聯(lián)合規(guī)則模板的評價對象抽取方法和推薦系統(tǒng)方法研究.pdf

1、本文主要研究課題是評價對象抽取，也就是識別出一條文本中評價的目標，評價對象抽取是細粒度的元素抽取，與傳統(tǒng)的文檔級別情感分類不同，細粒度旨在對主觀性文本數(shù)據(jù)進行更深入的意見抽取和分類工作，這些工作可以廣泛的應用于產(chǎn)品評論挖掘、商業(yè)智能、社會輿情分析、推薦系統(tǒng)等方面。評價對象抽取的方法大致有兩大類:基于規(guī)則模板的方法和基于統(tǒng)計機器學習的方法。本文結(jié)合這兩種方法，顯著提升評價對象抽取效果。
　　為了使評價對象抽取有更好的效果，首先在預處

2、理方面構(gòu)建自定義分詞詞典，解決分詞不準確的問題。設計制定五種句法模式，根據(jù)制定的規(guī)則，抽取出語料中的潛在評價對象，再通過句法分析中的依存關系過濾出實際評價對象。在選擇詞、詞性特征、情感詞特征、與情感詞是否有依存關系特征的基礎上，加上與動詞是否有依存關系特征和規(guī)則模板抽取得到的實際評價對象特征，利用CRFs模型來訓練和識別。充分利用機器學習模型具有很高的精確率以及規(guī)則模板具有高的召回率的優(yōu)點，從而提高評價對象抽取效果。評價對象抽取主要研究

3、內(nèi)容包括以下四個方面:(1)本文語料集在預處理階段，就構(gòu)建了自定義用戶分詞詞典、情感詞典以及動詞詞典，為實驗做準備。(2)首先根據(jù)規(guī)則模板方法抽取出評價對象，作為CRFs模型的一個特征，結(jié)合了規(guī)則模板和機器學習方法，使評價對象抽取效果顯著提升。(3)為了找到CRFs模型下最好的特征模板窗口大小，本文在2-7個窗口大小下，在不同領域的實驗數(shù)據(jù)集上選擇不同的特征組合，查看實驗對比效果，選取出最好的特征模板。(4)在CRFs模型下，在手機領域

4、數(shù)據(jù)集下，對比不同的特征，觀察每個特征對評價對象抽取的影響。(5)本文方法與主流的規(guī)則方法以及機器學習方法進行比較，進一步說明本文方法在評價對象抽取方面有很好的效果。
　　本文還介紹了一個推薦系統(tǒng)方法研究，這里是對評價對象抽取的一個具體應用?；诨バ畔⑺惴?，從三個方面進行分析數(shù)據(jù)，包括用戶對商品的歷史行為、商品標題以及商品標簽信息，綜合考慮三個方面，從命中率和覆蓋率來判斷推薦系統(tǒng)的好壞。實驗證明，基于互信息的推薦系統(tǒng)取得很好的效果