摘要:评价对象提取是细粒度情感分析的关键一步.优质的提取结果对于口碑分析、辅助消费决策舆情等具有重要优质的提取结果对于口碑分析、辅助消费决策舆情等具有重要优质的提取结果对于口碑分析、辅助消费决策舆情等具有重要优质的提取结果对于口碑分析、辅助消费决策舆情等具有重要优质的提取结果对于口碑分析、辅助消费决策舆情等具有重要优质的提取结果对于口碑分析、辅助消费决策舆情等具有重要优质的提取结果对于口碑分析、辅助消费决策舆情等具有重要意义.但中文评论往包含多个价对象但中文评论往包含多个价对象,并且,并且由于错别字、由于错别字、输入无关信息等问题导致传统方法传统方法识别准确率低.针对这一问题,提出了一种融合语义与语法信息的评价对象取模型.该模型首先在原始字向量的基础上,通过优化字符含义策略增强了语义特征,弥补忽略的字符与词语间的内部信息.此外通过.此外通过词性序列标注方法,对评论中的信息进行了表征词性序列标注方法,对评论中的信息进行了表征词性序列标注方法,对评论中的信息进行了表征深化了输入的语法信息,然后语法信息,然后Bi-LSTMLSTMLSTMLSTM网络进行模型训练,最后辅网络进行模型训练,最后辅网络进行模型训练,最后辅网络进行模型训练,最后辅以CRFCRFCRF层克服标签的偏差问题,克服标签的偏差问题,最终提高了评价对象取的效果.在BDCI2017201720172017数据集上的实验结果表明,该模型与其他方法相比与其他方法相比主题词与情感词准确率分别达到了77.51%与88.738.738.738.73%,联合提取的准确率达到了77.16%,可以较好的识别出在中文评论价对象.可以较好的识别出在中文评论价对象.