崔雪蓮，那日薩，劉曉君

（大連理工大學(xué) 系統(tǒng)工程研究所，遼寧 大連 116023）

互聯(lián)網(wǎng)的發(fā)展帶來了電子商務(wù)的發(fā)展和壯大，大部分電子商務(wù)網(wǎng)站提供消費(fèi)者評(píng)論功能，激勵(lì)用戶分享消費(fèi)后的體驗(yàn)[1]。隨著文本情感分析研究的興起，越來越多的學(xué)者從在線文本評(píng)論挖掘消費(fèi)者情感信息[2-4]，以期得到更加真實(shí)的消費(fèi)者購買體驗(yàn)及其偏好。

評(píng)論情感分析又稱評(píng)論挖掘或意見挖掘，是指通過自動(dòng)分析某種商品評(píng)論的文本內(nèi)容，發(fā)現(xiàn)消費(fèi)者對(duì)該商品的褒貶態(tài)度和意見[5]。傳統(tǒng)的機(jī)器學(xué)習(xí)方法在應(yīng)用于情感分類時(shí)，分類效果不穩(wěn)定，且大部分為有監(jiān)督方法，需要一定數(shù)量的經(jīng)過標(biāo)注的訓(xùn)練樣本，而人工標(biāo)注過程相對(duì)耗時(shí)費(fèi)力，且領(lǐng)域移植性差，效率相應(yīng)比較低。因此，無監(jiān)督學(xué)習(xí)算法成為在線評(píng)論情感分析的重要研究方向[6]。

近年來，基于主題模型的無監(jiān)督情感傾向分析越來越受到學(xué)者的青睞，其中最有影響、應(yīng)用效果最好的當(dāng)屬LDA 模型[7]，該模型是一種典型的無監(jiān)督生成式主題模型。為實(shí)現(xiàn)情感分類通常的方法是在LDA 主題模型中，加入不同的情感隱變量層，即可獲得不同類型的主題情感混合模型[4，8-9]。

然而，現(xiàn)有的主題情感混合模型，雖然能同時(shí)抽取文檔的主題和情感信息，但受主觀性文檔中局部否定以及主題數(shù)目的影響，模型的情感分類效果及穩(wěn)定性并不理想[10]。事實(shí)上，文本情感分類本質(zhì)上仍是一種文本分類問題，利用已有的文本分類方法可以有效解決情感分類問題。Pang等[11]將傳統(tǒng)的文本分類方法SVM（Support Vector Machines）、NB （Naive Bayes）以 及ME（Maximum Entropy Classification）等應(yīng)用于電影評(píng)論情感分類，取得了比較理想的結(jié)果；同時(shí)也指出，將評(píng)論的所有句子不加區(qū)分地作為同一個(gè)話題的描述，會(huì)導(dǎo)致評(píng)論情感極性判別錯(cuò)誤。鑒于此，基于主題模型的文本分類方法不斷涌現(xiàn)[12-13]，該類方法通過LDA 等主題模型將文本表示為主題分布形式，通過比較兩篇文本的主題得到其相似度，并基于相似度實(shí)現(xiàn)文本分類。該類方法有效地解決了文本分類問題中特征稀疏的問題，應(yīng)用到情感分類中，張佳明等[14]通過主題模型挖掘微博文檔中的隱含主題，并通過情感詞典分析隱含主題的情感分布，進(jìn)而獲得整條微博的情感傾向。在產(chǎn)品評(píng)論的短文本情感分類問題上，消費(fèi)者評(píng)論主題存在有限性和差異性，主題內(nèi)容的差異性會(huì)導(dǎo)致評(píng)論情感相似性的計(jì)算誤差。為了弱化主題內(nèi)容對(duì)情感分類的干擾，本文引入理想評(píng)論，并構(gòu)造正、負(fù)向代表評(píng)論集，通過比較評(píng)論和理想評(píng)論的主題相似性，獲得評(píng)論的情感傾向。采用LDA 主題模型挖掘在線評(píng)論的隱含主題，結(jié)合情感詞典計(jì)算主題的情感極性。并根據(jù)主題的情感極性構(gòu)造具有強(qiáng)烈感情色彩的理想評(píng)論，通過計(jì)算評(píng)論和理想評(píng)論的主題相似度，構(gòu)建正、負(fù)向代表評(píng)論集，進(jìn)而計(jì)算得到每條評(píng)論的情感傾向值，實(shí)現(xiàn)在線評(píng)論的自動(dòng)情感分類。

