1 引 言
随着Web2.0的高速发展, 越来越多的消费者通过网络平台分享购物体验, 从而形成了以互联网为生产与传播介质的网络口碑。网络口碑信息表达了消费者对产品的看法与意见, 是互联网时代消费者与商家获取产品信息的重要来源之一。因此, 从浩如烟海的网络口碑信息中挖掘出有价值的产品信息成为企业生产经营与消费者购买活动中重要的决策依据。
网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] 。情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] 。在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果。Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器。Turney[5 ] 提出一种基于语义分析的无监督的点互信息法。He等[6 ] 提出一种基于最优控制的最小化优化算法。在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类。张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法。在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析。Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向。Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性。朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向。Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向。Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向。Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高。随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向。Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算。唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法。尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法。杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析。李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析。
虽然国内外学者对网络评论情感分析的研究已经取得一定的成就, 但关于情感分析的研究无论是在文档级、句子级、词语级的层面上, 都未考虑各属性之间的层次结构性与从属关系, 结合本体的情感分析也仅仅对特征或特征情感词对进行抽取, 对属性的情感计算往往只针对单个属性本身或者从广义上将属性分为几大类, 忽略了单个属性之间的逻辑关联, 这类单粒度的特征分类无法满足消费者对同一产品所关注的不同属性甚至同一属性的局部特征所存在的较大差异, 而且忽略了不同属性类或同一属性类下的不同子属性对上层属性的重要性存在差异, 导致情感分析的挖掘精度与实践性不高。网络评论语句中往往同时出现多种属性或属性特征词, 且杂乱无章, 用语随意, 口语化严重, 例如, “手机屏幕一般般, 分辨率不怎么高, 屏幕颜色一点都不强”这一句子中, 提及了“屏幕”、“分辨率”与“屏幕颜色”这三个属性, 如果仅将“分辨率”、“颜色”统一归为“屏幕”一类计算“屏幕”的情感倾向, 显然无法满足消费者与商家更加细化的需求, 此外, 通过属性分类可知“屏幕颜色”为“屏幕”的部分属性, 如果单纯地将“屏幕”与“屏幕颜色”作为两个属性分别计算情感倾向, 很难得到对产品细致、深入的把握, 只有统一各个属性的规范概念, 了解各属性词之间的从属关系, 蒂联各个属性, 才能得到准确的属性评论倾向。
因此, 本文提出一种基于领域本体的产品网络口碑信息多层次细粒度情感挖掘方法, 构建领域本体以揭示产品各属性之间的层次关系以及属性与属性特征之间的从属关系, 在此基础上对各属性与属性特征进行情感分析, 进一步提升所挖掘信息的精度, 一方面有助于产品经营者进行后续产品细节改进与顾客偏好推荐; 另一方面为消费者提供产品购买决策参考。
2 基于领域本体概念空间模型的产品属性抽取与层次归类
2.1 面向产品网络口碑信息的本体概念空间模型构建
人们对本体的定义引用最多的是Gruber提出的, 定义为对概念体系规范化、明确化的说明, 以此实现知识的共享与共同理解[20 ] 。将领域本体应用到网络文本挖掘中, 首先需要构建领域本体概念空间模型, 为领域属性表述提供准确与标准的解释, 建立对象与属性层之间的逻辑联系, 规范各属性节点的共性与异性, 自动实现多层级的信息组织[21 ] 。
领域本体概念空间模型的构建流程主要包括领域核心概念的获取、类的确定与概念间关系的获取、本体的构建三个部分。本文以手机产品为例进行详细说明。
(1) 领域核心概念的获取
产品说明书是对产品功能与性能参数的一个主要介绍, 涵盖了产品各方面的属性与关系[22 ] , 网络口碑信息是消费者对产品意见的交流, 体现了消费者所关注的产品属性, 包含重要的产品信息。从各大电商网站获取产品的说明书, 通过对产品说明书的整理与归类获得产品初始与主要的概念属性集C 1。同时, 抓取在线评论文本, 对预处理后的在线文本进行表达模式分析, 采用正则表达式提取名词、动词+名词、动词+形容词、名词+名词的词语组合形式, 作为候选的产品属性集, 人工过滤后得到词语集C 2, 与C 1构成最终产品核心概念集C 。
(2) 类的确定与概念间关系的获取
根据抽取的产品核心概念集, 对产品进行类的等级划分, 并定义类的属性。首先, 对C 进行分类, 即C ={T 1,T 2,…Tn -1,Tn },提取每一类属性集Ti (i =1,2,…n )的主题属性词Fi , 作为直接隶属于实体下的最高级别(一级)属性, 处于本体的二级层次。其次, 对每一类属性集Ti 进一步分类为Ti ={t 1,t 2,…tn -1,tn }, 确定每一类的相关子类ti (i =1,2,…n ), 提取主题属性fi , 作为对应的类别属性Fi 下的子类属性。以此类推, 从上至下, 直到出现不再可分类为止, 即最底层的属性特征。
(3) 手机本体的构建
使用斯坦福大学开发的本体构建工具Protégé构建领域本体, 该软件可提供本体概念类、关系与属性的构建功能, 并自动生成OWL语言的表示形式[23 ] 。
2.2 基于领域本体概念空间模型的产品属性抽取
(1) 显式属性
关于显式属性的抽取, 可以直接进行领域本体的映射。领域本体概念空间模型具有丰富的语义关系与完整的层次体系, 提供了领域概念和关系的词汇集[24 ] ,引入本体的知识与方法可以更好地抽取文本特征向量[16 ,25 ] , 将预处理后的在线文本与本体进行匹配, 将探测到的词转换为本体中的概念, 提取研究领域所包含的属性, 这些词可能为本体中的概念词、概念的同义词或下位词, 需要进行统一规范。
(2) 隐式属性
