版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、電子商務(wù)的大繁榮使得數(shù)以萬計的用戶開始通過網(wǎng)絡(luò)購買各種產(chǎn)品、服務(wù),并在線發(fā)表評論信息。許多消費者在購買某種產(chǎn)品或服務(wù)的時候,通常會先參考之前購買者的評論信息,獲得直觀的了解和認(rèn)識。而商家則通過這些在線評論信息,獲得用戶對其產(chǎn)品的反饋信息。但是由于這些評論信息數(shù)量巨大,僅靠傳統(tǒng)的人工閱讀篩選方式很難快速有效地獲取有價值的信息。因此,針對海量在線評論信息進(jìn)行觀點挖掘成為一個重要研究課題,得到了國內(nèi)外研究者的廣泛關(guān)注。
觀點挖掘研究
2、主要使用基于規(guī)則的方法、基于語言學(xué)的方法和基于統(tǒng)計機(jī)器學(xué)習(xí)的方法?;谝?guī)則的方法需要領(lǐng)域?qū)<叶x不同領(lǐng)域的特征詞和規(guī)則,無法滿足新詞的不斷出現(xiàn),并且規(guī)則也不具有跨領(lǐng)域性?;谡Z言學(xué)的方法利用語言的語法特性規(guī)律識別特征詞,但是不同語言的語法組織方式差異非常大,不具有跨語言性。上述兩種方法的可移植性差,而且不能自動聚類到具有相似意義的主題下。LDA主題模型作為一種無監(jiān)督統(tǒng)計主題模型不僅能夠很好地克服上述方法的缺點,還不需要人工標(biāo)記大量訓(xùn)練集
3、,而這正是其他有監(jiān)督和半監(jiān)督統(tǒng)計模型所必須的,因此得到了研究者的廣泛運(yùn)用。但是由于標(biāo)準(zhǔn)LDA模型是一個詞袋模型,沒有考慮詞的位置和語義信息,不適合用來提取細(xì)粒度領(lǐng)域特征詞,同時由于模型是一個三層結(jié)構(gòu),也不適合進(jìn)行細(xì)粒度觀點挖掘,因此,需要加以改進(jìn)后才能使用。
為解決該問題,本文在對標(biāo)準(zhǔn)LDA模型進(jìn)行改進(jìn)的基礎(chǔ)上,提出了一個主題情感統(tǒng)一最大熵LDA模型(Topic and Sentiment Unification Maximu
4、m EntropyModel,TSU MaxEnt-LDA)對在線網(wǎng)絡(luò)評論進(jìn)行細(xì)粒度觀點挖掘。首先,在傳統(tǒng)LDA模型中加入最大熵組件,用以區(qū)分背景詞、特征詞和觀點詞;然后,通過加入指示變量,對特征詞和觀點詞進(jìn)行全局和局部的區(qū)分。最后,在主題層和單詞層之間加入情感層,將傳統(tǒng)的三層LDA模型擴(kuò)展成四層,在提取特征詞和觀點詞的同時進(jìn)行情感極性分析,先獲取每個主題的情感極性,再獲取整篇評論的情感極性,最終生成細(xì)粒度的主題情感摘要圖。
5、為了驗證本模型具有跨領(lǐng)域性,實驗選取了常用的兩個領(lǐng)域的語料庫,分別是從Citysearch New York提取的Restaurant領(lǐng)域的評論和從Amazon提取的Electronics領(lǐng)域的評論。實驗結(jié)果表明本文提出的理論較以往研究有較大的提高,從而證明本模型的正確性。
本文內(nèi)容主要分為五章,第一章從各個方面介紹了本課題的研究背景和研究意義,分析了當(dāng)前國內(nèi)外研究者在觀點挖掘領(lǐng)域的研究現(xiàn)狀。第二章詳細(xì)介紹了細(xì)粒度觀點挖掘的幾
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于云模型理論的LDA最大熵模型觀點挖掘研究.pdf
- 基于最大熵模型的網(wǎng)頁分類.pdf
- 基于最大熵模型的中文姓名識別研究.pdf
- 基于最大熵模型的遷移學(xué)習(xí)算法研究.pdf
- 基于最大熵模型的智能提問系統(tǒng)研究.pdf
- 56290.英語作文主題分析與觀點挖掘模型的研究
- 基于最大熵模型的漢語詞性標(biāo)注研究.pdf
- 基于最大熵模型的不良文本識別方法研究.pdf
- 基于句法分析和主題建模的細(xì)粒度觀點挖掘模型研究.pdf
- 基于最大熵模型郵件過濾系統(tǒng)的研究與實現(xiàn).pdf
- 基于潛在語義分析和最大熵的中文情感分析研究.pdf
- 基于最大熵模型的垃圾郵件過濾系統(tǒng)研究.pdf
- 基于最大熵模型的中文命名實體識別.pdf
- 面向電商評論細(xì)粒度觀點挖掘的拓展主題模型研究.pdf
- 基于主題模型的文本挖掘的研究.pdf
- 基于最大熵模型解決協(xié)同過濾稀疏性問題研究.pdf
- 基于最大熵模型的中文命名實體識別方法研究.pdf
- 基于最大熵方法面向零售業(yè)的數(shù)據(jù)挖掘.pdf
- 基于最大熵模型的英文名詞短語指代消解.pdf
- 基于主題模型的文本語義挖掘.pdf
評論
0/150
提交評論