尤良輝 張華熊

摘?要：

隨著移動(dòng)互聯(lián)網(wǎng)時(shí)代的快速發(fā)展，電商平臺(tái)迅速崛起成為推動(dòng)網(wǎng)絡(luò)消費(fèi)增長(zhǎng)的一股新興且強(qiáng)大的力量。為了有效利用海量的商品評(píng)論數(shù)據(jù)，文章基于京東商城絲綢商品的評(píng)論數(shù)據(jù)，使用詞頻統(tǒng)計(jì)對(duì)評(píng)論數(shù)據(jù)進(jìn)行分析處理，構(gòu)建屬性＼|情感詞詞典，填充了評(píng)論中的隱性屬性。利用Label?Studio數(shù)據(jù)標(biāo)注平臺(tái)對(duì)評(píng)論數(shù)據(jù)進(jìn)行屬性＼|觀點(diǎn)＼|情感的三元標(biāo)注，經(jīng)過(guò)標(biāo)注后的數(shù)據(jù)集被應(yīng)用于UIE（Unified?Structure?Generation?for?Universal?Information?Extraction）模型進(jìn)行屬性級(jí)情感抽取，并基于抽取的數(shù)據(jù)集對(duì)ERNIE（Enhanced?Language?Representation?with?Informative?Entities）模型進(jìn)行微調(diào)訓(xùn)練。實(shí)驗(yàn)結(jié)果表明，該方法在屬性級(jí)情感分析中的準(zhǔn)確率高達(dá)90%，填充隱性屬性后，準(zhǔn)確率提升至94%，表明該方法所得模型在屬性級(jí)情感分析中有著不錯(cuò)的效果。

關(guān)鍵詞：電商評(píng)論；深度學(xué)習(xí)；UIE；屬性級(jí)情感分析

中圖分類號(hào)：TP391.9??文獻(xiàn)標(biāo)志碼：A

0?引言（Introduction）

隨著互聯(lián)網(wǎng)的快速發(fā)展，電子商務(wù)已經(jīng)迅速成為人們進(jìn)行購(gòu)物和交易的主導(dǎo)方式。截至2023年6月，我國(guó)擁有約10.79億網(wǎng)民，互聯(lián)網(wǎng)普及率達(dá)到76.4%［1］。這一迅猛發(fā)展不僅催生了電子商務(wù)的繁榮，還帶來(lái)了海量的電子商務(wù)數(shù)據(jù)，其中商品的用戶評(píng)論數(shù)據(jù)相對(duì)容易獲取且不涉及敏感信息，因此對(duì)這些海量的商品評(píng)論數(shù)據(jù)進(jìn)行深入分析和挖掘，以提取有價(jià)值的消費(fèi)者見(jiàn)解和市場(chǎng)趨勢(shì)，成為當(dāng)前自然語(yǔ)言處理研究領(lǐng)域的熱點(diǎn)之一［2］。同時(shí)，我國(guó)紡織服裝企業(yè)的生產(chǎn)模式普遍仍以傳統(tǒng)的加工制造為主，智能化、協(xié)同化、信息化制造能力不強(qiáng)。隨著近年來(lái)信息技術(shù)的快速發(fā)展，紡織服裝行業(yè)也有借助現(xiàn)代信息技術(shù)轉(zhuǎn)變模式、提升競(jìng)爭(zhēng)力的愿望。

基于以上背景，本文旨在運(yùn)用深度學(xué)習(xí)技術(shù)對(duì)紡織服裝行業(yè)的電商評(píng)論數(shù)據(jù)進(jìn)行屬性級(jí)情感分析，希望能夠揭示絲綢紡織行業(yè)中消費(fèi)者的情感、觀點(diǎn)和動(dòng)態(tài)興趣等行為要素，為商家提供決策和管理方面的指導(dǎo)和建議。

屬性級(jí)情感分析［3］是一種文本分析技術(shù)，旨在從文本中提取出與特定屬性相關(guān)的情感信息。相比于傳統(tǒng)的整體情感分析，屬性級(jí)情感分析的細(xì)粒度更細(xì)，可以幫助分析人員更準(zhǔn)確地了解消費(fèi)者對(duì)不同屬性的情感傾向。