1 問題描述及定義

1.1 問題描述

給定產(chǎn)品評(píng)論文檔集D=｛d1，d2，…，d M｝，其中：M為文檔數(shù)目；d i為第i條評(píng)論。評(píng)論d i具有情感傾向，本文研究問題僅限于對(duì)文檔的正、負(fù)情感極性分類。評(píng)論文檔集可以進(jìn)一步表示為

其中，Si表示評(píng)論d i的情感傾向，Si=1表示對(duì)應(yīng)的評(píng)論d i情感極性為正向，Si=-1表示對(duì)應(yīng)的評(píng)論d i情感極性為負(fù)向。本文的研究問題即是求解向量（S1，S2，…，SM），即判斷每條評(píng)論的情感傾向，將評(píng)論進(jìn)行情感分類。

1.2 相關(guān)定義

本文通過計(jì)算每條評(píng)論和理想評(píng)論的主題相似度獲得評(píng)論的情感傾向值，為使問題更加清楚，以下給出主題、評(píng)論及理想評(píng)論的相關(guān)定義：

D——評(píng)論集

N——評(píng)論集含有的詞數(shù)

R——一條評(píng)論的向量表示

z——主題

k——評(píng)論集的主題數(shù)

T——評(píng)論的主題向量

θR——評(píng)論R在k個(gè)主題上概率分布

φz——主題z的詞分布

Twordszi——主題zi的代表詞

Dpos，Dneg——正、負(fù)向代表評(píng)論集

λ——相似度閾值

Hennig-Thurau等[15]定義在線產(chǎn)品評(píng)論為：潛在的、當(dāng)前的以及過去的消費(fèi)者公開發(fā)布在網(wǎng)絡(luò)上的對(duì)某個(gè)產(chǎn)品或企業(yè)的正向或負(fù)向的陳述。消費(fèi)者在線產(chǎn)品評(píng)論主要圍繞產(chǎn)品特征進(jìn)行評(píng)價(jià)，包括產(chǎn)品屬性特征，如電腦屏幕、系統(tǒng)等，也包含產(chǎn)品購買平臺(tái)特征，如物流、服務(wù)等，并通常伴有情感表達(dá)。由于在線產(chǎn)品評(píng)論通常比較簡短，所含詞語較少，隨意性較強(qiáng)，完整性較差，一條評(píng)論所評(píng)價(jià)的產(chǎn)品特征數(shù)目較少，導(dǎo)致產(chǎn)品特征向量稀疏。而且，由于評(píng)論巨大的數(shù)據(jù)量，產(chǎn)品特征提取本身已是一項(xiàng)艱難的任務(wù)，將對(duì)應(yīng)的觀點(diǎn)與產(chǎn)品特征匹配又進(jìn)一步提升了對(duì)算法技術(shù)的要求，且經(jīng)常需要領(lǐng)域本體的支持[16]。因此，本文引入主題的概念，將一條評(píng)論表示為一個(gè)主題分布向量。具體地，主題的描述性定義如下：

定義1主題。一個(gè)主題可由產(chǎn)品特征、特征觀點(diǎn)及情感3個(gè)維度描述，以“電腦散熱性能”主題為例，“CPU 溫度高”“風(fēng)扇噪聲大”，包含了對(duì)不同產(chǎn)品特征CPU、風(fēng)扇，及對(duì)應(yīng)的觀點(diǎn)的情感表達(dá)。記第i個(gè)主題為z i，對(duì)應(yīng)的情感傾向?yàn)?｝=1表示正向情感極性=0表示負(fù)向情感極性。

本文中，以主題作為基本情感極性單位，每個(gè)主題的情感傾向?yàn)檎蚧蜇?fù)向。基于主題情感極性構(gòu)建理想評(píng)論，首先定義評(píng)論：

定義2評(píng)論。假設(shè)整個(gè)評(píng)論文檔集D共包含k個(gè)主題，則一條評(píng)論R可以表示為一個(gè)多維向量R=T=（t1，t2，…，tk），其中，ti∈[0，1]，表示評(píng)論R屬于第i個(gè)主題z i的概率。

