在電商網(wǎng)站不斷增加的時代,用戶的評論信息也在不斷的增多。用戶通過瀏覽某個產(chǎn)品的網(wǎng)絡(luò)評論得到數(shù)據(jù)支持服務(wù),借此深入了解產(chǎn)品,并在用戶決策時提供參考;商家通過挖掘用戶的反饋意見,指導(dǎo)后續(xù)改進(jìn)產(chǎn)品和服務(wù)的質(zhì)量。關(guān)于網(wǎng)絡(luò)評論的意見挖掘技術(shù)得到廣泛的研究。意見挖掘中評價對象的抽取是很多研究者關(guān)注的問題,其中明確表達(dá)評論屬性的顯式評價對象獲得了較多研究。包含隱式評價內(nèi)容的用戶意見挖掘為用戶和商家提供了更加豐富的評論意見。因此,本文結(jié)合隱式評價內(nèi)容對用戶意見挖掘技術(shù)進(jìn)行了研究與應(yīng)用,主要工作如下:1)提出了顯式評價對象與評價詞抽取方法。根據(jù)評價對象抽取任務(wù)的粒度不同,可將其整理為語料級別和語句級別的抽取。針對語料級別的抽取任務(wù),本文提出一種融合語義依存關(guān)系和BTM的Biterm*Topic Model語料級別評價對象抽取模型;針對語句級別的抽取任務(wù),本文提出了基于BiLSTM-CRF與不同權(quán)值的詞嵌入向量和詞性嵌入向量相結(jié)合的Weight^N-BiLSTM-CRF語句級別評價對象抽取模型。使用不同的抽取模型抽取出不同級別的文本中的評價對象與評價詞。2)針對意見挖掘中的隱式評價對象... 

【文章來源】：河北科技大學(xué)河北省

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【部分圖文】：

方案處理過程

題模型通過對每個文檔中詞或詞組的生成進(jìn)行建模，利揭示語料庫的潛在語義結(jié)構(gòu)。這些方法對短文本很敏感共現(xiàn)模式是稀疏的，而且不可靠。相反，如果將語料庫起來，它們的頻率就會更穩(wěn)定，更清楚地揭示出單詞之，產(chǎn)生了雙詞話題模型（Biterm Topic Model）[44]。pic Model（BTM）打破傳統(tǒng)主題模型的文檔-主題層，通理短文本的特殊性。雙詞（Biterm）表示一個短的上下文這里一個短的上下文是指一個術(shù)語序列上的一個小的固限的短文本中，比如推文和文本消息，可以簡單地將每元。在這種情況下，文檔中的任何兩個不同的單詞構(gòu)成中有三個不同的詞或者詞組，組成的三個詞對如下： {( w1,w2),( w2,w3),( w1,w3)}無序的，并且展示了詞的共現(xiàn)關(guān)系。換句話說兩個詞共的語義越相關(guān)，屬于同一話題的可能性就越高。在每個料庫現(xiàn)在變成一個詞對集。

圖 2-2 CRF 結(jié)構(gòu)圖習(xí)框架rch一個基于 Torch 的 Python 開源機(jī)器學(xué)習(xí)庫，用于自然心提供定義數(shù)學(xué)函數(shù)和計算其梯度的能力[52]。PyTorch 量 Tensor 的計算（如 numpy），其具有強(qiáng)大的 GPU 加上自動調(diào)整系統(tǒng)，所構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)。大優(yōu)點(diǎn)就是作為一個動態(tài)的而不是靜態(tài)的計算圖形框自然語言處理，例如循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural N的輸出。其一，動態(tài)框架允許開發(fā)者編寫常規(guī)的 Pytho試，來開發(fā)的神經(jīng)網(wǎng)絡(luò)邏輯。其二，Pytorch 允許開發(fā)個算法中發(fā)生的事情。如果說明了某種計算，靜態(tài)計算像黑盒一樣被處理。然而使用動態(tài)方法，則能夠全部是如何計算。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的中文微博評價對象抽取方法[J]. 張璞,陳韜,陳超,王永.  計算機(jī)工程與設(shè)計. 2018(08)
[2]網(wǎng)絡(luò)產(chǎn)品評論細(xì)粒度意見挖掘研究綜述[J]. 顏端武,江蕊,楊雄飛,鞠寧.  現(xiàn)代情報. 2018(07)
[3]基于主題標(biāo)簽和CRF的中文微博命名實體識別[J]. 朱顥東,楊立志,丁溫雪,馮嘉美.  華中師范大學(xué)學(xué)報(自然科學(xué)版). 2018(03)
[4]基于多通道卷積神經(jīng)網(wǎng)絡(luò)的中文微博情感分析[J]. 陳珂,梁斌,柯文德,許波,曾國超.  計算機(jī)研究與發(fā)展. 2018(05)
[5]基于卷積記憶神經(jīng)網(wǎng)絡(luò)的微博短文本情感分析[J]. 鄭嘯,王義真,袁志祥,秦鋒.  電子測量與儀器學(xué)報. 2018(03)
[6]使用深度長短時記憶模型對于評價詞和評價對象的聯(lián)合抽取[J]. 沈亞田,黃萱菁,曹均闊.  中文信息學(xué)報. 2018(02)
[7]基于條件隨機(jī)場的評價對象抽取[J]. 夏圓,張征.  計算機(jī)系統(tǒng)應(yīng)用. 2017(11)
[8]基于LSTM網(wǎng)絡(luò)的評價對象和評價詞抽取[J]. 李盛秋,趙妍妍,秦兵,劉挺.  智能計算機(jī)與應(yīng)用. 2017(05)
[9]基于半監(jiān)督CRF的跨領(lǐng)域中文分詞[J]. 鄧麗萍,羅智勇.  中文信息學(xué)報. 2017(04)
[10]基于句法結(jié)構(gòu)的評價對象抽取方法研究[J]. 楊云.  長春教育學(xué)院學(xué)報. 2017(06)

碩士論文
[1]基于詞嵌入的個性化推薦系統(tǒng)的研究[D]. 孟天宏.河北科技大學(xué) 2018
[2]網(wǎng)購用戶評論中隱式評價對象的提取方法研究[D]. 馬京苗.北京交通大學(xué) 2017
[3]產(chǎn)品評論中隱式評價對象的抽取研究[D]. 曾令偉.上海交通大學(xué) 2014



本文編號：3368580