隨著智能互聯(lián)網(wǎng)時代的到來,人們大量使用移動設備對購物、旅游等活動發(fā)表自己的看法和評論。這些評論的數(shù)目急速增長,很多網(wǎng)站的評論數(shù)目達到千萬量級甚至更多。由于數(shù)量巨大,用戶在瀏覽時非常費時,急需對大量評論做有效摘要以緩解閱讀壓力。不同于一般的文本摘要,在對評論進行摘要時,用戶對評論對象的aspect以及相應的評價意見信息尤為關注,因此,需要特別進行這些信息的抽取和挖掘,并在此基礎上開展評論的摘要。為此,本文在分析相關工作的基礎上,從評論信息抽取和摘要兩方面開展工作,其主要內容包括:提出了一種基于多關聯(lián)自舉的評論信息抽取算法。定義并量化了評論句中三種aspect詞和意見詞之間的關聯(lián)關系,基于此構建了半監(jiān)督自舉算法。該算法首先從給定的評論語料中抽取一組候選aspect詞和一組候選意見詞作為初始種子集,依據(jù)定義的三種關聯(lián)關系,循環(huán)提取與種子集合有強關聯(lián)的詞語。實驗結果顯示在手機評論語料集上的F-measure為78.8%,比基線DP模型高9.6%,表明算法能夠較有效提取aspect詞及其對應的意見詞,且實驗對比曲線表明算法對于種子集的規(guī)模要求較低,降低了標注成本。提出了一種基于潛在狄利克雷(LDA...

【文章頁數(shù)】：112 頁

【學位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章. 引言
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 評論分析
        1.2.2 文本自動摘要
        1.2.3 問題分析
    1.3 研究內容與貢獻
    1.4 章節(jié)安排
第二章. 基礎模型
    2.1 隱馬爾可夫模型
    2.2 主題模型
        2.2.1 隱含狄利克雷分布
        2.2.2 Gibbs抽樣及推理
        2.2.3 句法建模
        2.2.4 利用HMM的LDA模型
    2.3 深度學習
        2.3.1 LSTM模型
        2.3.2 注意力機制
    2.4 本章小結
第三章. 基于多關聯(lián)自舉的評論信息抽取算法
    3.1 引言
    3.2 任務描述
        3.2.1 描述
        3.2.2 符號說明
    3.3 算法描述
        3.3.1 三種關聯(lián)關系
        3.3.2 兩種量化關聯(lián)關系模型
        3.3.3 基于多關聯(lián)的自舉算法
    3.4 實驗
        3.4.1 實驗數(shù)據(jù)
        3.4.2 實驗設置
        3.4.3 實驗結果及分析
    3.5 本章小結
第四章. 基于LDA的評論信息主題建模
    4.1 引言
    4.2 基于LDA的評論信息主題建模
        4.2.1 模型簡介
        4.2.2 符號說明及模型的圖表示
        4.2.3 模型的形式化描述
    4.3 推理方法
    4.4 超參數(shù)估計
    4.5 實驗
        4.5.1 實驗數(shù)據(jù)
        4.5.2 實驗設置
        4.5.3 實驗結果及分析
    4.6 本章小結
第五章. 基于層次注意力機制的摘要句子提取
    5.1 引言
    5.2 模型
        5.2.1 句子編碼器
        5.2.2 文檔編碼器
        5.2.3 句子輸出器
        5.2.4 摘要句子排序
    5.3 實驗
        5.3.1 實驗數(shù)據(jù)
        5.3.2 實驗設置
        5.3.3 摘要的評估方法
        5.3.4 實驗結果及分析
    5.4 本章小結
第六章. 在線評論的自動摘要原型系統(tǒng)實現(xiàn)
    6.1 原型系統(tǒng)
        6.1.1 系統(tǒng)設計
        6.1.2 系統(tǒng)實現(xiàn)
    6.2 摘要的層次展示設計
        6.2.1 摘要句子相似度測量
        6.2.2 摘要中的子主題聚類
        6.2.3 聚類結果及分析
    6.3 系統(tǒng)展示
    6.4 本章小結
第七章. 總結與展望
    7.1 工作總結
    7.2 下一步研究展望
參考文獻
附錄一 縮略詞表
附錄二 TripAdvisor數(shù)據(jù)集aspect詞
致謝
攻讀學位期間發(fā)表的學術論文目錄



本文編號：4007181