若兩條評(píng)論的主題概率分布相似，則認(rèn)為兩條評(píng)論相似，而且兩條評(píng)論的情感傾向值近似。因此，可以通過評(píng)論間的主題相似性判別評(píng)論情感傾向。Turney[5]在計(jì)算情感詞的情感傾向值時(shí)，通過計(jì)算該情感詞和正向詞“excellent”的關(guān)系值及其與負(fù)向詞“poor”的關(guān)系值的差值獲得。借鑒此思想，本文在計(jì)算每條評(píng)論的情感傾向值時(shí)，通過計(jì)算每條評(píng)論和具有強(qiáng)烈正向情感的正向評(píng)論的關(guān)系值及其與具有強(qiáng)烈負(fù)向情感的負(fù)向評(píng)論的關(guān)系值差值獲得。相比于詞之間的關(guān)系，評(píng)論之間的關(guān)系更為復(fù)雜，為了突出情感維度的關(guān)系，本文構(gòu)造評(píng)論文檔集D上的兩條理想評(píng)論和分別稱為理想正向評(píng)論和理想負(fù)向評(píng)論。具體定義：

定義3理想評(píng)論。理想正向評(píng)論即為包含且僅包含所有正向情感表達(dá)的主題的評(píng)論，而理想負(fù)向評(píng)論即為包含且僅包含所有負(fù)向情感表達(dá)的主題的評(píng)論。即

其中，0＜ti＜1，若=1，則ti=0；

其中，0＜ti＜1，若=0，則ti=0。

2 基于主題相似性的情感分類模型

第1節(jié)中將評(píng)論表示為主題向量，并且引入了具有強(qiáng)烈情感傾向的理想評(píng)論。在此基礎(chǔ)上，通過計(jì)算每條評(píng)論和理想評(píng)論的主題相似性，獲得每條評(píng)論的情感傾向值，進(jìn)而構(gòu)造一種基于主題相似性的情感分類模型，自動(dòng)對(duì)在線評(píng)論進(jìn)行情感分類，具體的模型結(jié)構(gòu)如圖1所示。

圖1 基于主題相似性的情感分類模型總體結(jié)構(gòu)

2.1 LDA模型

為獲得評(píng)論文檔集的主題，采用LDA 主題模型方法訓(xùn)練評(píng)論集。

潛在狄利克雷分配模型（Latent Dirichlet Allocation，LDA）由Blei等[7]提出，它是一個(gè)“文檔-主題-詞”的3層貝葉斯生成式模型，其特點(diǎn)是參數(shù)空間的規(guī)模與語料庫大小無關(guān)，適合于處理大規(guī)模語料庫，在文本分析領(lǐng)域應(yīng)用廣泛。

LDA 模型中，語料庫中的每一篇文檔可以表示為若干主題構(gòu)成的一個(gè)概率分布，而每個(gè)主題又可表示為若干個(gè)詞構(gòu)成的一個(gè)概率分布。如圖2 所示，各文檔的主題概率分布服從參數(shù)為α的Dirichlet分布，而各主題的詞分布服從參數(shù)為β的Dirichlet分布。

圖2 LDA 的圖模型表示

具體地，對(duì)于語料庫中的每篇文檔，LDA 模型的文檔生成過程為：

（1）對(duì)于每篇文檔d，從參數(shù)為α的Dirichlet分布中選擇主題參數(shù)θd；

（2）對(duì)于文檔d中的單詞，從參數(shù)為θd的多項(xiàng)式主題分布中產(chǎn)生一個(gè)主題；從參數(shù)為的多項(xiàng)式單詞分布中產(chǎn)生單詞；

（3）重復(fù)上述步驟，直至生成整個(gè)文檔。

將評(píng)論文檔集D，輸入LDA 模型，訓(xùn)練可以得到文檔集D的k個(gè)主題；同時(shí)，每篇評(píng)論r∈D被表示為k個(gè)主題的概率向量分布，實(shí)現(xiàn)了評(píng)論的主題表示；而每個(gè)主題z也被表示為一個(gè)詞向量，隱含著不同的產(chǎn)品特征和對(duì)應(yīng)的聲明及情感表達(dá)。

