评论文本中解释型关系抽取的研究与实现

摘要

近些年情感的表示方法和自动分析方法得到了广泛的关注。现在大多数研究的关注点集中在文本的各种粒度上的分类以及识别非结构化文本中的观点和情感。一些方法试图抽取观点的持有者，情感倾向，评价对象以及其他的一些情感因素，以回答“谁关于什么发表了怎样的观点”这样的基本问题。
　　本文研究了从商品评论中抽取对主观句具有解释型关系句子的问题。通过分析人工标注为有用性的商品评论发现，这些评论不仅包括商品正面或者负面的信息，而且也包括对正面或者负面评论的解释。由于大部分消费者都不是所购买商品领域的专家，对于普通消费者而言，提供关于主观句更容易理解的解释型句子将是非常有用的。本文提出了使用基于整数线性规划的机器学习方法进行抽取解释型关系的方法。通过一系列在人工标注的语料上的实验，证明本文提出的解释型关系抽取的方法是有效的。
　　本文的主要贡献如下:
　　1、本文给出解释型句子的定义。这是首次提出关于评论文本中解释型关系抽取的研究。
　　2、由于没有公开的语料可以使用，本文收集了大批语料文本，构建了一个用于解释型关系抽取语料，并且使用亚马逊土耳其机器人进行校验，保证了语料的质量。
　　3、本文提出了一种有监督的机器学习方法，以评论文本作为输入，主观句和解释型句子组成的解释型关系作为输出。这是一种基于整数线性规划的两阶段机器学习算法，能够有效的捕捉全局约束。

目录

摘要

第一章 绪论

1．1 研究背景及意义

1．2 本文的主要内容和组织结构

1．2．1 本文的主要内容

1．2．2 本文的组织结构

第二章 相关研究

2．1 情感分析

2．1．1 倾向性分类

2．1．2 倾向性信息抽取

2．2 篇章结构分析

2．3 整数线性规划在自然语言处理中的应用

2．4 本章小结

第三章 解释型关系抽取概述

3．1 解释型句子的定义

3．2 解释型关系抽取的意义

3．3 解释型关系抽取的挑战

3．4 有向图表示

3．5 本章小结

第四章 模型和方法

4．1 整体流程

4．2 支持向量机

4．3 主观句识别

4．4 局部分类

4．5 全局优化

4．5．1 全局特征

4．5．2 整数线性规划简介

4．5．3 整数线性规划使用

4．6 本章小结

第五章 语料库构建

5．1 语料准备

5．2 人工标注

5．3 标注校验

5．4 语料的XML表示

5．5 本章小结

第六章 实验

6．1 主观句识别

6．2 解释型关系抽取

6．2．1 评价指标

6．2．2 baseline 1：PDTB Parser

5．3．3 baseline 2：CRF

6．2．4 baseline 3：SVM

6．2．5 SVM+整数线性规划

6．3 特征枚举

6．4 整数线性规划参数调优

6．5 本章小结

第七章 总结与展望

6．1 总结

6．2 展望

参考文献

致谢