在絲綢紡織行業(yè)中，電商評(píng)論常常出現(xiàn)面料、顏色、價(jià)格等多個(gè)維度的評(píng)論，并且每個(gè)維度都有對(duì)應(yīng)的情感。例如，“絲巾還是很漂亮的，面料也很舒服，就是價(jià)格太貴了”評(píng)論中的“面料”維度對(duì)應(yīng)的觀點(diǎn)詞是“舒服”，情感傾向?yàn)檎?，而“價(jià)格”維度對(duì)應(yīng)的觀點(diǎn)詞是“貴”，情感傾向?yàn)樨?fù)向。因此，對(duì)于類似的評(píng)論，分析人員不能簡(jiǎn)單地對(duì)整個(gè)句子進(jìn)行情感分析，而是需要找到一種方法更加深入地挖掘信息，這種方法便是屬性級(jí)情感分析。

在屬性級(jí)情感分析中，需要識(shí)別出評(píng)論中涉及的不同維度，針對(duì)每個(gè)維度找到與之相關(guān)的觀點(diǎn)詞和情感傾向，通過(guò)屬性級(jí)情感的提取，分析人員可以了解每個(gè)維度上的用戶觀點(diǎn)和情感傾向，從而獲得更豐富的情感分析結(jié)果。

2?[JP5]相關(guān)深度學(xué)習(xí)模型（Relevant?deep?learning?models）

2.1?UIE模型

UIE（Unified?Structure?Generation?for?Universal?Information?Extraction）［4］模型是一個(gè)面向信息抽取的統(tǒng)一文本到結(jié)構(gòu)生成框架，它可以統(tǒng)一建模不同的信息抽取任務(wù)，如實(shí)體、關(guān)系、事件和情感等，并自適應(yīng)地生成目標(biāo)結(jié)構(gòu)。該模型設(shè)計(jì)了一種結(jié)構(gòu)提取語(yǔ)言（Structure?Extraction?Language，SEL），該語(yǔ)言可以有效地將不同的信息抽取（Information?Extraction，IE）結(jié)構(gòu)編碼為統(tǒng)一的表示，從而可以在相同的文本到結(jié)構(gòu)生成框架中對(duì)各種IE任務(wù)進(jìn)行通用建模。為了自適應(yīng)地為不同的IE任務(wù)生成目標(biāo)結(jié)構(gòu)，百度在線網(wǎng)絡(luò)技術(shù)（北京）有限公司提出了結(jié)構(gòu)模式指導(dǎo)器（Structural?Schema?Instructor，SSI），這是一種基于模式的提示機(jī)制，用于控制UIE中要發(fā)現(xiàn)的內(nèi)容、要關(guān)聯(lián)的內(nèi)容及要生成的內(nèi)容。

2.2?ERNIE模型

ERNIE［5］（Enhanced?Language?Representation?with?Informative?Entities）模型采用Transformer?Encoder的方式作為基本的編碼器，模型大小是12?encoder?layer、178?hidden?units、12?attention?heads。ERNIE模型與BERT［6］（Bidirectional?Encoder?Representations?from?Transformers）模型十分相似，但ERNIE改進(jìn)了兩種masking策略，一種是基于短語(yǔ)的masking策略，另一種是基于名詞（如人名、位置、組織、產(chǎn)品）的masking策略。在ERNIE中，將由多個(gè)字組成的短語(yǔ)或者名詞當(dāng)成一個(gè)統(tǒng)一單元，相比于BERT基于字的mask，這個(gè)單元當(dāng)中的所有字在訓(xùn)練的時(shí)候，統(tǒng)一被mask。對(duì)比直接將知識(shí)類的query映射成向量后直接相加，ERNIE通過(guò)統(tǒng)一mask的方式，可以潛在地學(xué)習(xí)到知識(shí)的依賴及更長(zhǎng)的語(yǔ)義依賴，進(jìn)而讓模型更具泛化性。