2.2 理想評(píng)論構(gòu)造

對(duì)于給定的評(píng)論集D，其中并不包含理想評(píng)論，需要自動(dòng)生成。以下給出生成該評(píng)論集上的理想評(píng)論的具體方法。

（1）以Gibbs抽樣方法訓(xùn)練評(píng)論集D得到評(píng)論LDA 模型，產(chǎn)生k個(gè)主題，評(píng)論在主題上的分布為θ，主題在詞上的分布為φ；θR表示評(píng)論R在k個(gè)主題上概率分布。

（2）計(jì)算主題z的情感傾向值。?z=（?z1，?z2，…，?zN）表示主題z的詞分布，N是評(píng)論集D中的所有詞，結(jié)合情感詞典（臺(tái)灣大學(xué)情感詞典），主題z的情感傾向值計(jì)算公式為

其中：x i為決策變量，若第i詞為褒義詞，則x i=1，若為貶義詞，則x i=-1，若不在詞典內(nèi)，則x i=0；Sz＞0，表示主題z為正向情感，否則為負(fù)向情感。

（3）構(gòu)造近似理想評(píng)論。?z為所有詞屬于主題z的概率，取概率值大于p0的詞作為主題z的代表詞，表示為；取所有正向主題zi的，所有詞構(gòu)成一條理想正向評(píng)論；取所有負(fù)向主題zi的，所有詞構(gòu)成一條理想負(fù)向評(píng)論。

（4）將理想評(píng)論輸入LDA 模型，估計(jì)它們的主題分布，得到理想評(píng)論的主題表示。

2.3 情感分類模型

由LDA 模型得到每條評(píng)論以及理想評(píng)論的主題向量為：

每條評(píng)論可量化為各自的主題概率分布為：

以評(píng)論和理想評(píng)論之間的主題相似度差值作為判別評(píng)論情感傾向的依據(jù)，具體地，評(píng)論R∈D的情感傾向值可由下式計(jì)算：

由于理想評(píng)論包含主題數(shù)較多，而普通評(píng)論通常較為簡短，所包含的主題數(shù)較少，即使具有相同的情感傾向，但是由于兩者對(duì)應(yīng)的主題概率分布的差別，由式（2）計(jì)算得到的相似度會(huì)有所降低，進(jìn)而，由式（1）計(jì)算得到的評(píng)論情感傾向值也會(huì)有偏差。為了降低此偏差，分別以正、負(fù)向表示評(píng)論集Dpos、Dneg代替正、負(fù)向理想評(píng)論。給定閾值λ∈[0，1]，若sim（R，＞λ，則R∈Dpos；若＞λ，則R∈Dneg。評(píng)論R∈D的情感傾向值可由下式計(jì)算：

若sentiment（R）＞0，則評(píng)論R情感傾向?yàn)檎?；若sentiment（R）≤0，則評(píng)論R情感傾向?yàn)樨?fù)向。

具體地，評(píng)論集D上的情感分類算法的步驟為：

（1）對(duì)評(píng)論集D進(jìn)行預(yù)處理。①采用中科院的分詞系統(tǒng)ICTCLAS 分詞；②剔除停用詞，得到評(píng)論集D′。

（2）以評(píng)論集D′作為訓(xùn)練數(shù)據(jù)集，輸入LDA模型獲得評(píng)論集D的主題分布矩陣θD等，以及評(píng)論集D的LDA 模型final-model。

（4）根據(jù)式（2）計(jì)算普通評(píng)論和理想評(píng)論的相似度，取相似度閾值λ，構(gòu)造正、負(fù)向代表評(píng)論集Dpos、Dneg。

（5）根據(jù)式（3）計(jì)算每條評(píng)論的情感傾向值sentiment（R），對(duì)所有評(píng)論進(jìn)行情感分類。

3 實(shí)驗(yàn)結(jié)果分析

3.1 數(shù)據(jù)集

下載譚松波公布的關(guān)于計(jì)算機(jī)、酒店及圖書的情感分類數(shù)據(jù)集，并從數(shù)據(jù)堂下載關(guān)于手機(jī)的情感分類數(shù)據(jù)集。對(duì)4個(gè)數(shù)據(jù)集進(jìn)行整理：①剔除字?jǐn)?shù)在10字以下以及無效評(píng)論；②刪除情感標(biāo)注明顯不恰當(dāng)?shù)脑u(píng)論。整理后，共得到有效評(píng)論9 259條，每種數(shù)據(jù)集的大小和正負(fù)情感分布如表1所示。