由于网络评论的随意与非正式性, 一些在线文本并不存在明确的评论对象, 需要根据语义分析与推断才能获得, 基于本体的匹配无法识别这类隐式属性[26 ] 。对于隐式属性的提取, 现有研究主要是通过属性词与情感词之间的固定搭配关系来映射出产品特征, 例如在手机领域, “漏电”一般用来描述“电池”这个特征, “贵”、“便宜”通常用来描述“价格”这个特征。文献[18 ]使用改进的TF-IDF算法识别这种搭配关系, 本文基于产品属性层次归类的结果, 借助改进的TF-IDF算法计算情感词与属性的搭配权重, 若权重高于一定的阈值, 则认为两者之间存在固定搭配, 通过专用情感词来映射出隐式属性, 如公式(1)所示。
$w(fi,s)=\frac{nf(a,s)}{nf(s,A)}\times \frac{\log \frac{n(A)}{n(A,s)}}{\log n(A)}$ (1)
其中, w (fi , s )为情感词与属性词的搭配权重, a 为某层次特定产品属性, A 为所有的产品属性, nf (s , A )为情感词s 与所有属性共现的频数, nf (a , s )为某层次特定属性a 与情感词s 共现频数, n (A )为所有的产品属性个数, n (A , s )为与s 共现的属性个数。
2.3 产品属性集层次划分与归类
根据领域本体与隐式属性策略抽取的产品属性包含产品的各个方面, 有可能是产品的某个部件, 也有可能是产品部件的某个属性或属性特征, 这些属性之间存在逻辑关系, 如“功能”与“手势识别”是整体与部分的关系、“手势识别”是“功能”的子类, “功能”与“结构部件”为同一层次属性, 均为实体手机属性的一部分。根据本体中的整体与部分、子类与父类关系对这些属性进行归类与层次划分, 将其映射到不同的属性层级, 明确各个属性在本体中的位置并确定其上下级别, 自上而下, 最终构建树状的属性层次结构, 依此, 得手机树状产品属性层次模型部分如图1 所示。
3 属性特征情感倾向的多层次细粒度计算
3.1 情感信息多层次细粒度挖掘思想
产品整体的情感分析反映了消费者对产品整体的满意度, 仅仅体现了消费者的一般意见, 不能较好地体现消费者对产品从整体到各个属性类别特征的深层次观点。产品的不同属性类拥有不同的属性特征, 是产品最细化的特征, 细粒度分析同一属性类下不同的属性特征情感极性, 对产品的生产与经营有着重要的实践意义。
借助领域本体的逻辑空间模型将评论属性映射为不同层级的概念, 明确各属性之间的从属关系, 构建层次化的产品属性模型, 从多层次与逻辑关联性出发, 分别计算消费者对产品整体、产品属性类以及各个属性类下的属性特征的情感倾向, 实现不同层次各个属性的细粒度精确情感挖掘。
3.2 领域情感词典的构建
不同的情感词对情感强度与极性产生的影响不同, 构建的领域词典包括情感评价词词典、程度副词与否定词等修饰词词典。此外, 在电商在线平台中存在许多和文本一同出现的图片以及符号, 图文并茂的形式会加重情感的表达与理解, 符号(?、“”等)的出现会改变文本的语意, 因此, 将图片、符号也引入到情感分析中, 构建特殊情感要素词典。
(1) 情感评价词词典
①静态情感词词典
以HowNet、大连理工大学情感词汇本体等通用情感词典为参考对象, 结合领域专业性构建本文的情感评价词典, 产品领域往往存在属于这个领域的专用情感词汇[17 ] , 如“跑电”、“卡”等往往是描述手机领域的评价词。具体情况为:
1)参考HowNet、大连理工大学情感词汇本体, 去掉不符合属性修饰的情感词, 例如“噲、媢、媢嫉、忺”等生僻词与“爱不忍释、爱不释手”等修饰消费者的主观评价词。
2)基于在线评论语料集, 提取情感评价词, 尤其注意领域专用情感词。
3)收录网络新词, 由于网络用语的动态性与多样化, 网络新词层出不穷, 例如“给力”、“666”等网络用语, 虽然用语不规范, 但被大众所熟知并广为使用, 人工统计这类新词, 作为情感词典的一部分。
4)对以上三种途径收集到的情感评价词进行合并与去重, 得到手机静态情感评价词词典, 共有情感词3 080个, 其中贬义词1 560个, 褒义词1 520个,正向情感值为+1, 负向情感值为-1, 部分如表1 所示。
②动态情感词词典
动态情感词的情感极性需要结合语义情境进行分析, 例如, 情感词“高”, 在“价格高”中为贬义, 而在“清晰度高”中则为褒义。为了提高情感分析的准确度, 结合网络评论与手机领域相关知识, 构建动态情感词典, 并结合其评价对象对情感极性进行标记, 手工收集了28个动态情感词, 部分如表2 所示。
(2) 修饰词词典
修饰词对情感极性的影响起着关键的作用, 同一情感评价词搭配不同的修饰词所表达的情感极性也会发生改变, 例如“漂亮”这个情感评价词, “十分漂亮”与“不漂亮”表达的极性截然相反。结合网络流行用语与网络评论的特点, 构建程度副词词表与否定词表, 并对程度副词的情感极性进行调整, 给每个修饰词赋予一个情感强度值, 并将其分为4个等级; 否定词的情感值为-1, 具体如表3 和表4 所示。
(3) 特殊情感要素词典
消费者在进行网络评论时经常会附上与评论内容相关的图片, 图片也是传递信息的一种方式, 图片的出现使得文本表达更为生动与形象, 加重了情感的表达与理解。此外, 句子中存在的一些符号也将对情感极性产生影响, 例如对双引号(“”)标记的情感词来说, 一般是对原义取反向表达; 感叹号(！)往往有加重情感色彩的作用。因此, 将图片与符号当作一种特殊的情感要素融入情感计算的过程中, 通过对文本进行分析, 总结了该类情感要素的处理规则, 如表5 所示。
3.3 多层次细粒度情感倾向计算
根据本文构建的领域本体、领域情感词典, 对预处理后的评论句进行产品评价单元的映射, 包括产品属性、否定词个数、程度副词、情感词等的匹配识别, 对于属性缺省的句子按照隐式属性的识别方式, 识别隐含属性, 对出现的每个产品属性存储为{属性词、情感评价词、否定词、程度副词、特殊情感要素}的属性情感单元, 并借助本体明确各属性之间的语义关系与层次结构, 最后根据领域情感词典所设定的情感值, 设计情感计算公式, 细粒度计算产品各层次属性情感倾向值。
在产品层次模型中, 属性之间不再独立存在, 整体包含部分, 子节点从属于父节点, 它们之间的情感倾向相互影响, 且不同子属性的重要性存在差异, 对父属性的情感影响不同[27 ] 。因此, 本文从单个属性节点出发, 对不同层次的子属性赋予不同的情感权重, 对于某个层次的单个属性类的情感倾向来说, 其情感倾向为其本身独立的情感倾向值与其子节点的情感倾向值的加权和, 情感计算如公式(2)和公式(3)所示。
Sentiment (单个属性独立情感值)=Sentiment (情感词情感倾向性值)×Sentiment (否定词调整力度)× Sentiment (程度副词调整力度)×Sentiment (特殊情感要素调整力度) (2)
Sentiment (属性类t 总情感值)=$\sum\nolimits_{i=1}^{n}{Sentiment}$(子节点属性i )×Weight (leveli )+Sentiment (属性类t 独立情感值)×Weight (levelt ) (3)
产品由多个属性类别与属性特征组成, 是本体中的最高层属性, 产品的总体情感倾向如公式(4)所示。
Sentimenet (产品a 总体情感值)=Sentiment (产品a 独立情感值)×Weight (levela )+$\sum\nolimits_{i=1}^{n}{Sentiment}$(子节点属性i ) ×Weight (leveli ) (4)
$Weight(leveli)=\frac{n(属性i)}{\sum\nolimits_{t=1}^{N}{n(属性t)}}$ (5)
其中, Weight (level )为每个属性在所处层次中所对应的情感权重, n (属性i )为属性i 在语料集中出现的总次数, $\sum\nolimits_{t=1}^{N}{{}}$n (属性t )为该层次同一上类的所有下级属性在语料集中出现的总次数。
