基于Co-training訓(xùn)練CRF模型的評(píng)價(jià)搭配識(shí)別.pdf

1、隨著以用戶為中心的語(yǔ)義Web2.0的迅速發(fā)展，互聯(lián)網(wǎng)用戶的數(shù)量也不斷增加，隨之涌現(xiàn)出批量的評(píng)論文本，其中主要包括人們對(duì)產(chǎn)品、事件或者人物的觀點(diǎn)、態(tài)度和想法等情感傾向。這些評(píng)論信息對(duì)于企業(yè)和個(gè)人來(lái)說(shuō)都是非常重要的。但是，緊靠人工力量從網(wǎng)絡(luò)上海量的數(shù)據(jù)中挖掘出有用的語(yǔ)義信息需要耗費(fèi)大量的時(shí)間。為了快速、準(zhǔn)確的挖掘出用戶需要的信息，對(duì)評(píng)論文本進(jìn)行情感傾向分析成為一項(xiàng)迫切的任務(wù)。
　　 本文通過(guò)Co-training訓(xùn)練多特征CRF模型

2、對(duì)評(píng)價(jià)對(duì)象和評(píng)價(jià)短語(yǔ)進(jìn)行識(shí)別，在此基礎(chǔ)上對(duì)中文評(píng)論文本中的評(píng)價(jià)搭配進(jìn)行識(shí)別，具體內(nèi)容如下:
　　 (1)基于Co-training思想訓(xùn)練CRF模型
　　 對(duì)于CRF模型，特征的選擇是至關(guān)重要的。特征模板的好壞直接影響到最終標(biāo)注模型的性能，而且標(biāo)注信息的多少也對(duì)模型有重要的影響。因此，本文提出基于Co-training訓(xùn)練CRF模型的方法。主要利用CRF模型中通用特征，即詞特征、詞性特征及上下文特征，采用不同比例的已標(biāo)注

3、初始訓(xùn)練集，通過(guò)Co-training思想訓(xùn)練CRF模型。當(dāng)模型性能趨于穩(wěn)定時(shí)結(jié)束訓(xùn)練。
　　 (2)基于Co-training訓(xùn)練CRF模型的評(píng)價(jià)對(duì)象和評(píng)價(jià)短語(yǔ)識(shí)別
　　 為了識(shí)別評(píng)論文本中的評(píng)價(jià)對(duì)象和評(píng)價(jià)短語(yǔ)，本文利用上述(1)訓(xùn)練的模型對(duì)文本中的評(píng)價(jià)信息進(jìn)行識(shí)別。隨著標(biāo)注比例不斷增大評(píng)價(jià)信息的識(shí)別效果越來(lái)越好。在汽車領(lǐng)域中，對(duì)待標(biāo)注汽車評(píng)論語(yǔ)料中評(píng)價(jià)對(duì)象識(shí)別的精確率為67.483％，召回率為67.832％。對(duì)于評(píng)價(jià)

4、短語(yǔ)識(shí)別效果:與通過(guò)模板識(shí)別評(píng)價(jià)短語(yǔ)的實(shí)驗(yàn)結(jié)果進(jìn)行比較，當(dāng)標(biāo)注比例≥0.03時(shí)，F(xiàn)均高于模板的實(shí)驗(yàn)結(jié)果;當(dāng)標(biāo)注比例為0.1時(shí)，實(shí)驗(yàn)結(jié)果接近于標(biāo)準(zhǔn)實(shí)驗(yàn)結(jié)果。
　　 (3)基于近鄰法的評(píng)價(jià)搭配識(shí)別
　　 評(píng)價(jià)搭配是文本中評(píng)價(jià)對(duì)象與其相關(guān)評(píng)價(jià)短語(yǔ)的組合。評(píng)價(jià)搭配的識(shí)別是情感傾向分析領(lǐng)域的一項(xiàng)基礎(chǔ)任務(wù)。本文通過(guò)Co-training訓(xùn)練CRF模型，然后分別對(duì)評(píng)價(jià)對(duì)象和評(píng)價(jià)短語(yǔ)進(jìn)行識(shí)別，在此基礎(chǔ)上采用近鄰法對(duì)評(píng)論文本中的評(píng)價(jià)搭配進(jìn)