表1 實(shí)驗(yàn)數(shù)據(jù)集

其中，數(shù)據(jù)集Corp1主要用于算法性能測(cè)試，而Corp2～4則主要用于驗(yàn)證算法的領(lǐng)域可移植性。

3.2 主題發(fā)現(xiàn)及其情感判別

首先是情感詞典的構(gòu)建，本文采用臺(tái)灣大學(xué)情感詞典，從語料中提取在線產(chǎn)品評(píng)論中特有的表達(dá)情感的詞和短語，如“性價(jià)比高”“實(shí)惠”“節(jié)能”“退貨”“燙”“噪聲”“劃痕”等，擴(kuò)充為適用于本文研究的情感詞典。

其次，以LDA 模型發(fā)現(xiàn)評(píng)論集主題及每條評(píng)論的主題向量表示，參數(shù)設(shè)置為：α=0.625，β=0.01，主題數(shù)k=80（依據(jù)困惑度選?。螖?shù)10 000。本文所用LDA 工具包下載地址：http：//jgibblda.sourceforge.net/#Griffiths04。

利用LDA 模型的文檔-主題矩陣θ可以得到第i條評(píng)論的k維主題向量θi，即R i=θi，i=1，2，…，M；利用主題-詞矩陣?可以得到第i個(gè)主題的N維詞向量?i，結(jié)合情感詞典，得到主題zi的情感傾向，i=1，2，…，k，具體如表2所示。限于空間，只列出計(jì)算機(jī)Corp1的部分主題。

表2 主題代表評(píng)論

依據(jù)主題情感極性及其詞向量分布?，由2.2節(jié)理想評(píng)論構(gòu)造方法分別構(gòu)造了近似理想正評(píng)論和近似理想負(fù)評(píng)論，并由該評(píng)論集的LDA模型得到兩條近似理想評(píng)論的主題向量：

計(jì)算向量θP和θN的皮爾遜相關(guān)相似度，值為-0.78，顯著負(fù)相關(guān)，驗(yàn)證了本文提出的構(gòu)造近似理想評(píng)論方法的有效性。

3.3 情感分類

利用基于主題相似性的情感分類模型對(duì)實(shí)驗(yàn)語料進(jìn)行情感分類。為了檢測(cè)閾值λ對(duì)最終分類結(jié)果的影響，在數(shù)據(jù)集Corp1上，取不同規(guī)模評(píng)論語料，研究了λ取值對(duì)分類結(jié)果的影響，利用F1值作為實(shí)驗(yàn)結(jié)果的評(píng)估標(biāo)準(zhǔn)。從評(píng)論集Corp1 中隨機(jī)抽取相應(yīng)規(guī)模的評(píng)論數(shù)（為簡便計(jì)算，正、負(fù)向評(píng)論數(shù)相同），獲得6個(gè)評(píng)論測(cè)試集，規(guī)模分別為：500、1 000、1 500、2 000、2 600和3 000。研究的λ取值范圍為[0，0.3]，實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 不同規(guī)模評(píng)論預(yù)測(cè)結(jié)果F1值（子圖為固定λ值，語料規(guī)模增大對(duì)應(yīng)的F1值變化情況）

由圖3可以看出，雖然評(píng)論語料規(guī)模不同，但是，隨著閾值λ的增大，實(shí)驗(yàn)結(jié)果F1值總體呈波動(dòng)下降趨勢(shì)。在所研究的λ取值范圍內(nèi)，實(shí)驗(yàn)結(jié)果的F1值在[0.723，0.817]，若除去規(guī)模為500條評(píng)論的小規(guī)模測(cè)試集，F(xiàn)1值的波動(dòng)范圍僅為[0.761，0.805]?？梢?，λ取值對(duì)具有一定規(guī)模的評(píng)論集的實(shí)驗(yàn)結(jié)果有影響，但是影響不大。在λ∈[0，0.03]時(shí)，F(xiàn)1值均在0.785 以上，正負(fù)情感傾向判別結(jié)果較好。另外，由子圖可以發(fā)現(xiàn)，對(duì)于固定的λ值，隨著評(píng)論語料規(guī)模的逐漸增大，F(xiàn)1值并未有明顯的規(guī)律，基本上是在某個(gè)固定值上下波動(dòng)。這說明，λ的取值與語料規(guī)模無明顯關(guān)系。