4 实验及结果分析
4.1 实验数据
以“小米6”这款手机为例, 使用八爪鱼数据采集器从京东商城上采集10 000条评论文本与图片作为初始实验文本集, 评论截止日期为2017年11月, 去掉重复评论以及一些与产品无关的评论, 例如“今天天气不错”、“送朋友的”这类非产品主观描述的句子, 得到有效评论8 150条。对得到的数据集使用Python进行文本预处理(包括分词、去停用词、词性标注等), 得到最终的实验数据集。
4.2 实验步骤与结果分析
对预处理后的实验数据采用正则表达式提取候选属性集, 人工标注共提取56个属性, 将从产品说明书中提取的属性进行合并去重, 得到最终属性73个。将这些属性按照主题进行一级分类, 共分为功能、物流运输、结构部件、生产制造、服务等5大类, 以类为标准, 细分各大类下的子类, 并依据类的从属性定义类与类之间的关系, 主要为整体与部分的关系, 构建领域本体空间模型, 根据该领域本体构建的手机属性层次模型部分见图1 。
根据领域本体提取产品属性与层次关系, 映射到的产品属性可能为本体节点概念的同义词, 例如“这款手机上网不错”, 提取的属性“上网”为本体中的相关概念“网络支持”的同义词, 因此将这类属性同义词统一规范为本体中的对应概念词, 即“上网”规范为“网络支持”。对于非本体概念的属性词, 将其添加至本体的正确层次与位置, 对本体进行完善与补充。
对于无法通过领域本体直接进行匹配的隐式属性, 使用公式(1)进行提取, 设置阈值为0.6, 当情感词与属性的搭配权重大于0.6, 则认为两者之间存在固定搭配, 提取相应属性, 部分实验结果如表6 所示。
根据领域本体的层次结构对所提取的产品属性进行归类与层次划分, 各属性之间存在整体与部分的关系, 如“功能”为手机属性的一个部分, 而“功能”这个属性又包含“娱乐”、“GPS”、“蓝牙”等属性特征。最后, 根据本文构建的情感词典与情感计算公式对各属性进行情感计算, 采用Python语言编程实现, 得到产品整体与各个部分的情感值。根据情感值将情感程度划分为{1,2,3,4,5}这5个等级, 1-5效果依次增强, 1表示负向最差, 3表示中等, 5表现正向最好, 并进行可视化层次展示, 部分如图2 所示。可以看出, 用户对该款手机总体的情感倾向为中上等, 说明消费者对这款手机的反映较好, 赢得了大多数用户的赞赏, 但是还存在一定的缺陷。从属性层次来看, 功能这个属性的情感等级为3, 表现为一般, 其中, 对功能下的娱乐属性特征表现一般, 对GPS表示较为不满, 对蓝牙表现为非常不满, 因此在后续的产品研发中需要对GPS、蓝牙这两个特征进一步完善, 力求满足消费者需求。此外, 对结构部件这个属性情感等级为4, 较为满意, 其中, 硬件与软件均表示较为满意, 对硬件下的电池表现为最好, 摄像头与屏幕表现为一般, 需进一步提升。大多数用户对物流运输较为满意, 对物流速度与发货速度最为满意。
4.3 实验评估
为了验证本文方法的准确性与有效性, 人工对实验数据集中的属性与情感极性进行识别与标注, 与实验结果进行对比研究, 人工标注过程为专家小组打分法, 采用相关研究中普遍使用的查准率P、查全率R和F值这三项指标对实验结果进行评估, 如公式如(6)至公式(8)所示。
$P=\frac{实验正确识别该情感类别的句子数}{实验识别该情感类别的句子数}$ (6)
$R=\frac{实验正确识别该情感类别的句子数}{客观正确的具有该情感类别的句子数}$ (7)
$F=\frac{2\times P\times R}{P+R}$ (8)
设置对照实验与本文的实验结果进行对比, 对照实验参考文献[17 ]的方法使用本体仅对产品属性进行分类, 构建情感词典计算属性类的情感, 不细分属性类下的单个属性情感, 借助本文实验集进行训练得到分类结果, 实验结果如表7 所示。
实验结果表明本文的研究方法优于产品属性类的情感分析方法, 这是因为对属性进行分层计算情感倾向, 低层属性的情感传递给上一层, 每层分别寻优, 提高了分类精确度。此外本文的情感词典较为完善, 不仅添加了动态情感词典, 考虑了不同情境对情感极性的影响, 还考虑了图片、符号等特殊情感要素对情感结果的影响, 进一步提升了情感计算的准确度。
5 结 论
本文针对单层次情感分析方法的片面性与模糊性, 提出基于领域本体的网络口碑多层次细粒度情感分析方法。利用构建的领域本体, 实现了产品属性的提取与层次划分, 明确了属性之间局部与整体的逻辑关系, 分析了不同层次属性的情感倾向, 有效加强了情感分析的准确性, 并采集京东商城数据进行实验, 验证了本文方法的有效性。
本文的产品属性层次模型的构建依赖于所构建的领域本体, 本体构建的完善性与准确性直接影响本文的研究结果, 由于本体知识的广泛性与动态性, 本体构建的效率、规范性与全面性仍需进一步完善。同时, 在属性情感计算方面, 属性情感权重的设定可进一步加以探讨与改进。
作者贡献声明
何有世: 提出文章研究思路, 设计组织结构;
何述芳: 收集数据与设计实验, 论文撰写及最终版本修订。
利益冲突声明
所有作者声明不存在利益冲突关系。
支撑数据
支撑数据由作者自存储, E-mail: 1255118135@qq.com。
[1] 何有世, 何述芳. 数据.xlsx. 实验语料集.
[2] 何有世, 何述芳. phone.owl. 构建的手机本体.
[3] 何有世, 何述芳. 否定词.xlsx, 程度副词.xlsx, 静态情感评价词.xlsx, 动态情感词.xlsx. 领域情感词典.
[4] 何有世, 何述芳. result.xlsx. 多层次细粒度的情感分析结果.
参考文献
文献选项
[1]
潘宇 , 林鸿飞 . 基于语义极性分析的餐馆评论挖掘
[J]. 计算机工程 , 2008 , 34 (17 ): 208 -210 .
https://doi.org/10.3969/j.issn.1000-3428.2008.17.074
URL
Magsci
[本文引用: 1]
摘要
提出一种基于语义极性分析的餐馆评论挖掘方法。将餐馆的食物口味、环境、服务、价格作为其特征，以句子为单位对用户评论进行特征标注。将具有多个特征的复杂特征句划分为简单特征句，分析评论句的语义极性和极性强度。使用户可方便地了解其他用户对某个餐馆某种特征的评价，为用户消费提供了有力指导。
(Pan Yu Lin Hongfei Restaurant Reviews Mining Based on Semantic Polarity Analysis
[J]. Computer Engineering , 2008 , 34 (17 ): 208 -210 .)
https://doi.org/10.3969/j.issn.1000-3428.2008.17.074
URL
Magsci
[本文引用: 1]
摘要
提出一种基于语义极性分析的餐馆评论挖掘方法。将餐馆的食物口味、环境、服务、价格作为其特征，以句子为单位对用户评论进行特征标注。将具有多个特征的复杂特征句划分为简单特征句，分析评论句的语义极性和极性强度。使用户可方便地了解其他用户对某个餐馆某种特征的评价，为用户消费提供了有力指导。
[2]
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 .
[本文引用: 2]
(Yin Pei Wang Hongwei Sentiment Classification for Chinese Online Reviews at Product Feature Level Through Domain Ontology Method
[J]. Journal of Systems and Management , 2016 , 25 (1 ): 103 -114 .)
