面向在线评论的汉语意见解释分类方法研究

摘要

意见挖掘研究近年来取得很大进展，但是现有的意见挖掘系统大多只关注褒贬意见，却忽略了意见背后的原因、事实细节、建议或条件等意见解释信息，而这些信息对基于意见挖掘的决策和信息服务极为重要。为此，本文面向产品评论，在深入分析汉语产品评论的意见解释语言特点基础上，探索意见解释分类方法及关键技术。具体地，本文从以下三个方面展开研究:
　　(1)汉语意见解释分类语料构造与分析:鉴于目前还没有公开可用的解释性意见资源库，本文首先在制定意见解释分类体系及相关标注规范基础上，构建了关于手机和酒店两个领域的产品评论意见解释分类语料库，并对不同领域的意见解释的语言特点进行了比较分析。分析结果表明，意见与意见解释并非一一对应，不同类别的意见解释的语言表达差异很大。
　　(2)基于SVM的汉语意见解释分类:本文在SVM框架下探索不同特征选择及表示方法对意见解释分类的影响，尤其是意见解释内部片段内部的基本特征，以及意见解释相关联的属性、评价、情感极性等上下文特征。实验结果验证了多特征融合有利于提高意见解释分类性能。
　　(3)基于神经网络的汉语意见解释分类:为了进一步提高意见解释分类性能，本文在基于特征工程的SVM分类方法基础上，尝试使用CNN、RNN和LSTM等不同的神经网络模型解决意见解释分类问题。实验结果表明，基于神经网络模型的分类方法优于传统的SVM分类方法，且CNN方法优于RNN和LSTM方法。

目录

摘要

第1章 绪论

1．1 研究目的和意义

1．2 国内外研究现状

1．2．1 解释性意见挖掘研究现状

1．2．2 意见解释分类方法研究现状

1．3 汉语意见解释分类研究面临的主要问题

1．4 本文主要研究内容

1．5 本文的组织安排

第2章 汉语意见解释分类语料构造与分析

2．1 引言

2．2 汉语意见解释分类体系

2．3 语料的收集和预处理

2．3．1 语料收集

2．3．2 语料预处理

2．4 语料标注规范

2．5 语料标注质量

2．6 不同领域意见解释分析

2．7 本章小结

第3章 基于SVM的汉语意见解释分类

3．1 引言

3．2 汉语意见解释分类问题描述

3．3 SVM分类框架

3．4 意见解释分类特征工程

3．4．1 特征设置

3．4．2 特征选择

3．4．3 特征表示

3．5 实验结果与分析

3．5．1 实验设置

3．5．2 基于不同特征选择方法的意见解释分类实验

3．5．3 基于句子语义向量表示方法的意见解释分类实验

3．5．4 内部特征与外部特征融合的意见解释分类性能对比实验

3．6 本章小结

第4章 基于神经网络的汉语意见解释分类

4．1 引言

4．2 神经网络模型

4．2．1 卷积神经网络模型

4．2．2 循环神经网络模型

4．2．3 长短时记忆网络模型

4．3 模型训练及参数设置

4．4 实验结果与分析

4．4．1 不同神经网络模型的意见解释分类性能对比实验

4．4．2 CNN模型与意见解释复合特征结合的意见解释分类实验

4．5 本章小结

结论

参考文献

致谢

攻读硕士学位期间发表的学术论文及参加的科研项目

声明