隨著互聯(lián)網(wǎng)技術(shù)的蓬勃發(fā)展,電商平臺(tái)在人們生產(chǎn)生活中越來越重要,同時(shí)也成為我國經(jīng)濟(jì)體系中十分重要的一部分。尤其在2020年上半年面對新冠疫情的嚴(yán)峻挑戰(zhàn)時(shí),商品消費(fèi)明顯由線下向線上轉(zhuǎn)移。顧客和商家對產(chǎn)品和服務(wù)的線上評價(jià)反饋愈發(fā)重視,然而海量評論讓人難以找到對自己有用的信息,在此背景下觀點(diǎn)挖掘技術(shù)應(yīng)運(yùn)而生。傳統(tǒng)的文檔和句子級別的觀點(diǎn)挖掘只能獲得產(chǎn)品和服務(wù)在整體上的優(yōu)劣,無法獲取方面或者屬性級別的評價(jià)信息,難以滿足顧客和商家對于更加細(xì)粒度的觀點(diǎn)信息需求。因此,特征級別的觀點(diǎn)挖掘分析,即細(xì)粒度觀點(diǎn)挖掘脫穎而出,成為近年來學(xué)術(shù)界和工業(yè)界的研究熱點(diǎn)之一。特征級別觀點(diǎn)挖掘,也稱作方面或?qū)傩约墑e觀點(diǎn)挖掘,是對評價(jià)對象的不同特征進(jìn)行觀點(diǎn)挖掘和情感傾向分析。觀點(diǎn)內(nèi)容提取和評論特征識別是特征級別挖掘任務(wù)的兩個(gè)子任務(wù),通過在評論文本中獲取特征級別的觀點(diǎn)內(nèi)容,再判斷該觀點(diǎn)評價(jià)的特征,達(dá)到識別出特征級別觀點(diǎn)信息的目的。面對評論中通常包含多個(gè)特征方面觀點(diǎn)時(shí),從評論中獲取特征級別觀點(diǎn)內(nèi)容是觀點(diǎn)挖掘的首要任務(wù)。有效的提高觀點(diǎn)識別的準(zhǔn)確性和自動(dòng)化程度,更有助于特征級別觀點(diǎn)挖掘任務(wù)的開展。此外,許多評論中都并未以字面形式顯式...

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.1文章組織架構(gòu)圖

下圖1.1為本文的文章組織結(jié)構(gòu)圖。第一節(jié)特征級別觀點(diǎn)挖掘研究現(xiàn)狀

圖3.1模型整體流程圖

本文中構(gòu)建的隱性特征識別模型,主要是由數(shù)據(jù)預(yù)處理、基于BERT和CRF的觀點(diǎn)內(nèi)容提取、構(gòu)建特征類指示詞表、基于BERT-AV(BERT-AspectVector)的隱性特征類識別四部分構(gòu)成,模型的框架如圖3.1所示。在線評論通過數(shù)據(jù)預(yù)處理后,輸入到BERT-CRF的觀點(diǎn)提取模型....

圖3.2基于BERT-CRF的觀點(diǎn)提取

本節(jié)中介紹的觀點(diǎn)內(nèi)容抽取,是通過序列標(biāo)注識別出評論中所包含的一個(gè)或多個(gè)觀點(diǎn)內(nèi)容。在BERT最后輸出上加入CRF層,CRF能夠約束標(biāo)簽之間的關(guān)系,統(tǒng)計(jì)類別轉(zhuǎn)移概率能夠保證預(yù)測的序列標(biāo)簽符合規(guī)則。CRF層可以在訓(xùn)練過程中學(xué)習(xí)到標(biāo)簽內(nèi)的約束關(guān)系,減少錯(cuò)誤的預(yù)測序列出現(xiàn)。圖3.2描述的即....

圖3.3BERT模型結(jié)構(gòu)圖

輸出層位于多層隱藏層的后一層,其主要作用是獲取[CLS]標(biāo)記對應(yīng)的表示作為整個(gè)序列的表示,并且返回多層隱藏層所獲得的所有標(biāo)記表示。在BERT的輸出中,通常是根據(jù)下游任務(wù)的需要選取輸出的表示。由于BERT具有多層Transformer層,每層都可以捕獲到不同的特征信息,在不同任務(wù)下....

本文編號：3894208