细颗粒度情感倾向分析若干关键问题研究

论文摘要

随着互联网和信息处理技术的发展,人们可以从新闻评论、论坛、博客等来源得到海量的评论信息,只有通过对信息的深入分析和提炼,信息才能更有效的为人所用。正是在这一背景下,文本的情感倾向研究成为当前一个具有广泛应用前景且十分新颖的研究领域。本文工作主要围绕着“细颗粒度”情感倾向分析中若干关键技术展开研究,包括:被评价对象抽取、评价关系抽取、情感倾向判定、知识库半自动构建以及半监督学习在情感倾向分析中的应用等方面。在文章和句子级倾向极性分析任务中,我们将条件最大熵算法和熵正则化框架结合,提出了半监督条件最大熵算法。该方法在句子级MPQA语料库中,可以达到78.2%的精度,比有监督方法有5.2%的相对提高。在被评价对象抽取方面,提出了基于条件随机场的被评价对象识别算法。该算法将被评价对象抽取问题转化为序列标注问题,通过上下文、词性、知识库等一系列特征完成被评价对象抽取。通过上述方法被评价对象识别精度可以达到91.17%。在评价关系方面,提出了一种将关系识别问题转化为序列标注问题的方法。利用条件随机场和一系列特征完成评价关系抽取。这一算法结合了语法层信息、词语层信息,并利用相邻关系的分类结果,因而具有更高的准确性。实验结果表明该方法的F值比最近邻方法有15%的提高。在模型自适应方面,提出了一种基于最大后验的条件随机场模型自适应算法。通过实验结果说明这种算法可以有效通过背景模型和适应语料,自适应到另外一个领域中,在被评价对象抽取实验中,经过适应的模型比未经适应的模型有34%的相对提高。此外,在知识库构建方面,我还提出了基于图互增理论的自举学习算法,利用弱监督分类器,从少量种子词和大量未标记语料中自动学习出符合要求的数据,再结合人工判断,半自动的构成所需知识库。最后,我们结合上述研究实现了面向汽车领域的情感倾向分析系统。

论文目录

• 中文摘要
• 英文摘要
• 第一章 前言
• 1.1 问题描述
• 1.1.1 倾向性检测和极性分析
• 1.1.2 "细颗粒度"情感倾向分析
• 1.1.3 领域迁移
• 1.2 本文的工作内容
• 1.3 本文组织
• 第二章 相关工作
• 2.1 倾向极性分析
• 2.1.1 有监督分类算法应用
• 2.1.2 特征选取
• 2.1.3 无监督分类算法应用
• 2.2 "细颗粒度"情感倾向分析
• 2.3 领域迁移
• 第三章 基于半监督条件最大熵的倾向极性分析
• 3.1 介绍
• 3.2 半监督学习算法相关工作
• 3.3 MPQA语料集数据分析
• 3.4 半监督条件最大熵算法
• 3.4.1 条件最大熵
• 3.4.2 特征选择
• 3.4.3 半监督条件最大熵算法
• 3.4.4 时间和空间复杂度
• 3.5 实验
• 3.5.1 数据集
• 3.5.2 特征对比实验
• 3.5.3 SCME实验
• 3.6 结论
• 第四章 基于条件随机场的评价单元抽取
• 4.1 系统框架
• 4.2 条件随机场介绍
• 4.2.1 参数估计
• 4.3 被评价对象以及评价词识别
• 4.3.1 评价词抽取
• 4.3.2 被评价对象抽取
• 4.4 评价关系抽取
• 4.5 评价单元构成
• 4.6 实验
• 4.6.1 语料库
• 4.6.2 实验结果
• 4.7 本章小结
• 第五章 基于MAP的条件随机场模型自适应算法
• 5.1 模型自适应相关工作
• 5.2 算法介绍
• 5.3 实验
• 5.3.1 被评价对象抽取
• 5.3.2 组块分析实验
• 5.3.3 大写字母识别实验
• 5.4 本章小结
• 第六章 本体库半自动构建方法
• 6.1 简介
• 6.2 相关工作
• 6.3 基于图互增强模型的自举学习算法
• 6.3.1 GMR-Bootstrapping算法结构
• 6.3.2 抽取模板
• 6.3.3 GMR评分
• 6.3.4 多组种类同时学习
• 6.4 实验
• 6.4.1 MUC4语料库实验结果
• 6.4.2 中文语料库实验结果
• 6.5 本章小结
• 第七章 面向汽车领域的"细颗粒度"情感倾向分析系统
• 7.1 系统框架
• 7.2 知识库构建
• 7.2.1 品牌型号知识库
• 7.2.2 属性知识库
• 7.2.3 评价词知识库
• 7.2.4 半自动知识库构建
• 7.3 系统展现
• 7.4 结论
• 第八章 总结与展望
• 8.1 本文工作总结
• 8.2 工作展望
• 参考文献
• 攻读博士期间的主要工作
• 致谢