[本文引用: 2]
[3]
Yu H Hatzivassiloglou V Towards Answering Opinion Questions: Separating Facts from Opinions and Identifying the Polarity of Opinion Sentences
[C]//Proceedings of the 2003 Conference on Empirical Methods in Natural Language Processing. 2003 : 129 -136 .
[本文引用: 1]
[4]
Pang B Lee L Opinion Mining and Sentiment Analysis
[J]. Foundations and Trends in Information Retrieval , 2008 , 2 (1-2 ): 1 -135 .
https://doi.org/10.1561/1500000011
URL
[本文引用: 1]
摘要
An important part of our information-gathering behavior has always been to find out what other people think. With the growing availability and popularity of opinion-rich resources such as online review sites and personal blogs, new opportunities and challenges arise as people now can, and do, actively use information technologies to seek out and understand the opinions of others. The sudden eruption of activity in the area of opinion mining and sentiment analysis, which deals with the computational treatment of opinion, sentiment, and subjectivity in text, has thus occurred at least in part as a direct response to the surge of interest in new systems that deal directly with opinions as a first-class object. This survey covers techniques and approaches that promise to directly enable opinion-oriented information-seeking systems. Our focus is on methods that seek to address the new challenges raised by sentiment-aware applications, as compared to those that are already present in more traditional fact-based analysis. We include material on summarization of evaluative text and on broader issues regarding privacy, manipulation, and economic impact that the development of opinion-oriented information-access services gives rise to. To facilitate future work, a discussion of available resources, benchmark datasets, and evaluation campaigns is also provided. <!-- .bsa-cpc #_default_:before { display: block; margin: 1em auto; padding-top: 1em; max-width: 940px; border-top: solid 1px #b7babc; color: #8a9299; content: "Advertisements"; text-align: center; text-transform: uppercase; font-weight: bold; font-size: 0.8em; } .bsa-cpc #_default_ { position: relative; overflow: hidden; margin: 2em 0; margin: 0 auto; padding-bottom: 3em; max-width: 940px; border-bottom: solid 1px #b7babc; font-size: 11px; line-height: 1.5; justify-content: center; } .bsa-cpc .default-ad { display: none; } .bsa-cpc ._default_ { position: relative; display: block; float: left; overflow: hidden; margin: 0 .4em; padding: 1em; max-width: 30%; border-radius: 3px; background-color: #ece9d8; text-align: left; line-height: 1.5; } .bsa-cpc a { color: #1d4d0f; text-decoration: none !important; } .bsa-cpc a:hover { color: red; } .bsa-cpc .default-image img { display: block; float: left; margin-right: 10px; width: 36px; border-radius: 7.5%; } .bsa-cpc .default-title, .bsa-cpc .default-description { display: block; margin-left: 46px; max-width: calc(100% - 36px); } .bsa-cpc .default-title { font-weight: 600; } .bsa-cpc .default-description:after { position: absolute; top: 4px; right: 4px; padding: 1px 4px; color: hsla(0, 0%, 20%, .3); content: "Ad"; text-transform: uppercase; font-size: 7px; } @media only screen and (min-width: 320px) and (max-width: 759px) { .bsa-cpc #_default_ { flex-wrap: wrap; } .bsa-cpc ._default_ { float: none; margin: 0 1em .5em; max-width: 100%; } } (function(){ if(typeof _bsa !== 'undefined' && _bsa) { _bsa.init('default', 'CVADE2QJ', 'placement:acmorg', { target: '.bsa-cpc', align: 'horizontal', disable_css: 'true' }); } })();
[5]
Turney P D Thumbs up or Thumbs down?: Semantic Orientation Applied to Unsupervised Classification of Reviews
[C]//Proceedings of the 40th Annual Meeting on Association for Computational Linguistics. Stroudsburg, PA, USA: Association for Computational Linguistics , 2002 : 417 -424 .
[本文引用: 1]
[6]
He R Gonzalez H Numerical Synthesis of Pontryagin Optimal Control Minimizers Using Sampling-Based Methods
[C]//Proceedings of the IEEE 56th Annual Conference on Decision and Control (CDC). Melbourne, Australia: IEEE CDC , 2017 :733 -738 .
[本文引用: 1]
[7]
Meena A Prabhakar T V Sentence Level Sentiment Analysis in the Presence of Conjuncts Using Linguistic Analysis
[C]// Proceedings of the European Conference on Information Retrieval. 2007 : 573 -580 .
[本文引用: 1]
[8]
张成功 , 刘培玉 , 朱振方 , 等 . 一种基于极性词典的情感分析方法
[J]. 山东大学学报: 理学版 , 2012 , 47 (3 ): 47 -50 .
[本文引用: 1]
(Zhang Chenggong Liu Peiyu Zhu Zhenfang et al .A Sentiment Analysis Method Based on a Polarity Lexion
[J]. Journal of Shandong University: Natural Science , 2012 , 47 (3 ): 47 -50 .)
[本文引用: 1]
[9]
Fu X Liu G Guo Y et al .Multi-aspect Sentiment Analysis for Chinese Online Social Reviews Based on Topic Modeling and HowNet Lexicon
[J]. Knowledge Based Systems , 2013 , 37 : 186 -195 .
https://doi.org/10.1016/j.knosys.2012.08.003
URL
[本文引用: 1]
[10]
Kim S M Hovy E. Extracting Opinions Opinion Holders Topics Expressed in Online News Media Text
[C]// Proceedings of the Workshop on Sentiment & Subjectivity in Text at the International Conference on Computational Linguistics/the Annual Meeting of the Association for Computational Linguistics Sentiment and Subject. 2006 : 101 -108 .
[本文引用: 1]
[11]
Hai Z Chang K Kim J Implicit Feature Identification via Co-occurrence Association Rule Mining
[C]//Proceedings of the 12th International Conference on Intelligent Text Processing and Computational Linguistics. Berlin: Springer-Verlag , 2011 : 393 -404 .
[本文引用: 1]
[12]
朱嫣岚 , 闵锦 , 周雅倩 , 等 . 基于HowNet的词汇语义倾向计算
[J]. 中文信息学报 , 2006 , 20 (1 ): 14 -20 .
https://doi.org/10.3969/j.issn.1003-0077.2006.01.003
URL
[本文引用: 1]
摘要
Nowadays , with the development of Internet and information explosion ,automated techniques for analyzing author’s attitudes towards specific events will make great effort to business intelligence and public opinion survey. Semantic orientation inference has become a meaningful tool , which could provide useful information for text classification , summarization , filtering etc. Measuring the semantic orientation of words would greatly contribute to predicting the author’s attitude in a passage. In this paper , a simple HowNet-based method for semantic orientation computation of Chinese words is introduced. Although this method requires only a few seed words , satisfactory results can still be obtained. And the performance is even better for frequently used words , with the frequency-weighted accuracy of above 80%.
