引入词向量的隐性特征识别研究

摘要：

[目的]研究基于在线产品评论的隐性特征抽取,帮助用户从评论资讯中获取完整的产品信息与用户评价.[方法]对两类主流的隐性特征抽取方法,即共现关系推断法和分类法,进行对比分析;构建领域词向量将语义关系引入语句模型,通过增强语句表达能力优化算法;探讨数据集类别样本的均衡性对算法产生的影响.[结果]实验结果表明,不考虑类别样本量的均衡问题,分类法优于关系推断法,词向量的引入显著增强了语句表达能力,隐性特征识别模型的召回率提升5.91％,F1提升2.48％.若数据集类别样本量均衡,关系推断法表现更优,引入词向量后,最优模型的F1值达0.7503.[局限]训练词向量的语料规模和均衡语料的规模偏小,有待进一步扩充完善.[结论]实际应用中,应根据目标数据选择合适的建模方案,均衡数据集下,算法表现更好;词向量对两类方法都有优化作用,对分类法的优化作用更为明显.

关键词：隐性特征、词向量、特征抽取、情感分析

所属期刊栏目：4

分类号：TP391.1(计算技术、计算机技术)

资助基金：本文系国家社会科学基金项目“面向用户感知效用的在线评论的质量与控制研究”项目编号:15BTQ067

在线出版日期：2020-06-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：99-110