1、碩士學位論文基于基于詞向量和詞向量和深度學習深度學習的產(chǎn)品評論觀點挖掘產(chǎn)品評論觀點挖掘OpinionMiningfromProductReviewsBasedonWdEmbeddingDeepLearning作者姓名：彭振學科、專業(yè)：系統(tǒng)分析與集成學號：21411002指導教師：那日薩教授完成日期：2017年4月5日大連理工大學DalianUniversityofTechnology大連理工大學碩士學位論文I摘要網(wǎng)絡消費者在各種平臺上撰

2、寫了海量的產(chǎn)品評論，包含豐富的有價值的信息。面對海量評論文本，如何提取出關鍵信息成為一個棘手的問題。基于自然語言處理技術的在線產(chǎn)品評論觀點挖掘是解決這種矛盾的主要思路，具有重要的研究和應用前景。針對產(chǎn)品評論的觀點挖掘旨在挖掘用戶評論文本內容，以獲取用戶對產(chǎn)品要素的觀點和需求?，F(xiàn)有的研究多是先抽取評價對象，再進行情感極性分析，卻沒有挖掘出一種直觀地、簡短的針對各個產(chǎn)品要素的觀點概要以供參考。鑒于以上問題，針對產(chǎn)品要素的細粒度觀點挖掘是本文

3、的主要研究內容，旨在抽取出評論集中的產(chǎn)品要素，并總結基于這些產(chǎn)品要素的觀點。本文的研究主要涉及以下三個任務：1.觀點信息標注。觀點信息標注旨在識別出評論中的評價對象、程度詞和觀點詞。鑒于使用條件隨機場（CRFs）模型以序列標注任務處理這類問題時需要人工構造語言學特征的缺陷，本文提出一種融合了分布式詞向量（WdEmbedding）、深度學習與條件隨機場（CRFs）的算法框架BLSTMCRF來標注評價對象、程度詞和觀點詞。具體地，本算法框架

4、使用CBOW模型無監(jiān)督訓練的分布式詞向量饋送給雙向長短期記（BLSTM）神經(jīng)網(wǎng)絡模型自動學習詞序列的語義、上下文、依存句法等特征，再以CRFs層進行解碼標注，從而識別評價對象、程度詞和觀點詞。通過實驗發(fā)現(xiàn)這種結構能充分獲取它們在語義、角色上的相互依賴關系，有助于信息標注的準確性。2.構建觀點知識庫。在觀點信息標注的基礎上，對句子中的評價對象和觀點陳述（程度詞觀點詞）按規(guī)則進行搭配。本文構建了評價對象和觀點陳述的關聯(lián)關系二部圖，同時分析歸

5、納評價對象和觀點陳述之間的詞性搭配規(guī)則、依存句法路徑模式，用于篩選不確定的搭配關系，最終生成評論集上的二元組集合，作為產(chǎn)品評論的觀點知識庫。3.生成基于產(chǎn)品要素的觀點摘要。由于同一產(chǎn)品要素存在多種表述方式，需要把語義相同的評價對象聚合為一類作為一種產(chǎn)品要素，并總結該產(chǎn)品要素的觀點。本文提出一種基于詞向量的評價對象相似度計算方法，人工給定產(chǎn)品要素關鍵詞，抽取與之最相近的評價對象，并總結其觀點。為了測試本文所提方法的有效性，抓取了某電子商務