(Zhu Yanlan Min Jin Zhou Yaqian et al .Semantic Orientation Computing Based on HowNet
[J]. Journal of Chinese Information Processing , 2006 , 20 (1 ): 14 -20 .)
https://doi.org/10.3969/j.issn.1003-0077.2006.01.003
URL
[本文引用: 1]
摘要
Nowadays , with the development of Internet and information explosion ,automated techniques for analyzing author’s attitudes towards specific events will make great effort to business intelligence and public opinion survey. Semantic orientation inference has become a meaningful tool , which could provide useful information for text classification , summarization , filtering etc. Measuring the semantic orientation of words would greatly contribute to predicting the author’s attitude in a passage. In this paper , a simple HowNet-based method for semantic orientation computation of Chinese words is introduced. Although this method requires only a few seed words , satisfactory results can still be obtained. And the performance is even better for frequently used words , with the frequency-weighted accuracy of above 80%.
[13]
Xu H Zhang F Wang W Implicit Feature Identification in Chinese Reviews Using Explicit Topic Mining Model
[J]. Knowledge Based Systems. 2015 , 76 : 166 -175 .
https://doi.org/10.1016/j.knosys.2014.12.012
URL
[本文引用: 1]
摘要
The essential work of feature-specific opinion mining is centered on the product features. Previous related research work has often taken into account explicit features but ignored implicit features, However, implicit feature identification, which can help us better understand the reviews, is an essential aspect of feature-specific opinion mining. This paper is mainly centered on implicit feature identification in Chinese product reviews. We think that based on the explicit synonymous feature group and the sentences which contain explicit features, several Support Vector Machine (SVM) classifiers can be established to classify the non-explicit sentences. Nevertheless, instead of simply using traditional feature selection methods, we believe an explicit topic model in which each topic is pre-defined could perform better. In this paper, we first extend a popular topic modeling method, called Latent Dirichlet Allocation (LDA), to construct an explicit topic model. Then some types of prior knowledge, such as: must-links, cannot-links and relevance-based prior knowledge, are extracted and incorporated into the explicit topic model automatically. Experiments show that the explicit topic model, which incorporates pre-existing knowledge, outperforms traditional feature selection methods and other existing methods by a large margin and the identification task can be completed better.
[14]
Carenini G Ng R T Zwart E Extracting Knowledge from Evaluative Text
[C]//Proceedings of the 3rd International Conference on Knowledge Capture. Edmonton: ACM , 2005 : 11 -18 .
[本文引用: 1]
[15]
Yu J X Zha Z J Wang M et al .Domain-Assisted Product Aspect Hierarchy Generation: Towards Hierarchical Organization of Unstructured Consumer Reviews
[C]// Proceedings of 2011 Conference on Empirical Methods in Natural Language Processing. Edinburgh: ACL , 2011 : 140 -150 .
[本文引用: 1]
[16]
Yin P Wang H Guo K Feature-Opinion Pair Identification of Product Reviews in Chinese: A Domain Ontology Modeling Method
[J]. New Review of Hypermedia and Multimedia , 2013 , 19 (1 ): 3 -24 .
https://doi.org/10.1080/13614568.2013.766266
URL
[本文引用: 2]
[17]
唐晓波 , 兰玉婷 . 基于特征本体的微博产品评论情感分析
[J]. 图书情报工作 , 2016 , 60 (16 ): 121 -127 .
[本文引用: 3]
(Tang Xiaobo Lan Yuting Sentiment Analysis of Microblog Product Reviews Based on Feature Ontology
[J]. Library and Information Service , 2016 , 60 (16 ): 121 -127 .)
[本文引用: 3]
[18]
杜嘉忠 , 徐健 , 刘颖 . 网络商品评论的特征-情感词本体构建与情感分析方法研究
[J]. 现代图书情报技术 , 2014 (5 ): 74 -82 .
URL
[本文引用: 2]
摘要
[Objective] In a specific domain, sentiment analysis, mostly based on general lexicon, cannot identify the context-specific sentiment belonging to the domain. Also, the same word in the specific domain shows different polarities (positive, negative, neutral) when describing different properties. The objective of this paper is to solve the problems described above. [Methods] A sentiment analysis approach based on domain-oriented specific sentiment phrases is proposed. By developing feature-sentiment Ontology, general sentiment and specific sentiment can be divided during the process of sentiment analysis. [Results] The proposed method shows fairly better results of precision and recall in terms of phrase-level sentiment analysis. [Limitations] In order to get better analysis, the Ontology should cover the concepts in the related field as much as possible and should be well-built; the authors ignore the syntactic rules during the concept extraction and sentiment analysis, because the product comments are not normative; in the phase of sentiment analysis, the authors assume that the context like conjunction would not affect the polarity. [Conclusions] The new method not only makes improvement on sentiment analysis by solving the problem described above, but also proposes a new way for sentiment lexicon management.
(Du Jiazhong Xu Jian Liu Ying Research on Construction of Feature-Sentiment Ontology and Sentiment Analysis
[J]. New Technology of Library and Information Service , 2014 (5 ): 74 -82 .)
URL
[本文引用: 2]
摘要
[Objective] In a specific domain, sentiment analysis, mostly based on general lexicon, cannot identify the context-specific sentiment belonging to the domain. Also, the same word in the specific domain shows different polarities (positive, negative, neutral) when describing different properties. The objective of this paper is to solve the problems described above. [Methods] A sentiment analysis approach based on domain-oriented specific sentiment phrases is proposed. By developing feature-sentiment Ontology, general sentiment and specific sentiment can be divided during the process of sentiment analysis. [Results] The proposed method shows fairly better results of precision and recall in terms of phrase-level sentiment analysis. [Limitations] In order to get better analysis, the Ontology should cover the concepts in the related field as much as possible and should be well-built; the authors ignore the syntactic rules during the concept extraction and sentiment analysis, because the product comments are not normative; in the phase of sentiment analysis, the authors assume that the context like conjunction would not affect the polarity. [Conclusions] The new method not only makes improvement on sentiment analysis by solving the problem described above, but also proposes a new way for sentiment lexicon management.
[19]
李金海 , 何有世 , 马云蕾 , 等 . 基于在线评论信息挖掘的动态用户偏好模型构建
[J]. 情报杂志 , 2016 , 35 (9 ): 192 -198 .
[本文引用: 1]
(Li Jinhai He Youshi Ma Yunlei et al .Building Dynamic User Preference Model Based on Information Mining of Online Reviews
[J]. Journal of Intelligence , 2016 , 35 (9 ): 192 -198 .)