3.1?在線評(píng)論數(shù)據(jù)采集

（1）采集來(lái)源

網(wǎng)絡(luò)化時(shí)代的到來(lái)產(chǎn)生了大量的消費(fèi)者生成內(nèi)容，消費(fèi)者不僅可以在消費(fèi)前在互聯(lián)網(wǎng)中獲得產(chǎn)品的基本信息，也可以獲知其他已購(gòu)買(mǎi)該產(chǎn)品的消費(fèi)者對(duì)產(chǎn)品的使用體驗(yàn)。這些信息在互聯(lián)網(wǎng)不同的平臺(tái)上不停地更新，例如京東、淘寶等第三方購(gòu)物平臺(tái)，以及官方的論壇、社區(qū)、社交平臺(tái)賬號(hào)等。由于絲綢紡織行業(yè)的用戶評(píng)論內(nèi)容豐富，用戶的需求多樣，這就要求采集的用戶評(píng)論數(shù)量足夠多、內(nèi)容真實(shí)且篇幅不能過(guò)短。官方的論壇、社區(qū)、社交平臺(tái)賬號(hào)的評(píng)論數(shù)量較少，不滿足采集需求，并且有可能是商家花錢(qián)買(mǎi)推廣的評(píng)論。相比于官方的論壇、社區(qū)、社交平臺(tái)賬號(hào)，第三方在線平臺(tái)具有評(píng)論真實(shí)、屬性全面、質(zhì)量更高的優(yōu)勢(shì)。首先，隨著互聯(lián)網(wǎng)購(gòu)物方式的普及和物流行業(yè)的快速發(fā)展，越來(lái)越多的消費(fèi)者選擇線上購(gòu)買(mǎi)產(chǎn)品，因此第三方購(gòu)物網(wǎng)站的每款熱銷絲綢商品的評(píng)論都達(dá)到數(shù)萬(wàn)條，這些評(píng)論可以真實(shí)地反映大多數(shù)消費(fèi)者的心聲。其次，用戶在評(píng)論商品時(shí)，可以選擇不同的屬性標(biāo)簽，這為細(xì)粒度的需求分析提供了相對(duì)完善的評(píng)論信息。最后，得益于平臺(tái)的評(píng)論監(jiān)測(cè)過(guò)濾機(jī)制，大大減少了其中摻雜的垃圾評(píng)論，提高了評(píng)論的質(zhì)量。因此，本文選擇各個(gè)電商平臺(tái)的評(píng)論作為在線評(píng)論數(shù)據(jù)來(lái)源。

（2）采集過(guò)程

基于用戶評(píng)價(jià)的數(shù)據(jù)挖掘需要大量的用戶評(píng)論語(yǔ)料，顯然依靠人力收集在線用戶評(píng)論的工作量相當(dāng)大，因此必須借助現(xiàn)有的爬蟲(chóng)技術(shù)從電商平臺(tái)快速獲取用戶評(píng)論。網(wǎng)絡(luò)爬蟲(chóng)［7］其實(shí)就是一個(gè)程序或者腳本，它向目標(biāo)鏈接發(fā)起Http請(qǐng)求并按照開(kāi)發(fā)者設(shè)定的規(guī)則對(duì)返回?cái)?shù)據(jù)進(jìn)行過(guò)濾解析，實(shí)現(xiàn)自動(dòng)從互聯(lián)網(wǎng)上抓取所需的信息。為我們熟知的搜索引擎如谷歌和百度都是大型的爬蟲(chóng)系統(tǒng)，基于用戶輸入的關(guān)鍵字在全網(wǎng)進(jìn)行爬蟲(chóng)搜索，并將相關(guān)的網(wǎng)頁(yè)呈現(xiàn)給用戶。

現(xiàn)有的網(wǎng)絡(luò)爬蟲(chóng)工具有“八爪魚(yú)”、HTTrack、Scraper、OutWit?Hub等。“八爪魚(yú)”是一款免費(fèi)且功能強(qiáng)大的網(wǎng)站爬蟲(chóng)，用于從網(wǎng)站上幫助使用者提取需要的幾乎所有類型的數(shù)據(jù)。用戶可以使用其內(nèi)置的正則表達(dá)式工具從復(fù)雜的網(wǎng)站布局中提取許多棘手網(wǎng)站的數(shù)據(jù)，并使用XPath配置工具精確定位Web元素。

利用網(wǎng)絡(luò)爬蟲(chóng)工具“八爪魚(yú)”對(duì)京東商城的絲綢類商品評(píng)論進(jìn)行爬取，主要爬取評(píng)論、用戶名、評(píng)價(jià)星級(jí)、店鋪名稱、貨號(hào)、商品材質(zhì)等內(nèi)容（表1）。

3.2?數(shù)據(jù)預(yù)處理

雖然在線商城的用戶評(píng)論數(shù)量龐大，但是由于用戶表達(dá)隨意，其中摻雜了許多無(wú)效評(píng)論，若在后續(xù)分析階段不對(duì)其進(jìn)行處理，則這些無(wú)效評(píng)論將帶來(lái)較大的干擾。因此，需要對(duì)評(píng)論進(jìn)行預(yù)處理，去除無(wú)效評(píng)論。需要?jiǎng)h除的評(píng)論可分為3種情況。

