面向電商評論細粒度觀點挖掘的拓展主題模型研究.pdf

1、隨著互聯(lián)網(wǎng)和電子商務技術的發(fā)展，網(wǎng)絡購物成為一種熱潮，人們可以實現(xiàn)足不出戶購買到自己心儀的商品。但是，與傳統(tǒng)線下購物相比，網(wǎng)絡購物有著商品種類繁多、用戶無法直接感受商品的質量、體驗商品功能等特征，這使得電商網(wǎng)站上的商品評論信息成為消費者選擇和購買決策的重要參考。同時，評論信息作為反饋機制也可以幫助商家改進產(chǎn)品、提升服務。但是，目前電商網(wǎng)站評論數(shù)據(jù)量巨大、內容龐雜，采用人工閱讀方式無法準確有效的得到有用的信息。而且人們更希望得到的是關于產(chǎn)

2、品或服務多個方面的細粒度評價信息，而非其整體情感傾向。因此，針對電商評論的細粒度觀點挖掘成為了熱門的研究課題，受到國內外研究學者的廣泛關注。
　　細粒度觀點挖掘旨在從評論數(shù)據(jù)中抽取出被評價實體方面以及相對應的情感，生成評價摘要，為潛在消費者和商家提供決策支持。考慮到目前細粒度觀點挖掘方法如基于人工定義、基于頻率、基于有監(jiān)督學習方法的局限性，而LDA主題模型作為無監(jiān)督方法不僅不需要人工標注的訓練數(shù)據(jù)，還可以克服上面所述方法中沒有將具

3、有相似語義的特征詞進行聚類的缺點，被研究者廣泛應用。但是LDA模型抽取的主題粒度較粗，無法識別被評價實體方面，而且三層模型無法實現(xiàn)細粒度觀點挖掘目標，需要進行改進和拓展。
　　針對上面提到的問題，本文根據(jù)細粒度觀點挖掘的目標，對LDA模型進行設計和拓展，提出了細粒度的主題情感混合模型(Fine-grained Topic Sentiment Unification Model, FG-TSU模型)。首先針對標準的LDA模型識別出的

4、主題粒度較粗，本文將主題分為局部主題和全局主題，利用滑動窗口的方法將詞共現(xiàn)信息從文檔級降到句子級，實現(xiàn)細粒度局部主題的抽取;然后，本文根據(jù)詞分類和在模型中引入指示變量用以區(qū)分方面詞和觀點詞;最后，本文在LDA模型的三層模型基礎上加入了情感層，對主題和情感進行同時建模，實現(xiàn)情感傾向分析，不僅可以獲得整篇評論的情感極性，還可以獲得被評價實體方面層的情感極性，最終完成細粒度觀點挖掘的目標，生成評價摘要。
　　為了驗證本模型具有跨領域性，