[本文引用: 1]
[20]
Gruber T R Toward Principles for the Design of Ontologies Used for Knowledge Sharing
[J]. International Journal of Human-Computer Studies , 1995 , 43 (5-6 ): 907 -928 .
https://doi.org/10.1006/ijhc.1995.1081
URL
[本文引用: 1]
摘要
Recent work in Artificial Intelligence (AI) is exploring the use of formal ontologies as a way of specifying content-specific agreements for the sharing and reuse of knowledge among software entities. We take an engineering perspective on the development of such ontologies. Formal ontologies are viewed as designed artifacts, formulated for specific purposes and evaluated against objective design criteria. We describe the role of ontologies in supporting knowledge sharing activities, and then present a set of criteria to guide the development of ontologies for these purposes. We show how these criteria are applied in case studies from the design of ontologies for engineering mathematics and bibliographic data. Selected design decisions are discussed, and alternative representation choices
[21]
董丽丽 , 赵繁荣 , 张翔 . 基于领域本体、情感词典的商品评论倾向性分析
[J]. 计算机应用与软件 , 2014 , 31 (12 ): 104 -108 .
https://doi.org/10.3969/j.issn.1000-386x.2014.12.024
URL
[本文引用: 1]
摘要
文本倾向性分析已成为当前自然语言处理领域的研究热点,其研究成果具有极高的应用价值。针对网络在线中文评论的特点,基于领域本体与情感词典对商品评论倾向性进行分析。其主要思想是首先构建面向商品论坛的领域本体;其次利用情感词典与上下文极性算法计算情感词极性;再次通过将本体与SBV算法相结合,实现评价对象和评价词的二元组抽取;最后完成句子的倾向性分析。实验结果表明,有效提高了句子级倾向性分析的准确率。
(Dong Lili Zhao Fanrong Zhang Xiang Analysing Propensity of Product Reviews Based on Domain Ontology and Sentiment Lexicon
[J]. Computer Applications and Software , 2014 , 31 (12 ): 104 -108 .)
https://doi.org/10.3969/j.issn.1000-386x.2014.12.024
URL
[本文引用: 1]
摘要
文本倾向性分析已成为当前自然语言处理领域的研究热点,其研究成果具有极高的应用价值。针对网络在线中文评论的特点,基于领域本体与情感词典对商品评论倾向性进行分析。其主要思想是首先构建面向商品论坛的领域本体;其次利用情感词典与上下文极性算法计算情感词极性;再次通过将本体与SBV算法相结合,实现评价对象和评价词的二元组抽取;最后完成句子的倾向性分析。实验结果表明,有效提高了句子级倾向性分析的准确率。
[22]
尹裴 , 王洪伟 , 郭恺强 . 中文产品评论的“特征观点对”识别: 基于领域本体的建模方法
[J]. 系统工程 , 2013 , 31 (1 ): 68 -77 .
[本文引用: 1]
(Yin Pei Wang Hongwei Guo Kaiqiang Feature-Opinion Pair Identification in Chinese Online Reviews Based on Domain Ontology Modeling Method
[J]. Systems Engineering , 2013 , 31 (1 ): 68 -77 .)
[本文引用: 1]
[23]
Protégé [EB /OL]. [2010 -12 -12 ]..
URL
[本文引用: 1]
[24]
宋园园 , 余建坤 . 一种基于领域知识的特征提取算法
[J].云南民族大学学报: 自然科学版 , 2017 , 26 (3 ): 252 -257 .
[本文引用: 1]
(Song Yuanyuan Yu Jiankun A Feature Extraction Algorithm Based on Domain Knowledge
[J]. Journal of Yunnan Minzu University: Natural Sciences Edition , 2017 , 26 (3 ): 252 -257 .)
[本文引用: 1]
[25]
杨燕霞 . 基于本体的旅游网络评论情感分析与预警系统
[J]. 计算机与数字工程 , 2016 , 44 (4 ): 649 -652 .
https://doi.org/10.3969/j.issn.1672-9722.2016.04.020
URL
[本文引用: 1]
摘要
挖掘旅游海量评论信息,智能分析用户情感,从而改进旅游产品和服务,是旅游电子商务成功的关键。论文从旅游网络评论信息出发,研究微博情感词汇本体的构建和基于贝叶斯分类算法的情感分类,实现了一个基于本体的旅游网络评论情感分析和预警系统。系统不仅节省了大量人力和物力,而且对制定合理的旅游政策具有一定的参考价值。
(Yang Yanxia Tourism Network Comments Sentiment Analysis and Pre-warning System Based on Ontology
[J]. Computer and Digital Engineering , 2016 , 44 (4 ): 649 -652 .)
https://doi.org/10.3969/j.issn.1672-9722.2016.04.020
URL
[本文引用: 1]
摘要
挖掘旅游海量评论信息,智能分析用户情感,从而改进旅游产品和服务,是旅游电子商务成功的关键。论文从旅游网络评论信息出发,研究微博情感词汇本体的构建和基于贝叶斯分类算法的情感分类,实现了一个基于本体的旅游网络评论情感分析和预警系统。系统不仅节省了大量人力和物力,而且对制定合理的旅游政策具有一定的参考价值。
[26]
张莉 , 许鑫 . 产品评论中的隐式属性抽取研究
[J]. 现代图书情报技术 , 2015 (12 ): 42 -47 .
[本文引用: 1]
(Zhang Li Xu Xin Implicit Feature Identification in Product Reviews
[J]. New Technology of Library and Information Service , 2015 (12 ): 42 -47 .)
[本文引用: 1]
[27]
赵志滨 , 刘欢 , 姚兰 , 等 . 中文产品评论的维度挖掘及情感分析技术研究
[J]. 计算机科学与探索 , 2018 , 12 (3 ): 341 -349 .
[本文引用: 1]
(Zhao Zhibin Liu Huan Yao Lan et al .Research on Dimension Mining and Sentiment Analysis for Chinese Product Comments
[J]. Journal of Frontiers of Computer Science and Technology , 2018 , 12 (3 ): 341 -349 .)
[本文引用: 1]
基于语义极性分析的餐馆评论挖掘
1
2008
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
基于语义极性分析的餐馆评论挖掘
1
2008
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
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
2
2016
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
... [2 ]通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
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
2
2016
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
... [2 ]通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
Towards Answering Opinion Questions: Separating Facts from Opinions and Identifying the Polarity of Opinion Sentences
1
2003
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
Opinion Mining and Sentiment Analysis
1
2008
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
Thumbs up or Thumbs down?: Semantic Orientation Applied to Unsupervised Classification of Reviews
1
2002
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
Numerical Synthesis of Pontryagin Optimal Control Minimizers Using Sampling-Based Methods
1
2017
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
Sentence Level Sentiment Analysis in the Presence of Conjuncts Using Linguistic Analysis
1
2007
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
一种基于极性词典的情感分析方法
1
2012
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
一种基于极性词典的情感分析方法
1
2012
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
Multi-aspect Sentiment Analysis for Chinese Online Social Reviews Based on Topic Modeling and HowNet Lexicon
1
2013
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
Topics Expressed in Online News Media Text
1
2006
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
Implicit Feature Identification via Co-occurrence Association Rule Mining
1
2011
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
基于HowNet的词汇语义倾向计算
1
2006
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
基于HowNet的词汇语义倾向计算
1
2006
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
Implicit Feature Identification in Chinese Reviews Using Explicit Topic Mining Model
1
2015
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
Extracting Knowledge from Evaluative Text
1
2005
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
Domain-Assisted Product Aspect Hierarchy Generation: Towards Hierarchical Organization of Unstructured Consumer Reviews
1
2011
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
Feature-Opinion Pair Identification of Product Reviews in Chinese: A Domain Ontology Modeling Method
2
2013
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
... 关于显式属性的抽取, 可以直接进行领域本体的映射.领域本体概念空间模型具有丰富的语义关系与完整的层次体系, 提供了领域概念和关系的词汇集[24 ] ,引入本体的知识与方法可以更好地抽取文本特征向量[16 ,25 ] , 将预处理后的在线文本与本体进行匹配, 将探测到的词转换为本体中的概念, 提取研究领域所包含的属性, 这些词可能为本体中的概念词、概念的同义词或下位词, 需要进行统一规范. ...
