏｆ ｏｐｉｎｉｏｎｓ［Ｃ］／／Ｐｒｃ ｏｏｆ ｔｈｅ ２０ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ． ［１ １］Ｋｕｄｏ Ｔ，Ｍａｔｓｕｍｏｔｏ Ｙ．Ｃｈｕｎｋｉｎｇ ｗｉｔｈ ｓｕｐｐｏｔｒ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ ［Ｃ］／／Ｐｒｏｃ ｏｆｔｈｅ ２ｎｄ Ｍｅｅｔｉｎｇ ｏｆｔｈｅ Ｎｏｒｔｈ Ａｍｅｒｉｃｎ Ｃｈａａｐｔｅｒ ｏｆ ｔｈｅ Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ ｏｎ Ｌａｎｇｕａｇｅ Ｔｅｃｈｎｏｌｏｇｉｅｓ． ［Ｓ．１．］：Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ，２００１：１—８． ［１２］Ｔｕｒｎｅｙ Ｐ Ｄ．Ｔｈｕｍｂｓ ｕｐ ｏｒ ｔｈｕｍｂｓ ｄｏｗｎ？：ｓｅｍａｎｔｉｃ ｏｒｉｅｎｔａｔｉｏｎ ａｐ— ｐｌｉｅｄ ｔｏ ｕｎｓｕｐｅｒｖｉｓｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｒｅｖｉｅｗｓ［Ｃ］／／Ｐｒｏｃ ｏｆ Ｍｅｅｔｉｎｇ ｏｎ Ａｓｓｏｃｉａｔｉｏｎ ｏｆｒ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ．［Ｓ．１．］：Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ，２００２：４１７—４２４． ［Ｓ．１．］：ＡｓｓｏｃｉａｔｉｏｎｆｏｒＣｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ，２００４：１３６７—１３７４． ［２］Ｈｕ Ｍｉｎｑｉｎｇ，Ｌｉｕ Ｂｉｎｇ．Ｍｉｎｉｎｇ ａｎｄ ｓｕｍｍａｒｉｚｉｎｇ ｃｕｓｔｏｍｅｒ ｒｅｖｉｅｗｓ ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ １０ｔｈ ＡＣＭ ＳＩＧＫＤＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ．２００４：１６８—１７７． ［１３］李婷婷，姬东鸿．基于ＳＶＭ和ＣＲＦ多特征组合的微博情感分析 ［Ｊ］．计算机应用研究，２０１５，３２（４）：９７８—９８１． ［１４］蒋宗礼，金益斌．结合点评情感分析的推荐算法研究［Ｊ］．计算机 应用研究，２０１６，３３（５）：ｌ３１２—１３１４，１３２６． ［３］Ｐｏｐｅｓｃｕ Ａ Ｍ，Ｅｔｚｉｏｎｉ Ｏ．Ｅｘｔｒａｃｔｉｎｇ ｐｒｏｄｕｃｔ ｆｅａｔｕｒｅｓ ａｎｄ ｏｐｉｎｉｏｎｓ ｆｒｏｍ ｒｅｖｉｅｗｓ［Ｍ］／／Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ ａｎｄ Ｔｅｘｔ Ｍｉｎｉｎｇ． Ｌｏｎｄｏｎ：Ｓｐｒｉｎｇｅｒ，２００７：９・２８． ［１５］Ｒａｖｉ Ｋ，Ｒａｖｉ Ｖ．Ａ ｓｕｒｖｅｙ ｏｎ ｏｐｉｎｉｏｎ ｍｉｎｉｎｇ ａｎｄ ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ： ｔａｓｋｓ，ａｐｐｒｏａｃｈｅｓ ａｎｄ ａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］．Ｋｎｏｗｌｅｄｇｅ－Ｂａｓｅｄ Ｓｙｓ－ ｔｏｍｓ，２０１５，８９（Ｃ）：１４—４６． ［４］李实，叶强，李一军．中文网络客户评论的产品特征挖掘方法研究 ［Ｊ］．管理科学学报，２００９，１２（２）：１４２—１５２． ［１６］Ｌｉ Ｑｉｕｄａｎ，Ｊｉｎ Ｚｈｉｐｅｎｇ，Ｗａｎｇ Ｃａｎ，ｅｔ ａ１．