基于深度学习的商品细粒度意见挖掘

摘要

大数据时代的购物体验，正在逐渐从线下消费模式，向线上和线下相结合的模式进行转变。在线商品评价，可以在很大程度上反应出消费者对商品的态度和意见。本文主要从评价方面词的抽取，预测评价维度，以及评价维度层级上的情感分析这三个方面进行深入研究，挖掘得到商品评价中的细粒度主观情感。结合深度学习算法，从消费者的角度分析目标商品在多个评价维度上的优缺点，以帮助消费者得到更好的购物体验。 首先，针对于评价文本中常出现的“错别字”、“近音字”、“口语化表达”等问题，提出使用Soundex语音标签和Brown聚类标签进行模糊处理。实验证明，在文本表达中增加标签特征，模型预测结果的召回率提升了3%，macro F值整体提高近1%。 其次，论文中提出的商品评价维度识别模型，在隐藏层映射中结合了全连接层和滑动窗口的设计，也使得模型的收敛效率更高，在不影响预测结果的前提下，训练时间降低近一半。 最后，再结合抽取得到的评价方面词和上下文语境，创新地提出利用池化和注意力机制，来进行多维度的权重学习，以实现细粒度的商品评论情感分类。在SemEval的基于方面的情感分析任务标准数据集上进行实验，在餐饮领域和笔记本领域分别得到了77.95%和69.59%的macro F值，比TD-LSTM模型提高了2%，比效果最好的ATAE-LSTM模型还高0.8%。仅在Twitter数据集上比TD-LSTM模型低0.7%。但Twitter数据集属于粗粒度的情感分析语料，这也可以说明，文本中提出的模型在细粒度情感分析上更具有优势。 论文通过上述3个方面的工作，将分散的商品评价意见进行分类，形成了在评价维度层级上的商品意见，研究成果可应用于情感分析、关系抽取、商品推荐等研究领域。论文的进一步工作包括以下两个方面：解决评价方面词缺失问题和评价维度多样性问题。

目录

声明

第一章 绪论

1.1 研究工作的背景与意义

1.2国内外相关研究现状

1.2.1 文本意见抽取的研究现状

1.2.2 细粒度情感分析的研究现状

1.2.3 深度学习在自然语言处理领域的研究现状

1.3 主要贡献与创新

1.4 论文的结构安排

第二章 意见挖掘相关理论及技术

2.1文本的特征表示

2.1.1分布式词向量表达

2.1.2文本距离度量

2.2商品评论文本特征的处理方案

2.2.1 Soundex算法

2.2.2 Brown算法

2.3评价维度识别相关算法

2.3.1文本序列标注

2.3.2条件随机场模型

2.4 深度学习基础

2.4.1 神经元结构

2.4.2 BP迭代算法

2.4.3 循环神经网络模型及其变种模型

2.5 本章小结

第三章 商品评价维度识别模型

3.1 商品评论文本预处理

3.1.1 分词及词性标注

3.1.2 特殊特征的标注

3.1.3 分布式词向量的预训练

3.2 抽取评论方面词

3.2.1 商品评论方面词抽取模型的构建

3.2.2 模型的迭代训练及模型优化

3.3 预测评价维度

3.3.1 计算文本相似度

3.3.2 预测结果分析

3.4 本章小结

第四章 评价维度层级的情感倾向分析

4.1 文本特征的提取和表示

4.1.1 提取细粒度的评价特征

4.1.2 多维度的文本特征表示

4.2 细粒度情感倾向分析模型的构建

4.3 本章小结

第五章 商品评论细粒度意见挖掘实验

5.1 对比实验的设计

5.1.1 实验环境说明

5.1.2 实验数据来源

5.1.3 实验评价标准

5.2 商品评论方面词抽取的实验结果与分析

5.2.1 分布式的词向量与迭代算法的对比实验

5.2.2与其他方法的对比实验

5.3 基于商品评论方面词的情感分析实验结果与分析

5.4 本章小结

第六章 结论与展望

6.1 结论

6.2 展望

致谢

参考文献

攻读硕士学位期间取得的成果