基于特征本体的微博产品评论情感分析
3
2016
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
... 以HowNet、大连理工大学情感词汇本体等通用情感词典为参考对象, 结合领域专业性构建本文的情感评价词典, 产品领域往往存在属于这个领域的专用情感词汇[17 ] , 如“跑电”、“卡”等往往是描述手机领域的评价词.具体情况为: ...
... 设置对照实验与本文的实验结果进行对比, 对照实验参考文献[17 ]的方法使用本体仅对产品属性进行分类, 构建情感词典计算属性类的情感, 不细分属性类下的单个属性情感, 借助本文实验集进行训练得到分类结果, 实验结果如表7 所示. ...
基于特征本体的微博产品评论情感分析
3
2016
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
... 以HowNet、大连理工大学情感词汇本体等通用情感词典为参考对象, 结合领域专业性构建本文的情感评价词典, 产品领域往往存在属于这个领域的专用情感词汇[17 ] , 如“跑电”、“卡”等往往是描述手机领域的评价词.具体情况为: ...
... 设置对照实验与本文的实验结果进行对比, 对照实验参考文献[17 ]的方法使用本体仅对产品属性进行分类, 构建情感词典计算属性类的情感, 不细分属性类下的单个属性情感, 借助本文实验集进行训练得到分类结果, 实验结果如表7 所示. ...
网络商品评论的特征-情感词本体构建与情感分析方法研究
2
2014
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
... 由于网络评论的随意与非正式性, 一些在线文本并不存在明确的评论对象, 需要根据语义分析与推断才能获得, 基于本体的匹配无法识别这类隐式属性[26 ] .对于隐式属性的提取, 现有研究主要是通过属性词与情感词之间的固定搭配关系来映射出产品特征, 例如在手机领域, “漏电”一般用来描述“电池”这个特征, “贵”、“便宜”通常用来描述“价格”这个特征.文献[18 ]使用改进的TF-IDF算法识别这种搭配关系, 本文基于产品属性层次归类的结果, 借助改进的TF-IDF算法计算情感词与属性的搭配权重, 若权重高于一定的阈值, 则认为两者之间存在固定搭配, 通过专用情感词来映射出隐式属性, 如公式(1)所示. ...
网络商品评论的特征-情感词本体构建与情感分析方法研究
2
2014
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
... 由于网络评论的随意与非正式性, 一些在线文本并不存在明确的评论对象, 需要根据语义分析与推断才能获得, 基于本体的匹配无法识别这类隐式属性[26 ] .对于隐式属性的提取, 现有研究主要是通过属性词与情感词之间的固定搭配关系来映射出产品特征, 例如在手机领域, “漏电”一般用来描述“电池”这个特征, “贵”、“便宜”通常用来描述“价格”这个特征.文献[18 ]使用改进的TF-IDF算法识别这种搭配关系, 本文基于产品属性层次归类的结果, 借助改进的TF-IDF算法计算情感词与属性的搭配权重, 若权重高于一定的阈值, 则认为两者之间存在固定搭配, 通过专用情感词来映射出隐式属性, 如公式(1)所示. ...
基于在线评论信息挖掘的动态用户偏好模型构建
1
2016
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
基于在线评论信息挖掘的动态用户偏好模型构建
1
2016
... 网络口碑情感分析旨在从大量的在线文本中获取评论者对产品内容的情感偏向, 从而挖掘出消费者对产品的兴趣与关注点所在[1 ] .情感分析按照粒度划分可分为文档、句子与词语三个级别[2 ] .在文档级情感分析研究中, Yu等[3 ] 使用多朴素贝叶斯模型对在线文本进行训练, 得到了较好的情感输出结果.Pang等[4 ] 使用PMI信息以及SVM方法对语料进行学习, 构建了情感倾向分类器.Turney[5 ] 提出一种基于语义分析的无监督的点互信息法.He等[6 ] 提出一种基于最优控制的最小化优化算法.在句子级方面, Meena等[7 ] 考虑连词对句子结构的影响, 再基于句法依存树分析评论句并进行情感分类.张成功等[8 ] 构建极性词典, 分析修饰词对极性词的影响并组成极性短语, 提出基于极性词典的情感分析方法.在词语级的细粒度情感分析中, Fu等[9 ] 结合LDA主题模型和HowNet词典的无监督的方法来自动实现情感分析.Kim等[10 ] 基于WordNet建立情感词典, 并以此识别情感词与情感极性, 再通过观点词探测出产品特征并计算情感倾向.Hai等[11 ] 使用两步共现关联规则挖掘方法分别识别隐式属性和显式属性.朱嫣岚等[12 ] 在HowNet的基础上, 分别利用词典中语义相似度和语义相关场方法来计算词汇的语义倾向.Xu等[13 ] 使用主题模型识别隐式属性, 从而计算属性情感倾向.Carenini等[14 ] 使用词语相似性对特定领域的产品属性进行属性分类, 以类为标准计算类情感倾向.Yu等[15 ] 借助已有的产品属性层次树和产品评论数据构建了产品属性概念层次树, 特征分类的准确度有了一定的提高.随着本体技术的发展, 学者们开始尝试将本体应用于情感研究中, 主流思想为根据本体进行特征抽取, 计算特征的情感倾向.Yin等[16 ] 以产品为导向构建领域本体, 结合情感词典, 实现了汉语评论中特征观点对的抽取与情感计算.唐晓波等[17 ] 以手机评论集为对象, 构建本体对产品特征进行抽取与分类, 并以情感词典为基础, 提出一种基于特征本体的产品评论情感分析方法.尹裴等[2 ] 通过领域本体识别特征观点对, 使用加权平均法计算特征观点对的极性, 从而实现评论的情感分类, 在性能上优于其他基于语义与统计的方法.杜嘉忠等[18 ] 构建了特征-情感词本体, 通过其映射与匹配出特征观点对, 实现情感倾向的分析.李金海等[19 ] 基于领域本体与情感词典, 实现了从在线评论的文本、句子到产品属性级的情感强度分析. ...
Toward Principles for the Design of Ontologies Used for Knowledge Sharing
1
1995
... 人们对本体的定义引用最多的是Gruber提出的, 定义为对概念体系规范化、明确化的说明, 以此实现知识的共享与共同理解[20 ] .将领域本体应用到网络文本挖掘中, 首先需要构建领域本体概念空间模型, 为领域属性表述提供准确与标准的解释, 建立对象与属性层之间的逻辑联系, 规范各属性节点的共性与异性, 自动实现多层级的信息组织[21 ] . ...
基于领域本体、情感词典的商品评论倾向性分析
1
2014
... 人们对本体的定义引用最多的是Gruber提出的, 定义为对概念体系规范化、明确化的说明, 以此实现知识的共享与共同理解[20 ] .将领域本体应用到网络文本挖掘中, 首先需要构建领域本体概念空间模型, 为领域属性表述提供准确与标准的解释, 建立对象与属性层之间的逻辑联系, 规范各属性节点的共性与异性, 自动实现多层级的信息组织[21 ] . ...