Ｍｉｎｉｎｇ ｏｐｉｎｉｏｎ ｓｕｍｍａｒｉ— ｚａｔｉｏｎｓ ｕｓｉｎｇ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒｌ ｎｅｔａｗｏｒｋｓ ｉｎ Ｃｈｉｎｅｓｅ ｍｉｅｒｏｂｌｏｇｇｉｎｇ ［５］李实，李秋实．中文评论中产品特征挖掘的剪枝算法研究［ｊ］．计 算机工程，２０１１，３７（２３）：４３—４５． ［６］Ｌｉ Ｘｉｎ，Ｘｉｅ Ｈａｏｒａｎ，Ｒａｏ Ｙａｎｇｈｕｉ，ｅｔ ａ１．Ｗｅｉｇｈｔｅｄ ｍｕｌｔｉ－ｌａｂｅｌ ｃｌａｓ— ｓｉｉｆｅａｔｉｏｎ ｍｏｄｅｌ ｏｆｒ ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ ｏｆ ｏｎｌｉｎｅ ｎｅｗｓ［Ｃ］／／Ｐｒｏｃ ｏｆ Ｉｎ— ｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｂｉｇ Ｄａｔａ ａｎｄ Ｓｍａｒｔ Ｃｏｍｐｕｔｉｎｇ．２０１６：２１５— ２２２． ｓｙｓｔｅｍｓ［Ｊ］．Ｋｎｏｗｌｅｄｇｅ－Ｂａｓｅｄ Ｓｙｓｔｅｍｓ，２０１６，１０７（Ｃ）：２８９－ ３００． ［１７］尹裴，王洪伟．面向产品特征的．中文在线评论情感分类：以本体建 模为方法［Ｊ］．系统管理学报，２０１６，２５（１）：１０３—１１４． ［１８］王洪伟，郑丽娟，尹裴，等．基于句子级情感的中文网络评论的情 感极性分类［Ｊ］．管理科学学报，２０１３，１６（９）：６４—７４． ［７］伍星，何中市，黄永文．基于弱监督学习的产品特征抽取［Ｊ］．计算 （上接第２９１８页） 参考文献： ［１］韩永峰，许旭阳，李弼程，等．基于事件抽取的网络新闻多文档自 研究［Ｊ］．中文信息学报，２００３，１７（６）：２５－３０，５９． ［１３］王力，李培峰，朱巧明．一种基于ＬＤＡ模型的主题句抽取方法 ［Ｊ］．计算机工程与应用，２０１３，４９（２）：１６０—１６４，２５７． ［１４］王伟，赵东岩，赵伟．中文新闻关键事件的主题句识别［Ｊ］．北京 大学学报：自然科学版，２０１１，４７（５）：７８９—７９６． 动摘要［Ｊ］．中文信息学报，２０１２，２６（１）：５８－６６． ［２］Ｌａｈａｒｉ Ｅ Ｐ，Ｋｕｍａｒ Ｄ Ｖ Ｎ Ｓ，Ｕｂａｌｅ Ｍ．Ａ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｓｕｒｖｅｙ ｏｎ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｉｎ ｔｅｘｔ ｓｕｍｍａｒｉｚａｔｉｏｎ『Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ ［１５］Ｊｉ Ｈｅｎｇ，Ｇｒｉｓｈｍａｎ Ｒ．Ｒｅｆｉｎｉｎｇ ｅｖｅｎｔ ｅｘｔｒａｃｔｉｏｎ ｔｈｒｏｕｇｈ ｕｎｓｕｐｅｒｖｉｓｅｄ ｃｒｏｓｓ．ｄｏｃｕｍｅｎｔ ｉｎｆｅｒｅｎｃｅ『Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ ４６ｔｈ Ａｎｎｕａｌ Ｍｅｅｔｉｎｇ ｏｆ ｔｈｅ Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ．２００８：２５４－２６２． ＣｏｍｐｕｔｅｒＴｅｃｈｎｏｌｏｇｙ ａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２０１４，５（１）：２４８． ［３］熊娇，王明文，李茂西，等．基于词项一句子一文档三层图模型的 多文档自动摘要［Ｊ］．中文信息学报，２０１４，２８（６）：２０１－２０７． ［４］钱强，庞林斌，高尚．一种基于词共现图的受限领域自动问答系统 ［Ｊ］．计算机应用研究，２０１３，３０（３）：８４１—８４３． ［５］陈超，朱洪波，王亚强，等．中文财本中公司名简称的自动识 别［Ｊ］．四川大学学报：自然科学版，２０１１，４８（２）：３０８—３１４． ［１６］Ｌｉ Ｐｅｉ￣ｎｇ，Ｚｈｏｕ Ｇｕｏｄｏｎｇ，Ｚｈｕ Ｑｉａｏｍｉｎｇ，ｅｔ ａ１．