基于上述分析，本文中λ的取值方法為隨機(jī)取自區(qū)間[0，0.03]。表3所示為當(dāng)λ隨機(jī)取自區(qū)間[0，0.03]時(shí)，在計(jì)算機(jī)評(píng)論集Corp1的評(píng)論情感分類的實(shí)驗(yàn)結(jié)果，以準(zhǔn)確率P、召回率R以及F1值作為評(píng)判實(shí)驗(yàn)結(jié)果的標(biāo)準(zhǔn)，結(jié)果為10次實(shí)驗(yàn)的平均值。

表3 實(shí)驗(yàn)結(jié)果

由表3可以看出，當(dāng)λ在區(qū)間[0，0.03]內(nèi)隨機(jī)取值時(shí)，計(jì)算機(jī)類評(píng)論集Corp1 的正、負(fù)情感傾向判別結(jié)果的準(zhǔn)確率P、召回率R以及F1值均在80%，且10次實(shí)驗(yàn)的結(jié)果變化幅度極小，F(xiàn)1值的變化幅度僅為0.001。因此，λ在區(qū)間[0，0.03]內(nèi)任意取值，可以降低程序計(jì)算的復(fù)雜度，在簡化實(shí)驗(yàn)過程的同時(shí)又不會(huì)降低算法性能。

為進(jìn)一步驗(yàn)證本文所提模型的有效性，將本文模型與其他情感分類模型進(jìn)行比較，包括ASUM 模型[4]、JST 模型[8]、Pang等[11]的方法和UTSU 模型[9]，采用數(shù)據(jù)集Corp1。比較結(jié)果如圖4所示。

圖4 情感分類效果對(duì)比圖

5種方法中，Pang方法是有監(jiān)督的學(xué)習(xí)方法，其他4種均為無監(jiān)督的主題情感混合模型。由圖4可以看出，綜合考慮準(zhǔn)確率和召回率，效果最好的是Pang方法。但Pang方法是基于向量空間模型的有監(jiān)督學(xué)習(xí)方法，需要先對(duì)標(biāo)注好的樣本進(jìn)行訓(xùn)練才能測(cè)試。其他4種無監(jiān)督算法中，USTU 模型、ASUM模型以及本文提出的基于主題相似性的情感分類模型中，本文的結(jié)果明顯優(yōu)于其他模型，綜合評(píng)價(jià)指標(biāo)F1值比其他模型高3%～20%，驗(yàn)證了本文算法的有效性。綜合上述實(shí)驗(yàn)，本文所提出的基于主題相似性的情感分類模型，在當(dāng)λ在區(qū)間[0，0.03]內(nèi)任意取值時(shí)，評(píng)論的情感分類F1值可以達(dá)到比較理想的結(jié)果，能夠有效地判別評(píng)論的情感傾向。

3.4 領(lǐng)域可移植性實(shí)驗(yàn)

為了進(jìn)一步驗(yàn)證本文所提出的基于主題相似性的無監(jiān)督情感分類方法具有較好的領(lǐng)域可移植性，分別在酒店、圖書及手機(jī)3類產(chǎn)品的數(shù)據(jù)集（見表1 Corp2～4）上進(jìn)行測(cè)試。算法參數(shù)設(shè)置與Corp1實(shí)驗(yàn)相同，參數(shù)λ隨機(jī)取自區(qū)間[0，0.03]，情感分類結(jié)果如圖5所示。

