隨著互聯(lián)網(wǎng)技術的蓬勃發(fā)展,電商平臺在人們生產(chǎn)生活中越來越重要,同時也成為我國經(jīng)濟體系中十分重要的一部分。尤其在2020年上半年面對新冠疫情的嚴峻挑戰(zhàn)時,商品消費明顯由線下向線上轉(zhuǎn)移。顧客和商家對產(chǎn)品和服務的線上評價反饋愈發(fā)重視,然而海量評論讓人難以找到對自己有用的信息,在此背景下觀點挖掘技術應運而生。傳統(tǒng)的文檔和句子級別的觀點挖掘只能獲得產(chǎn)品和服務在整體上的優(yōu)劣,無法獲取方面或者屬性級別的評價信息,難以滿足顧客和商家對于更加細粒度的觀點信息需求。因此,特征級別的觀點挖掘分析,即細粒度觀點挖掘脫穎而出,成為近年來學術界和工業(yè)界的研究熱點之一。特征級別觀點挖掘,也稱作方面或?qū)傩约墑e觀點挖掘,是對評價對象的不同特征進行觀點挖掘和情感傾向分析。觀點內(nèi)容提取和評論特征識別是特征級別挖掘任務的兩個子任務,通過在評論文本中獲取特征級別的觀點內(nèi)容,再判斷該觀點評價的特征,達到識別出特征級別觀點信息的目的。面對評論中通常包含多個特征方面觀點時,從評論中獲取特征級別觀點內(nèi)容是觀點挖掘的首要任務。有效的提高觀點識別的準確性和自動化程度,更有助于特征級別觀點挖掘任務的開展。此外,許多評論中都并未以字面形式顯式...

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

圖1.1文章組織架構(gòu)圖

下圖1.1為本文的文章組織結(jié)構(gòu)圖。第一節(jié)特征級別觀點挖掘研究現(xiàn)狀

圖3.1模型整體流程圖

本文中構(gòu)建的隱性特征識別模型,主要是由數(shù)據(jù)預處理、基于BERT和CRF的觀點內(nèi)容提取、構(gòu)建特征類指示詞表、基于BERT-AV(BERT-AspectVector)的隱性特征類識別四部分構(gòu)成,模型的框架如圖3.1所示。在線評論通過數(shù)據(jù)預處理后,輸入到BERT-CRF的觀點提取模型....

圖3.2基于BERT-CRF的觀點提取

本節(jié)中介紹的觀點內(nèi)容抽取,是通過序列標注識別出評論中所包含的一個或多個觀點內(nèi)容。在BERT最后輸出上加入CRF層,CRF能夠約束標簽之間的關系,統(tǒng)計類別轉(zhuǎn)移概率能夠保證預測的序列標簽符合規(guī)則。CRF層可以在訓練過程中學習到標簽內(nèi)的約束關系,減少錯誤的預測序列出現(xiàn)。圖3.2描述的即....

圖3.3BERT模型結(jié)構(gòu)圖

輸出層位于多層隱藏層的后一層,其主要作用是獲取[CLS]標記對應的表示作為整個序列的表示,并且返回多層隱藏層所獲得的所有標記表示。在BERT的輸出中,通常是根據(jù)下游任務的需要選取輸出的表示。由于BERT具有多層Transformer層,每層都可以捕獲到不同的特征信息,在不同任務下....

本文編號：3894208