基于Co-training的評價搭配抽取系統(tǒng)的設(shè)計與實現(xiàn).pdf

1、隨著Web2.0的迅猛發(fā)展,互聯(lián)網(wǎng)與人們的日常生活聯(lián)系越來越緊密。網(wǎng)絡(luò)已經(jīng)成為人們平時發(fā)表意見、交流經(jīng)驗的主流平臺,導致了互聯(lián)網(wǎng)上出現(xiàn)了大量消費者的評論,其表現(xiàn)形式都是非結(jié)構(gòu)化的文本。不論對于消費者還是企業(yè)這些評論都蘊含著極其重要的價值信息,因此,僅通過人工閱讀,從海量評論中快速、有效地找出人們評論的對象及其觀點或態(tài)度,將會花費大量的人力資源。為了從細粒度的角度,獲取評論中的評價對象、評價詞及其評價搭配,本文設(shè)計并實現(xiàn)了一個自動抽取評價

2、搭配的系統(tǒng)。主要內(nèi)容如下:
　　(1)利用條件隨機場模型(CRF),設(shè)計了協(xié)同訓練算法(Co-training),該算法首先設(shè)計將詞特征、詞性特征以及上下文特征劃分為兩個互不相交的特征集,然后利用人工標注了少量的評價對象、評價詞的數(shù)據(jù)作為訓練集,訓練CRF模型,再參考得到的兩個測試結(jié)果,選出其中含有標注相同詞的句子,將測試結(jié)果中大于特定閾值的詞在句子中標注后添加到訓練集中。通過不斷地循環(huán),得到更大規(guī)模的標注了評價對象、評價詞的訓練

3、集。在此基礎(chǔ)上,對大量未標注語料標注評價對象、評價詞。
　　(2)評價搭配是將評價對象與評價詞進行搭配。本文采用近鄰法,考慮了否定詞對極性的影響。其中,評價搭配格式為<評價對象,評價詞,極性>。
　　(3)采用C/S模式,設(shè)計三個功能模塊,分別為:評價對象抽取、評價詞抽取以及評價搭配抽取模塊。在此基礎(chǔ)上,利用Java語言,借助CRF工具包,實現(xiàn)了從大量評論信息中快速、有效地抽取評價搭配。該系統(tǒng)可以減少人工參與,在很大程度上節(jié)