圖5 領(lǐng)域可移植性實(shí)驗(yàn)結(jié)果

由圖5可以看出，本文方法在不同領(lǐng)域的評(píng)論上均展現(xiàn)了較好的性能，綜合F1值達(dá)到80%以上，充分說明了該方法在領(lǐng)域可移植上的優(yōu)越性。另外，在F1值表現(xiàn)上，酒店類評(píng)論達(dá)到85%以上，而圖書類和手機(jī)類均在80%左右。這是因?yàn)?，酒店類評(píng)論主題相對(duì)集中，基本圍繞地理位置、房間大小及衛(wèi)生、周邊環(huán)境等，因而理想評(píng)論能夠更全面地包含所有評(píng)論的主題；而圖書類評(píng)論中，消費(fèi)者大多會(huì)對(duì)圖書的內(nèi)容進(jìn)行評(píng)價(jià)，由于圖書題材及內(nèi)容的廣泛性，使得構(gòu)造理想評(píng)論的全面性較低，進(jìn)而判別結(jié)果有所降低；同樣地，手機(jī)類產(chǎn)品的評(píng)論主題通常也較多，包括手機(jī)多樣的性能及用戶差異性體驗(yàn)等，因而F1值也在80%左右。

4 結(jié)語

針對(duì)中文在線產(chǎn)品評(píng)論進(jìn)行情感傾向判別，即在篇章級(jí)別上判斷一條評(píng)論情感極性的正負(fù)。近年來，基于主題模型的無監(jiān)督情感傾向分析越來越受到學(xué)者的青睞，而現(xiàn)有主題情感混合模型中，由于主題分布和情感分布會(huì)有一個(gè)是局部分布，在線評(píng)論文檔的情感偏移或主題數(shù)目變化會(huì)導(dǎo)致局部分布不確定性增加，而使最終分類效果不佳且不穩(wěn)定。因此，本文在基于主題模型的文本分類方法的基礎(chǔ)上對(duì)情感分類問題進(jìn)行研究，采用最常用的LDA 主題模型，以情感詞典方法獲得主題的情感傾向，提出一種基于主題相似性的無監(jiān)督在線評(píng)論情感分類模型。為弱化主題內(nèi)容對(duì)情感分類的影響，引入理想評(píng)論并構(gòu)造理想評(píng)論代表集。通過計(jì)算評(píng)論和理想評(píng)論集的主題相似度，獲得在線評(píng)論的情感傾向值，實(shí)現(xiàn)情感分類。

為驗(yàn)證算法的有效性，在計(jì)算機(jī)、酒店、圖書及手機(jī)4個(gè)不同領(lǐng)域產(chǎn)品的評(píng)論數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明：①利用情感詞典及主題詞向量能有效判別主題的情感極性；②基于主題情感極性的近似理想評(píng)論構(gòu)造方法產(chǎn)生的理想正、負(fù)評(píng)論的相似度達(dá)-0.78，情感極性兩極化明顯；③在準(zhǔn)確率、召回率及F1值表現(xiàn)上，本文算法比Pang等[11]的有監(jiān)督算法低，但是優(yōu)于其他主題情感混合模型；④本文方法具有優(yōu)越的領(lǐng)域可移植性，在不同領(lǐng)域數(shù)據(jù)集上表現(xiàn)較好。

本文的研究結(jié)果在中文在線評(píng)論情感分類相關(guān)理論和實(shí)踐應(yīng)用中均具有一定的參考價(jià)值。①理論貢獻(xiàn)。基于文本相似性的情感分類方法通常是兩條評(píng)論相互比較，而本文引入理想評(píng)論并擴(kuò)充為理想評(píng)論集，通過比較評(píng)論和理想評(píng)論集內(nèi)所有評(píng)論的相似度得到每條評(píng)論的情感傾向值，豐富了在線評(píng)論情感分類方法和理論。②實(shí)踐貢獻(xiàn)。在線評(píng)論的情感極性反映了消費(fèi)者對(duì)購物體驗(yàn)的綜合情感，電子商務(wù)環(huán)境下，商家可以通過在線評(píng)論情感極性推測(cè)消費(fèi)者的再購意愿及行為，為制定個(gè)性化營銷策略提供參考依據(jù)。

以下兩個(gè)方面值得深入探討：①本文研究內(nèi)容限于在線評(píng)論篇章級(jí)別的情感分類問題，而現(xiàn)在更多的評(píng)論則是從多方面對(duì)商品進(jìn)行闡述，對(duì)在線評(píng)論進(jìn)行細(xì)粒度的情感分類將是下一步的研究重點(diǎn)。②本文研究方法為無監(jiān)督學(xué)習(xí)，當(dāng)數(shù)據(jù)含有標(biāo)簽或部分有標(biāo)簽時(shí)，如何利用標(biāo)簽信息改進(jìn)模型也是一個(gè)可行的研究方向。