基于领域本体、情感词典的商品评论倾向性分析
1
2014
... 人们对本体的定义引用最多的是Gruber提出的, 定义为对概念体系规范化、明确化的说明, 以此实现知识的共享与共同理解[20 ] .将领域本体应用到网络文本挖掘中, 首先需要构建领域本体概念空间模型, 为领域属性表述提供准确与标准的解释, 建立对象与属性层之间的逻辑联系, 规范各属性节点的共性与异性, 自动实现多层级的信息组织[21 ] . ...
中文产品评论的“特征观点对”识别: 基于领域本体的建模方法
1
2013
... 产品说明书是对产品功能与性能参数的一个主要介绍, 涵盖了产品各方面的属性与关系[22 ] , 网络口碑信息是消费者对产品意见的交流, 体现了消费者所关注的产品属性, 包含重要的产品信息.从各大电商网站获取产品的说明书, 通过对产品说明书的整理与归类获得产品初始与主要的概念属性集C 1.同时, 抓取在线评论文本, 对预处理后的在线文本进行表达模式分析, 采用正则表达式提取名词、动词+名词、动词+形容词、名词+名词的词语组合形式, 作为候选的产品属性集, 人工过滤后得到词语集C 2, 与C 1构成最终产品核心概念集C . ...
中文产品评论的“特征观点对”识别: 基于领域本体的建模方法
1
2013
... 产品说明书是对产品功能与性能参数的一个主要介绍, 涵盖了产品各方面的属性与关系[22 ] , 网络口碑信息是消费者对产品意见的交流, 体现了消费者所关注的产品属性, 包含重要的产品信息.从各大电商网站获取产品的说明书, 通过对产品说明书的整理与归类获得产品初始与主要的概念属性集C 1.同时, 抓取在线评论文本, 对预处理后的在线文本进行表达模式分析, 采用正则表达式提取名词、动词+名词、动词+形容词、名词+名词的词语组合形式, 作为候选的产品属性集, 人工过滤后得到词语集C 2, 与C 1构成最终产品核心概念集C . ...
1
2010
... 使用斯坦福大学开发的本体构建工具Protégé构建领域本体, 该软件可提供本体概念类、关系与属性的构建功能, 并自动生成OWL语言的表示形式[23 ] . ...
一种基于领域知识的特征提取算法
1
2017
... 关于显式属性的抽取, 可以直接进行领域本体的映射.领域本体概念空间模型具有丰富的语义关系与完整的层次体系, 提供了领域概念和关系的词汇集[24 ] ,引入本体的知识与方法可以更好地抽取文本特征向量[16 ,25 ] , 将预处理后的在线文本与本体进行匹配, 将探测到的词转换为本体中的概念, 提取研究领域所包含的属性, 这些词可能为本体中的概念词、概念的同义词或下位词, 需要进行统一规范. ...
一种基于领域知识的特征提取算法
1
2017
... 关于显式属性的抽取, 可以直接进行领域本体的映射.领域本体概念空间模型具有丰富的语义关系与完整的层次体系, 提供了领域概念和关系的词汇集[24 ] ,引入本体的知识与方法可以更好地抽取文本特征向量[16 ,25 ] , 将预处理后的在线文本与本体进行匹配, 将探测到的词转换为本体中的概念, 提取研究领域所包含的属性, 这些词可能为本体中的概念词、概念的同义词或下位词, 需要进行统一规范. ...
基于本体的旅游网络评论情感分析与预警系统
1
2016
... 关于显式属性的抽取, 可以直接进行领域本体的映射.领域本体概念空间模型具有丰富的语义关系与完整的层次体系, 提供了领域概念和关系的词汇集[24 ] ,引入本体的知识与方法可以更好地抽取文本特征向量[16 ,25 ] , 将预处理后的在线文本与本体进行匹配, 将探测到的词转换为本体中的概念, 提取研究领域所包含的属性, 这些词可能为本体中的概念词、概念的同义词或下位词, 需要进行统一规范. ...
基于本体的旅游网络评论情感分析与预警系统
1
2016
... 关于显式属性的抽取, 可以直接进行领域本体的映射.领域本体概念空间模型具有丰富的语义关系与完整的层次体系, 提供了领域概念和关系的词汇集[24 ] ,引入本体的知识与方法可以更好地抽取文本特征向量[16 ,25 ] , 将预处理后的在线文本与本体进行匹配, 将探测到的词转换为本体中的概念, 提取研究领域所包含的属性, 这些词可能为本体中的概念词、概念的同义词或下位词, 需要进行统一规范. ...
产品评论中的隐式属性抽取研究
1
2015
... 由于网络评论的随意与非正式性, 一些在线文本并不存在明确的评论对象, 需要根据语义分析与推断才能获得, 基于本体的匹配无法识别这类隐式属性[26 ] .对于隐式属性的提取, 现有研究主要是通过属性词与情感词之间的固定搭配关系来映射出产品特征, 例如在手机领域, “漏电”一般用来描述“电池”这个特征, “贵”、“便宜”通常用来描述“价格”这个特征.文献[18 ]使用改进的TF-IDF算法识别这种搭配关系, 本文基于产品属性层次归类的结果, 借助改进的TF-IDF算法计算情感词与属性的搭配权重, 若权重高于一定的阈值, 则认为两者之间存在固定搭配, 通过专用情感词来映射出隐式属性, 如公式(1)所示. ...
产品评论中的隐式属性抽取研究
1
2015
... 由于网络评论的随意与非正式性, 一些在线文本并不存在明确的评论对象, 需要根据语义分析与推断才能获得, 基于本体的匹配无法识别这类隐式属性[26 ] .对于隐式属性的提取, 现有研究主要是通过属性词与情感词之间的固定搭配关系来映射出产品特征, 例如在手机领域, “漏电”一般用来描述“电池”这个特征, “贵”、“便宜”通常用来描述“价格”这个特征.文献[18 ]使用改进的TF-IDF算法识别这种搭配关系, 本文基于产品属性层次归类的结果, 借助改进的TF-IDF算法计算情感词与属性的搭配权重, 若权重高于一定的阈值, 则认为两者之间存在固定搭配, 通过专用情感词来映射出隐式属性, 如公式(1)所示. ...
中文产品评论的维度挖掘及情感分析技术研究
1
2018
... 在产品层次模型中, 属性之间不再独立存在, 整体包含部分, 子节点从属于父节点, 它们之间的情感倾向相互影响, 且不同子属性的重要性存在差异, 对父属性的情感影响不同[27 ] .因此, 本文从单个属性节点出发, 对不同层次的子属性赋予不同的情感权重, 对于某个层次的单个属性类的情感倾向来说, 其情感倾向为其本身独立的情感倾向值与其子节点的情感倾向值的加权和, 情感计算如公式(2)和公式(3)所示. ...
中文产品评论的维度挖掘及情感分析技术研究
1
2018
... 在产品层次模型中, 属性之间不再独立存在, 整体包含部分, 子节点从属于父节点, 它们之间的情感倾向相互影响, 且不同子属性的重要性存在差异, 对父属性的情感影响不同[27 ] .因此, 本文从单个属性节点出发, 对不同层次的子属性赋予不同的情感权重, 对于某个层次的单个属性类的情感倾向来说, 其情感倾向为其本身独立的情感倾向值与其子节点的情感倾向值的加权和, 情感计算如公式(2)和公式(3)所示. ...
