基于主題情感統(tǒng)一最大熵模型的觀點挖掘研究.pdf

1、電子商務(wù)的大繁榮使得數(shù)以萬計的用戶開始通過網(wǎng)絡(luò)購買各種產(chǎn)品、服務(wù)，并在線發(fā)表評論信息。許多消費者在購買某種產(chǎn)品或服務(wù)的時候，通常會先參考之前購買者的評論信息，獲得直觀的了解和認(rèn)識。而商家則通過這些在線評論信息，獲得用戶對其產(chǎn)品的反饋信息。但是由于這些評論信息數(shù)量巨大，僅靠傳統(tǒng)的人工閱讀篩選方式很難快速有效地獲取有價值的信息。因此，針對海量在線評論信息進(jìn)行觀點挖掘成為一個重要研究課題，得到了國內(nèi)外研究者的廣泛關(guān)注。
　　觀點挖掘研究

2、主要使用基于規(guī)則的方法、基于語言學(xué)的方法和基于統(tǒng)計機器學(xué)習(xí)的方法?；谝?guī)則的方法需要領(lǐng)域?qū)＜叶x不同領(lǐng)域的特征詞和規(guī)則，無法滿足新詞的不斷出現(xiàn)，并且規(guī)則也不具有跨領(lǐng)域性?；谡Z言學(xué)的方法利用語言的語法特性規(guī)律識別特征詞，但是不同語言的語法組織方式差異非常大，不具有跨語言性。上述兩種方法的可移植性差，而且不能自動聚類到具有相似意義的主題下。LDA主題模型作為一種無監(jiān)督統(tǒng)計主題模型不僅能夠很好地克服上述方法的缺點，還不需要人工標(biāo)記大量訓(xùn)練集

3、，而這正是其他有監(jiān)督和半監(jiān)督統(tǒng)計模型所必須的，因此得到了研究者的廣泛運用。但是由于標(biāo)準(zhǔn)LDA模型是一個詞袋模型，沒有考慮詞的位置和語義信息，不適合用來提取細(xì)粒度領(lǐng)域特征詞，同時由于模型是一個三層結(jié)構(gòu)，也不適合進(jìn)行細(xì)粒度觀點挖掘，因此，需要加以改進(jìn)后才能使用。
　　為解決該問題，本文在對標(biāo)準(zhǔn)LDA模型進(jìn)行改進(jìn)的基礎(chǔ)上，提出了一個主題情感統(tǒng)一最大熵LDA模型(Topic and Sentiment Unification Maximu

4、m EntropyModel，TSU MaxEnt-LDA)對在線網(wǎng)絡(luò)評論進(jìn)行細(xì)粒度觀點挖掘。首先，在傳統(tǒng)LDA模型中加入最大熵組件，用以區(qū)分背景詞、特征詞和觀點詞;然后，通過加入指示變量，對特征詞和觀點詞進(jìn)行全局和局部的區(qū)分。最后，在主題層和單詞層之間加入情感層，將傳統(tǒng)的三層LDA模型擴展成四層，在提取特征詞和觀點詞的同時進(jìn)行情感極性分析，先獲取每個主題的情感極性，再獲取整篇評論的情感極性，最終生成細(xì)粒度的主題情感摘要圖。
　　

5、為了驗證本模型具有跨領(lǐng)域性，實驗選取了常用的兩個領(lǐng)域的語料庫，分別是從Citysearch New York提取的Restaurant領(lǐng)域的評論和從Amazon提取的Electronics領(lǐng)域的評論。實驗結(jié)果表明本文提出的理論較以往研究有較大的提高，從而證明本模型的正確性。
　　本文內(nèi)容主要分為五章，第一章從各個方面介紹了本課題的研究背景和研究意義，分析了當(dāng)前國內(nèi)外研究者在觀點挖掘領(lǐng)域的研究現(xiàn)狀。第二章詳細(xì)介紹了細(xì)粒度觀點挖掘的幾