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_第1頁
已閱讀1頁,還剩64頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領

文檔簡介

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

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論