基于Co-training的評(píng)價(jià)搭配抽取系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf

1、隨著Web2.0的迅猛發(fā)展,互聯(lián)網(wǎng)與人們的日常生活聯(lián)系越來(lái)越緊密。網(wǎng)絡(luò)已經(jīng)成為人們平時(shí)發(fā)表意見(jiàn)、交流經(jīng)驗(yàn)的主流平臺(tái),導(dǎo)致了互聯(lián)網(wǎng)上出現(xiàn)了大量消費(fèi)者的評(píng)論,其表現(xiàn)形式都是非結(jié)構(gòu)化的文本。不論對(duì)于消費(fèi)者還是企業(yè)這些評(píng)論都蘊(yùn)含著極其重要的價(jià)值信息,因此,僅通過(guò)人工閱讀,從海量評(píng)論中快速、有效地找出人們?cè)u(píng)論的對(duì)象及其觀點(diǎn)或態(tài)度,將會(huì)花費(fèi)大量的人力資源。為了從細(xì)粒度的角度,獲取評(píng)論中的評(píng)價(jià)對(duì)象、評(píng)價(jià)詞及其評(píng)價(jià)搭配,本文設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)自動(dòng)抽取評(píng)價(jià)

2、搭配的系統(tǒng)。主要內(nèi)容如下:
　　(1)利用條件隨機(jī)場(chǎng)模型(CRF),設(shè)計(jì)了協(xié)同訓(xùn)練算法(Co-training),該算法首先設(shè)計(jì)將詞特征、詞性特征以及上下文特征劃分為兩個(gè)互不相交的特征集,然后利用人工標(biāo)注了少量的評(píng)價(jià)對(duì)象、評(píng)價(jià)詞的數(shù)據(jù)作為訓(xùn)練集,訓(xùn)練CRF模型,再參考得到的兩個(gè)測(cè)試結(jié)果,選出其中含有標(biāo)注相同詞的句子,將測(cè)試結(jié)果中大于特定閾值的詞在句子中標(biāo)注后添加到訓(xùn)練集中。通過(guò)不斷地循環(huán),得到更大規(guī)模的標(biāo)注了評(píng)價(jià)對(duì)象、評(píng)價(jià)詞的訓(xùn)練

3、集。在此基礎(chǔ)上,對(duì)大量未標(biāo)注語(yǔ)料標(biāo)注評(píng)價(jià)對(duì)象、評(píng)價(jià)詞。
　　(2)評(píng)價(jià)搭配是將評(píng)價(jià)對(duì)象與評(píng)價(jià)詞進(jìn)行搭配。本文采用近鄰法,考慮了否定詞對(duì)極性的影響。其中,評(píng)價(jià)搭配格式為<評(píng)價(jià)對(duì)象,評(píng)價(jià)詞,極性>。
　　(3)采用C/S模式,設(shè)計(jì)三個(gè)功能模塊,分別為:評(píng)價(jià)對(duì)象抽取、評(píng)價(jià)詞抽取以及評(píng)價(jià)搭配抽取模塊。在此基礎(chǔ)上,利用Java語(yǔ)言,借助CRF工具包,實(shí)現(xiàn)了從大量評(píng)論信息中快速、有效地抽取評(píng)價(jià)搭配。該系統(tǒng)可以減少人工參與,在很大程度上節(jié)