Ｅｍｐｌｏｙｉｎｇ ｃｏｍｐｏ。 ｓｉｔｉｏｎａｌ ｓｅｍａｎｔｉｃｓ ａｎｄ ｄｉｓｃｏｕｒｓｅ ｃｏｎｓｉｓｔｅｎｃｙ ｉｎ Ｃｈｉｎｅｓｅ ｅｖｅｎｔ ｅｘｔｒａｃ— ｔｉｏｎ［Ｃ］／／Ｐｒｃｏ ０ｆ Ｊｏｉｎｔ Ｃｏｎｆｅｅｒｎｃｅ ｏｎ Ｅｍｐｉｒｉｃａｌ Ｍｅｔｈｏｄｓ ｉｎ Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ ａｎｄ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｎａｔｕｒｌ Ｌａｎｇａｕａｇｅ Ｌｅａｒｎｉｎｇ． Ｓｔｒｏｕｄｓｂｕｒｇ：Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ．２０１２：１００６— １０１６． ［６］王宁，葛瑞芳，苑春法，等．中文金融新闻中公司名的－／７，￣，１［Ｊ］．中 文信息学报，２００２，１６（２）：１—６． ［１７］李培峰，周国栋，朱巧明．基于语义的中文事件触发词抽取联合模 型［Ｊ］．软件学报，２０１６，２７（２）：２８０—２９４． ［１８］Ｃｈｅｎ Ｚｈｅｎｇ，Ｊｉ Ｈｅｎｇ：Ｃａｎ ｏｎｅ ｌｎｇａｕａｇｅ ｂｏｏｔｓｔｒａｐ ｔｈｅ ｏｔｈｅｒ：ａ ｃａｓｅ ｓｔｕｄｙ ｏｎ ｅｖｅｎｔ ｅｘｔｒａｃｔｉｏｎ［Ｃ］／／Ｐｒｃ ｏｆ ｏＷｏｒｋｓｈｏｐ ｏｎ Ｓｅｍｉ—Ｓｕｐｅｒｖｉｓｅｄ ｅａｒｎｉＬｎｇ ｆｏｒ Ｎａｔｕｒｌ Ｌａｎｇａｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ．Ｓｔｒｏｕｄｓｂｕｒｇ：Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ，２００９：６６—７４． ［７］张占英，王中立．中文文本中公司名简称的识别［Ｊ］．许昌学院学 报．２００３，２２（２）：９９—１０１． ［８］ＡＣＥ（ａｕｔｏｍａｔｉｃ ｃｏｎｔｅｎｔ ｅｘｔｒａｃｔｉｏｎ）Ｃｈｉｎｅｓｅ ａｎｎｏｔａｔｉｏｎ ｕｉｇｄｅｌｉｎｅｓ ｆｏｒ ｅｖｅｎｔｓ，ｖｅｒｓｉｏｎ ５．５．１［Ｒ／ＯＬ］．（２００５—０７—０１）．ｈｔｔｐ：／／ｗｗｗ．ｉｄｃ．ｕｐ。 ｅｎｎ．ｅｄｕ／Ｐｒｏｊｅｅｔｓ／ＡＣＥ／． ［１９］Ｊｉ Ｈｅｎｇ．Ｃｒｏｓｓ・ｌｉｎｇｕａｌ ｐｒｅｄｉｃａｔｅ ｃｌｕｓｔｅｒ ａｃｑｕｉｓｉｔｉｏｎ ｔｏ ｉｍｐｒｏｖｅ ｂｉｌｉｎ— ｇｕａｌ ｅｖｅｎｔ ｅｘｔｒａｃｉｔｏｎ ｂｙ ｉｎｄｕｃｔｉｖｅ ｌｅａｒｎｉｎｇ［Ｃ］／／Ｐｒｏｃ ｏｆ Ｗｏｒｋｓｈｏｐ ｏｎ Ｕｎｓｕｐｅｒｖｉｓｅｄ ａｎｄ Ｍｉｎｉｍａｌｌｙ Ｓｕｐｅｒｖｉｓｅｄ Ｌｅａｒｎｉｎｇ ｏｆ Ｌｅｘｉｃａｌ Ｓｅｍａｎ— ［９］赵妍妍，秦兵，车万翔，等．中文事件抽取技术研究［Ｊ］．中文信息 学报，２００８，２２（１）：３—８． ｔｉｃｓ．２００９：２７—３５． ［１Ｏ］许旭阳，韩永峰，宋文政．事件抽取技术的回顾与展望［Ｊ］．信息 工程大学学报，２０１１，１２（１）：１１３—１１８． ［１１］丁效，宋凡，秦兵，等．音乐领域典型事件抽取方法研究［Ｊ］．中文 信息学报，２０１１，２５（２）：１５・２０． ［１２］吴平博，陈群秀，马亮．基于事件框架的事件相关文档的智能检索 ［２０］Ｑｉｎ Ｂｉｎｇ，Ｚｈａｏ Ｙａｎｙａｎ，Ｄｉｎｇ Ｘｉａｏ，ｅｔ ａ１． Ｅｖｅｎｔ ｔｙｐｅ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ ｔｉｒｇｇｅｒ ｅｘｐａｎｓｉｏｎ［Ｊ］．Ｔｓｉｎｇｈｕａ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏ・ ｇＹ，２０１０，１５（３）：２５１－２５８． ［２１］赵军，刘康，周光有，等．开放式文本信息抽取［Ｊ］．中文信息学 报．２０１１。２５（６）：９８一ｌ１０．
