中文网络评论的产品特征提取及其情感倾向判定

摘要

随着互联网和电子商务的蓬勃发展，网络逐渐成为用户发表产品评论的重要平台，网络产品评论以惊人的速度不断增长，而这些评论中包含着大量的有价值的信息，生产厂商和用户则可以有效利用这些信息做出决策。通过浏览互联网上某产品的评论，用户可以了解人们对该产品的态度倾向分布，做出购买决策;生产厂商可以了解用户对其产品使用后的反馈信息以及用户对竞争对手产品的评价，从而根据反馈信息改进产品，赢得竞争优势。
　　但是，网络上的产品评论是数量庞大的非结构化数据，如果生产厂商和用户通过人工阅读的方式来获取所需要的信息，不仅消耗时间，而且容易出现错误。因此，生产厂商和用户迫切需要借助一定的技术手段对大量网络产品评论进行自动处理，从而可以使他们快速精准地得到所需要的信息。正是因为生产厂商和用户的迫切需求，评论挖掘成为了研究热点。评论挖掘利用关联规则、语义分析、机器学习以及统计分析等技术对用户在网络上购买某产品后写下的大量评论数据进行处理，自动归纳出用户对该产品特征的态度倾向分布，用户根据挖掘结果可以快速准确地做出购买决策;生产厂商根据挖掘结果得到待宣传和待改进的产品特征，增强产品在市场上的反应能力，提高用户的满意度。
　　基于文本的语义和语言分析，利用产品特征与观点词之间的语义关系以及观点词的情感倾向对产品特征的影响，本文提出了从产品评论中提取用户关注的产品特征的方法，并根据用户的关注程度对产品特征进行排序;同时，根据观点词的极性值判定用户对产品特征的情感倾向以及情感倾向强度。本研究采用从互联网上获得的针对笔记本电脑的产品评论作为实验对象，实验结果初步证明该方法具有良好的准确率和召回率。

目录

声明

摘要

第1章 绪论

1．1 研究背景与意义

1．1．1 研究背景

1．1．2 研究意义

1．2 研究现状

1．2．1 特征挖掘研究现状

1．2．2 观点挖掘研究现状

1．3 论文主要研究内容

1．4 文章结构安排

第2章 评论挖掘介绍

2．1 评论挖掘概述

2．1．1 评论挖掘概念

2．1．2 评论挖掘分类

2．1．3 评论挖掘的一般过程

2．2 评论文本预处理

2．3 产品特征提取

2．3．1 文本模式算法

2．3．2 Apriori算法

2．4 观点词的提取及其极性值计算

2．4．1 基于HowNet的观点词极性计算方法

2．4．2 基于PMI的观点词极性计算方法

2．5 评论文本观点挖掘

2．5．1 评论语句级别的观点挖掘

2．5．2 产品特征级别的观点挖掘

第3章 产品特征提取及其情感倾向的判定

3．1 评论文本挖掘总体架构

3．2 评论文本采集

3．3 评论文本预处理

3．3．1 文本切分

3．3．2 文本分词与词性标注

3．3．3 语言学特征处理

3．4 产品特征提取

3．5 判定用户对产品特征的情感倾向

3．5．1 观点词的褒贬程度计算

3．5．2 用户对产品特征的情感倾向值计算

第4章 实验数据分析

4．1 数据来源

4．2 实验结果分析

4．2．1 特征提取结果分析

4．2．2 用户对特征的情感倾向结果分析

第5章 总结与展望

5．1 总结

5．2 展望

参考文献

附录

致谢

在读期间发表的学术论文与取得的其他研究成果