基于產(chǎn)品特征的中文評論情感分析系統(tǒng)設(shè)計與實現(xiàn).pdf

1、隨著電子商務(wù)的蓬勃發(fā)展，網(wǎng)上購物已經(jīng)與人們的生活密不可分。在互聯(lián)網(wǎng)逐漸發(fā)展為“以用戶為中心，用戶易于參與”的開放式構(gòu)架模式下，所有電子商務(wù)網(wǎng)站都容許顧客在網(wǎng)站上評論他們所購買的商品和服務(wù)，這些評論信息表達了人們的各種情感色彩和情感傾向性。對于一個商家來說，分析顧客的評論文本是了解顧客對他們的產(chǎn)品和服務(wù)是否滿意的最有效辦法。潛在用戶也可以通過瀏覽這些主觀色彩的評論來了解大眾對某一事件或產(chǎn)品的看法。但是，隨著信息的爆炸式增長，無論是商家還是

2、顧客都沒有足夠的時間去收集和處理海量的商品評論，因此迫切需要計算機幫助用戶和商家快速獲取和整理這些評價信息，情感分析技術(shù)應(yīng)運而生。
　　本文主要對產(chǎn)品評論文本的情感分析方法進行研究，目前，產(chǎn)品評論的情感分析在語句粒度上主要是基于產(chǎn)品的特征展開分析的，主要研究內(nèi)容如下:
　　1)本文首先將自然語言處理技術(shù)中的搭配提取方法應(yīng)用到隱式特征的提取，并手動完成特征聚類。
　　2)給出一個新的數(shù)據(jù)模型:中文情感樹庫，它包含1185

3、5條語句的解析樹和由這些解析樹生成的215，154條帶有細粒度標簽的短語。
　　3)設(shè)計了一個改進的遞歸神經(jīng)網(wǎng)絡(luò)模型處理這個新的數(shù)集。與以往神經(jīng)網(wǎng)絡(luò)模型采用隨機向量作為輸入不同，本文引入了Google Word2vec高質(zhì)量詞向量生成方法，讓Word2vec學習數(shù)千篇經(jīng)過分詞后的文章后生成包含上下文關(guān)聯(lián)信息的詞向量，Word2vec不僅能把詞映射到K維向量空間，而且能讓詞與詞之間的向量操作和語義相對應(yīng)。經(jīng)實驗表明，本文采用的模型能