一是重復(fù)的評(píng)論。爬取的評(píng)論難免會(huì)出現(xiàn)重復(fù)內(nèi)容，原因可能是用戶進(jìn)行了復(fù)制粘貼，或是在分批爬取時(shí)，網(wǎng)頁(yè)更新了評(píng)論動(dòng)態(tài)等。為此，需要?jiǎng)h除重復(fù)的評(píng)論。

二是過(guò)短的評(píng)論。一些評(píng)論可能只包含一兩個(gè)字，這類過(guò)短的評(píng)論所包含的信息非常有限，因此真正有效的評(píng)論至少需要包含3個(gè)字以上，例如“速度快”，因此需要?jiǎng)h除少于3個(gè)字的評(píng)論。

三是無(wú)意義的評(píng)論。某些消費(fèi)者為了積分而隨意評(píng)論，他們會(huì)隨意打字湊字?jǐn)?shù)，這種評(píng)論毫無(wú)挖掘價(jià)值，同樣需要?jiǎng)h除。

經(jīng)過(guò)上述篩選步驟，共得到了16?900條有效的評(píng)論數(shù)據(jù)。

[BT5+*5]3.3?詞頻統(tǒng)計(jì)與分析

詞頻統(tǒng)計(jì)分析是文本分析中一種重要的方法。它通過(guò)計(jì)算詞語(yǔ)在文本中的頻率揭示文本的特征和模式。詞頻統(tǒng)計(jì)可用于識(shí)別文本的主題和關(guān)鍵詞，把握評(píng)論中的核心內(nèi)容和重點(diǎn)詞匯，同時(shí)它能揭示詞語(yǔ)之間的關(guān)聯(lián)關(guān)系，幫助分析人員理解文本的內(nèi)在結(jié)構(gòu)和語(yǔ)義信息。此外，詞頻統(tǒng)計(jì)可用于情感分析，評(píng)估文本的情感傾向。在特定領(lǐng)域的文本分析中，詞頻統(tǒng)計(jì)也具有重要作用，它能幫助分析人員理解和解釋領(lǐng)域內(nèi)的文本內(nèi)容。

3.3.1?Jieba分詞

Jieba分詞［8］是一種基于Python語(yǔ)言的中文分詞工具，它采用了基于前綴詞典實(shí)現(xiàn)的分詞算法，能夠?qū)⒁欢沃形奈谋厩懈畛梢粋€(gè)一個(gè)的詞語(yǔ)，并對(duì)每個(gè)詞語(yǔ)進(jìn)行詞性標(biāo)注。停用詞是指在文本分析過(guò)程中需要過(guò)濾掉的一些常見(jiàn)詞語(yǔ)，這些詞語(yǔ)通常是出現(xiàn)頻率較高，但對(duì)文本分析任務(wù)并沒(méi)有實(shí)質(zhì)性貢獻(xiàn)的詞語(yǔ)，比如“的”“是”“在”等。本文在使用Jieba分詞工具對(duì)數(shù)據(jù)進(jìn)行分詞處理時(shí)，使用了公開(kāi)的中文常用停用詞表——哈工大的中文停用詞表（哈爾濱工業(yè)大學(xué)自然語(yǔ)言處理實(shí)驗(yàn)室發(fā)布的一個(gè)停用詞表）過(guò)濾掉停用詞。

3.3.2?統(tǒng)計(jì)詞頻與分析詞性

對(duì)每條評(píng)論的詞語(yǔ)進(jìn)行頻率統(tǒng)計(jì)，提取所有出現(xiàn)頻率超過(guò)1%的詞語(yǔ)共104個(gè)，并對(duì)它們進(jìn)行詞性分析，詞頻與詞性示例圖如圖1所示。

3.3.3?構(gòu)建屬性聚類表和屬性＼|情感詞詞典

統(tǒng)計(jì)得出與絲綢有關(guān)的屬性，并根據(jù)相似性將其分為7個(gè)大類，創(chuàng)建屬性聚類表（表2）。

3.4?屬性級(jí)情感數(shù)據(jù)標(biāo)注

數(shù)據(jù)標(biāo)注平臺(tái)：Label?Studio是一個(gè)開(kāi)源的數(shù)據(jù)標(biāo)注平臺(tái)，支持各種類型的數(shù)據(jù)標(biāo)注任務(wù)，包括文本、圖像、音頻、視頻等。它可以幫助數(shù)據(jù)科學(xué)家和研究人員快速地創(chuàng)建高質(zhì)量的標(biāo)注數(shù)據(jù)集，將其用于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等任務(wù)中。

