【正文】 關(guān)的鑒別信息就越多。因而我們使用χ2分布相似的特征項進行選擇，在最大程度減少文本信息缺失的前提下，大幅度降低文本向量維數(shù)。該方法體現(xiàn)了詞與詞之間的相關(guān)信息、詞與文本類別之間的相互關(guān)聯(lián)程度，反映了特征項對類別判定信息含量的大小。特征選擇算法能夠刪除對分類貢獻不大的詞條，選擇出能夠代表類別特征的詞條。本文則根據(jù)中文評論內(nèi)容的情況選擇了詞、詞性、修飾關(guān)系等內(nèi)容作為模式特征集。在表達了用戶情感的語句中，絕大多數(shù)都使用了很簡短的語句來進行表達。前一句可能還在對屏幕進行評價，后一句可能就會說到軟件如何，如“外形漂亮，滑蓋設計的也不錯，電池待機時間也還算滿意”。假設文本模式產(chǎn)生正確元組的概率相互獨立，從而采用定義 4 中的公式來度量候選產(chǎn)品特征的置信度。定義3 候選文本模式的置信度：ConfCi=CpositiveCpositive+Cnegative (3)其中，Cpositive表示候選文本模式；Ci抽取的產(chǎn)品特征在產(chǎn)品特征種子集合中出現(xiàn)的個數(shù)；（Cpositive+Cnegative)表示候選文本模式Ci抽取到的產(chǎn)品特征的總數(shù)。為了對新發(fā)現(xiàn)的詞條進行度量：如果產(chǎn)生該名詞短語的文本模式越多，則該名詞短語越可靠。目前采用弱監(jiān)督進行自動學習的方法中均需要對生成的候選文本模式的可靠性進行度量。選用文本模式的4個元組中包含有非數(shù)值型的值(Rel, MPos)和數(shù)值型的值(D,L)，因此，侯選文本模式的產(chǎn)生分成2步： 第 1步：將文本模式的(Rel, MPos)看作一個整體對模式化表示的語句進行分類，統(tǒng)計每一類中包含Ti的個數(shù)，如果該類中包含的文本模式數(shù)目大于設定的閾值，那么該類作為一個可以產(chǎn)生文本候選模式的類。對該過程不斷地迭代，直到系統(tǒng)不能產(chǎn)生新種子或新的文本模式和達到人工指定迭代次數(shù)停止迭代，將產(chǎn)品特征種子集合中的種子輸出作為結(jié)果，： 文本模式抽取系統(tǒng)流程(1)發(fā)現(xiàn)產(chǎn)品特征種子出現(xiàn)語句 將語料庫中的產(chǎn)品評論分解為語句，并對每一個句子進行詞性標注，提取句子中的名詞和名詞短語，如果它是產(chǎn)品特征種子集合的一個元素，那么將出現(xiàn)該名詞或名詞短語的語句加入產(chǎn)品特征出現(xiàn)語句集合|SO|。David Bounie直接使用調(diào)查表方式獲得用戶對視頻游戲的評價；LunWei Ku使用 NTCIR和TREC的網(wǎng)絡新聞語料，通過詞級、句子級和文檔級獲得對相關(guān)事件表達的情感極性和程度，提取用戶對事件的觀點；Minqing |，但沒有對提取到的評論內(nèi)容進行優(yōu)劣評判；Eugene Agichtein使用了LDC的North American News Text Corpus，通過滾雪球的迭代方式從種子元素到模式生成，再根據(jù)模式中從語料庫提取新的元素加入種子集合獲取事件對應的關(guān)系列表?，F(xiàn)有的機器學習方法很多是利用標注的訓練樣本，這些大規(guī)模標注過的訓練數(shù)據(jù)可以提高學習算法結(jié)果的準確率，但是標注好的訓練數(shù)據(jù)不容易獲得，并且網(wǎng)上信息的增長和變化都很快，因此只使用人工標注訓練數(shù)據(jù)的機器學習方法已經(jīng)不能滿足對網(wǎng)上信息進行挖掘的需求，獲得的學習系統(tǒng)的泛化能力也不強。Hu and Liu 首先對評論中的主觀性語句進行句法分析，找到句子中的名詞或名詞短語，然后使用關(guān)聯(lián)規(guī)則挖掘出頻繁項，將得到的頻繁項作為產(chǎn)品的特征，然后將離產(chǎn)品特征最近的形容詞作為評價詞。 從產(chǎn)品評論中自動抽取產(chǎn)品特征和觀點主要使用詞性標注、句法分析、文本模式等自然語言技術(shù)對產(chǎn)品評論中的語句進行分析，從中自動發(fā)現(xiàn)產(chǎn)品特征和觀點詞。在人工定義方面，Kobayashi、Inui和 Matsumoto 等人工定義產(chǎn)品特征(cost, price, service, performance, function,support, design)和觀點(good, beautiful, bright, like/favorite, high)，獲取同時出現(xiàn)特征和觀點的模式。如果C不存在,我們總能回到Java或C和C++這些都不完全是新技術(shù)，它們在更大的意義上來說只是大公司制造的市場噱頭，我們必須給他們時間安頓下來看看這些是不是真的對IT工業(yè)有什么影響”重慶科技學院本科畢業(yè)生論文 2產(chǎn)品特征詞的挖掘2 產(chǎn)品特征詞的挖掘自動識別產(chǎn)品評論中的產(chǎn)品特征對產(chǎn)品評論的挖掘是一個難點，因為相對普通的文本而言，產(chǎn)品評論是用戶隨意的表述，很少有完整的主謂賓結(jié)構(gòu)，卻有不計其數(shù)的同音錯別字、簡略語、拼音、英語和中文混雜。