為了解決海量電商評(píng)價(jià)信息中每個(gè)評(píng)價(jià)對(duì)象的情感傾向性和評(píng)價(jià)對(duì)象與評(píng)價(jià)詞不匹配問(wèn)題,提出一種結(jié)合句法關(guān)系與語(yǔ)義關(guān)系的多粒度條件隨機(jī)場(chǎng)模型抽取評(píng)價(jià)單元方法SSMCRFs (syntactic semantic and multi-grained conditional random fields,SSMCRFs).首先,爬取京東商城的評(píng)論數(shù)據(jù)為基礎(chǔ)數(shù)據(jù),將評(píng)論文本進(jìn)行句法關(guān)系,語(yǔ)義關(guān)系等處理;然后,使用TF-IDF算法對(duì)預(yù)處理后的數(shù)據(jù)集進(jìn)行統(tǒng)計(jì)分析,以確定用戶的關(guān)注度;最后,使用條件隨機(jī)場(chǎng)模型進(jìn)行評(píng)價(jià)單元識(shí)別.實(shí)驗(yàn)結(jié)果表明,SSMCRFs在識(shí)別評(píng)價(jià)單元上準(zhǔn)確率達(dá)到92.92%,召回率達(dá)到93.25%,F值達(dá)到93.08%.相對(duì)于馬曉君等(2017)的方法,SSMCRFs方法在準(zhǔn)確率,召回率,F值上均有較大的提高.

【文章頁(yè)數(shù)】：18 頁(yè)

【文章目錄】：
1 引言
2 相關(guān)理論
    2.1 條件隨機(jī)場(chǎng)模型
    2.2 TF-IDF
3 評(píng)價(jià)單元提取
    3.1 評(píng)價(jià)單元提取總體架構(gòu)
    3.2 評(píng)論數(shù)據(jù)集獲取及清洗
    3.3 評(píng)論數(shù)據(jù)集預(yù)處理
    3.4 特征選擇
    3.5 SSMCRFs模型構(gòu)建
        3.5.1 訓(xùn)練集的生成
        3.5.2 特征模板定義
    3.6 評(píng)價(jià)單元抽取
4 實(shí)驗(yàn)結(jié)果及分析
    4.1 實(shí)驗(yàn)評(píng)價(jià)方法
    4.2 實(shí)驗(yàn)結(jié)果
5 結(jié)語(yǔ)



本文編號(hào)：3755851