根據(jù)屬性聚類表（表2）和屬性＼|情感詞詞典（表3）進(jìn)行標(biāo)注，具體標(biāo)注規(guī)則如下：將屬性標(biāo)注為評(píng)價(jià)維度（正向或負(fù)向），將其對(duì)應(yīng)的情感詞標(biāo)注為觀點(diǎn)詞，二者之間以“觀點(diǎn)詞”相關(guān)聯(lián)，屬性級(jí)情感數(shù)據(jù)標(biāo)注示例圖如圖2所示。

3.5?屬性級(jí)情感數(shù)據(jù)提取

3.5.1?設(shè)計(jì)結(jié)構(gòu)提取語(yǔ)言

根據(jù)屬性級(jí)情感數(shù)據(jù)標(biāo)注構(gòu)建結(jié)構(gòu)模式指導(dǎo)器（SSL），用于控制UIE中要發(fā)現(xiàn)的內(nèi)容、要關(guān)聯(lián)的內(nèi)容及要生成的內(nèi)容。在本研究中需要構(gòu)建的結(jié)構(gòu)模式指導(dǎo)器有4個(gè)，分別是“屬性”“屬性對(duì)應(yīng)的觀點(diǎn)詞”“觀點(diǎn)詞”“情感傾向”。

通過(guò)UIE模型設(shè)計(jì)結(jié)果提取語(yǔ)言（SEL），完成屬性級(jí)情感的信息抽取任務(wù)。在形式上，UIE將給定的結(jié)構(gòu)模式指導(dǎo)器（S）和文本序列（X）作為輸入，并生成線性化SEL（Y），其中包含基于模式S從X中提取的信息：

3.5.2?隱性屬性提取

在中文語(yǔ)境中，常常會(huì)出現(xiàn)省略的情況，因此為了增加句子的表達(dá)能力和描述能力，本文采用屬性＼|情感詞詞典補(bǔ)全省略的屬性。使用UIE模型構(gòu)建結(jié)構(gòu)提取語(yǔ)言（SEL）時(shí)，當(dāng)句子中存在某個(gè)觀點(diǎn)詞沒(méi)有相互對(duì)應(yīng)的屬性詞時(shí)，會(huì)在屬性＼|情感詞詞典中進(jìn)行檢索，查看是否將屬性詞省略，若存在省略情況，則將省略的屬性詞添加到SEL中，實(shí)現(xiàn)隱性屬性的提取。以評(píng)論“太貴了”為例，該句子中明顯省略的屬性詞為“價(jià)格”。隱性屬性SEL構(gòu)建表如表5所示。

3.5.3?UIE模型提取結(jié)果

屬性級(jí)標(biāo)注數(shù)據(jù)共1?000余條，經(jīng)過(guò)UIE模型構(gòu)建后，可得到訓(xùn)練集13?000余條，驗(yàn)證集1?600余條，測(cè)試集1?600余條。

3.6?ERNIE模型訓(xùn)練

3.6.1?實(shí)驗(yàn)環(huán)境配置

本文模型基于Paddlepaddle框架，使用GPU進(jìn)行訓(xùn)練，實(shí)驗(yàn)使用的GPU為NVIDIA?GTX3060，Paddlepaddle＼|gpu版本2.4.2，Paddlenlp版本2.5.2，Python版本3.9，CPU為R9＼|6900HX，操作系統(tǒng)為Windows10家庭中文版。模型支持處理的最大序列長(zhǎng)度為256，訓(xùn)練批次為8次，訓(xùn)練最大學(xué)習(xí)率設(shè)置為0.000?01。

3.6.2?評(píng)價(jià)指標(biāo)

評(píng)價(jià)模型的指標(biāo)［9］主要有精確率（Precision），召回率（Recall）和F1值，計(jì)算方法如公式（2）至公式（4）所示：

其中：TP為預(yù)測(cè)正確的正樣本數(shù)量，F(xiàn)P為預(yù)測(cè)錯(cuò)誤的正樣本數(shù)量，F(xiàn)N為預(yù)測(cè)錯(cuò)誤的負(fù)樣本數(shù)量。

3.6.3?實(shí)驗(yàn)結(jié)果與分析

第一組實(shí)驗(yàn)是直接將ERNIE預(yù)訓(xùn)練模型對(duì)測(cè)試集進(jìn)行多次驗(yàn)證后的平均評(píng)價(jià)指標(biāo)；第二組實(shí)驗(yàn)是通過(guò)UIE屬性提取后，對(duì)ERNIE模型進(jìn)行小樣本訓(xùn)練后的平均評(píng)價(jià)指標(biāo)；第三組實(shí)驗(yàn)是采用隱性屬性提取后，對(duì)ERNIE模型進(jìn)行小樣本訓(xùn)練后的平均評(píng)價(jià)指標(biāo)。實(shí)驗(yàn)結(jié)果如表6所示。