C更像Java一些,雖然微軟在這個問題上保持沉默，這也是意料中的事情,我覺得,因為Java近來很成功而使用Java的公司都報告說它們在生產(chǎn)效率上比C++獲得了提高。C看似基于C++寫成，但又融入其它語言如Delphi、Java、VB等。C是一種安全的、穩(wěn)定的、簡單的、優(yōu)雅的，由C和C++衍生出來的面向?qū)ο蟮木幊陶Z言。C是微軟公司研究員Anders Hejlsberg的最新成果。介紹了使用tf/idf的方法來識別分詞或者分詞組合是否是真正的特征詞，如果分詞或者分詞的組合不是真正的詞語那么將在語料中很少或者幾乎不出現(xiàn)。最大支持度（Maximum_Support）則指定了項集出現(xiàn)頻度的上限，超過上限的項集也不是研究者們感興趣的。因而,把神經(jīng)網(wǎng)絡技術(shù)與專家系統(tǒng)結(jié)合起來用于漢語自動分詞與標引系統(tǒng)將是該領域的發(fā)展趨向。因此,今后應注重漢語句法和語義的自動分析研究,并將其應用到漢語自動分詞領域。目前,人工智能技術(shù)的重點研究領域主要是專家系統(tǒng)、神經(jīng)網(wǎng)絡技術(shù)和生物芯片技術(shù)。因此,漢語自動分詞研究的發(fā)展同時也寄希望于人工智能技術(shù)的突破。依賴于對語言與思維的本質(zhì)的揭示。漢語詞自動切分應用研究。此外,還可以人工干預分詞,人工分詞與計算機自動分詞結(jié)合。統(tǒng)計表明,第一類歧義字段只占整個歧義字段總數(shù)的1/30 以下,因此不必在分詞階段花費巨大的開銷來處理它們。由于自動分詞中存在三種歧義類型,不同類型的歧義,其產(chǎn)生的根源和消除的方法各不相同。漢語詞自動切分歧義處理。分詞算法研究是漢語自動分詞的重點和難點,每一次分詞算法上的突破都會使?jié)h語自動分詞的速度和精度有較大提高。沒有統(tǒng)一和明確的漢語詞的定義,漢有規(guī)范的漢語分詞詞表,漢語自動分詞就無從談起。 漢語分詞介紹目前, 漢語自動分詞的研究重心主要集中在對傳統(tǒng)文本的有效切分上。而且人工定義的方法需要有人工標注的語料作為訓練集，不同種類的產(chǎn)品就必須要標注不同的語料，這就相當耗費時間，也無法適用所有種類的產(chǎn)品。產(chǎn)品特征的提取分為人工定義和自動提取兩類。 從評論語料庫中挖掘產(chǎn)品特征詞的研究現(xiàn)狀產(chǎn)品評論挖掘需要了解用戶對產(chǎn)品的哪些功能、性能進行了評價，因此需要從產(chǎn)品評論語句中提取表達了用戶評價的對象——產(chǎn)品特征。產(chǎn)品特征提取目的是從眾多的用戶評論中挖掘出用戶所關(guān)心的產(chǎn)品特征（比如：相機的產(chǎn)品特征包括重量、大小、圖片的質(zhì)量、電池的使用時間、存儲容量等；手機的產(chǎn)品特征包括制式、重量、體積、屏幕大小、攝像頭像素等）。產(chǎn)品評論挖掘一般分為產(chǎn)品特征提取、主觀句定位和用戶詞性判斷和挖掘結(jié)果顯示等4個階段。重慶科技學院本科畢業(yè)生論文 目錄從評論語料庫中挖掘產(chǎn)品特征詞畢業(yè)論文目錄中文摘要 I英文摘要 II1 緒論 1 研究背景 1 選題意義 1 從評論語料庫中挖掘產(chǎn)品特征詞的研究現(xiàn)狀 2 產(chǎn)品特征詞挖掘的發(fā)展前景 3 漢語分詞介紹 3 特征詞挖掘的相關(guān)算法 6 開發(fā)環(huán)境介紹 62 產(chǎn)品特征詞的挖掘 8 8 9 弱監(jiān)督機器學習方法介紹 9 產(chǎn)品評論內(nèi)容的分析 13 產(chǎn)品評論統(tǒng)計特征的提取 13 模式結(jié)構(gòu)與模式特征集 143系統(tǒng)設計 16 系統(tǒng)總體設計 16 系統(tǒng)界面設計 16 特征詞挖掘的系統(tǒng)設計 214 系統(tǒng)測試 23 系統(tǒng)功能測試 23 系統(tǒng)的不足 24 系統(tǒng)的后續(xù)工作 24總結(jié) 26致謝 27參考文獻 28重慶科技學院本科畢業(yè)生論文 1緒論1 緒論隨著Internet的廣泛應用，用戶使用產(chǎn)品會通過Web 對產(chǎn)品進行評論，這些評論中包含用戶對產(chǎn)品的各個方面的性能持有肯定還是否定的意見。產(chǎn)品評論大多用自然語言進行描述，生產(chǎn)廠商和用戶只有采用人工閱讀的方式才能從中提取信息，而這是一個費時、費力且容易產(chǎn)生錯誤的過程，因此，產(chǎn)生了自動產(chǎn)品評論挖掘的需求。用戶購買產(chǎn)品之前可以了解已經(jīng)購買了該產(chǎn)品的用戶關(guān)于該產(chǎn)品的使用體驗，了解產(chǎn)品各個方面的性能，還可以對同類型的產(chǎn)品按照性能進行比較，從而合理的購買產(chǎn)品。摩托羅拉A1890(MOTO A1890)：圖 (MOTO A1890)天翼3G雙網(wǎng)雙待手機評論