從表6中的數(shù)據(jù)可以看出，通過(guò)屬性聚類表和屬性＼|情感詞詞典設(shè)計(jì)的UIE提取規(guī)則對(duì)于預(yù)訓(xùn)練模型效果提升十分有效，特別是召回率有了大幅的提升，這是模型能夠?qū)W習(xí)到更多絲綢紡織行業(yè)屬性的表現(xiàn)；而隱性屬性提取的方法使模型能夠注意到評(píng)論中隱含的屬性，使模型的評(píng)價(jià)指標(biāo)F1值相較于未經(jīng)過(guò)隱性屬性提取的方法的相應(yīng)指標(biāo)值提升了4百分點(diǎn)。

4?結(jié)論（Conclusion）

在如何有效利用商品評(píng)論數(shù)據(jù)的問(wèn)題上，本文針對(duì)絲綢紡織行業(yè)的商品評(píng)論數(shù)據(jù)，通過(guò)詞頻統(tǒng)計(jì)分析構(gòu)建了屬性聚類表和屬性＼|情感詞詞典，同時(shí)基于評(píng)論中隱性屬性的提取并結(jié)合UIE模型和ERNIE模型，實(shí)現(xiàn)了對(duì)絲綢紡織行業(yè)電商評(píng)論的屬性級(jí)情感提取。實(shí)驗(yàn)結(jié)果證明了本文所提方法的有效性，該方法能夠幫助商家有效了解消費(fèi)者的需求和市場(chǎng)發(fā)展趨勢(shì)，從而有針對(duì)性地對(duì)產(chǎn)品進(jìn)行改進(jìn)。此外，該方法對(duì)于其他行業(yè)的評(píng)論數(shù)據(jù)挖掘也具有一定的參考價(jià)值。

參考文獻(xiàn)（References）

［1］?CNNIC.?第52次中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告［EB/OL］.?（2023＼|08＼|28）［2024＼|02＼|01］.?https：∥www.cnnic.net.cn/n4/2023/0828/c88＼|10829.html.

［2］?李鐵.?面向大規(guī)模電商評(píng)論的情感分析與興趣挖掘研究［D］.?成都：電子科技大學(xué)，2018.

［3］?ZHANG?L，WANG?S，LIU?B.?Deep?learning?for?sentiment?analysis：a?survey［J］.?WIREs?data?mining?and?knowledge?discovery，2018，8（4）：e1253.

［4］?LU?Y?J，LIU?Q，DAI?D，et?al.?Unified?structure?generation?for?universal?information?extraction［C］∥Proceedings?of?the?60th?Annual?Meeting?of?the?Association?for?Computational?Linguistics?（Volume?1：Long?Papers）.?Stroudsburg，PA，USA：Association?for?Computational?Linguistics，2022：5755＼|5772.?[HJ2.5mm]

［5］?ZHANG?Z?Y，HAN?X，LIU?Z?Y，et?al.?ERNIE：enhanced?language?representation?with?informative?entities［C］∥Proceedings?of?the?57th?Annual?Meeting?of?the?Association?for?Computational?Linguistics.?Stroudsburg，PA，USA：Association?for?Computational?Linguistics，2019：1441＼|1451.

［6］?李可悅，陳軼，牛少彰.?基于BERT的社交電商文本分類算法［J］.?計(jì)算機(jī)科學(xué)，2021，48（2）：87＼|92.

［7］?陳國(guó)良，郭修豪.?基于商品評(píng)論信息的特征挖掘［J］.?福建電腦，2015，31（5）：106＼|107.

［8］?韋人予.?中文分詞技術(shù)研究［J］.?信息與電腦（理論版），2020，32（10）：26＼|29.

［9］?POWERS?D?M?W.?Evaluation：from?precision，recall?and?F＼|measure?to?ROC，informedness，markedness?and?correlation［DB/OL］.?（2020＼|10＼|11）［2024＼|02＼|01］.?https：∥arxiv.org/abs/2010.16061.

作者簡(jiǎn)介：

尤良輝（2000＼|），男，碩士生。研究領(lǐng)域：深度學(xué)習(xí)。

張華熊（1971＼|），男，博士，教授。研究領(lǐng)域：智能信息處理。本文通信作者。