意見(jiàn)目標(biāo)網(wǎng)絡(luò)與意見(jiàn) 目標(biāo)抽取研究 申請(qǐng)清華大學(xué)工學(xué)碩士學(xué)位論文) 培 養(yǎng) 單 位 ： 計(jì)算機(jī)科學(xué)與技術(shù)系 學(xué) 科 ： 計(jì)算機(jī)科學(xué)與技術(shù) 研 究 生 ：郝博一 指 導(dǎo) 教 師 : 鄭 方 研究員 二一年六月 意見(jiàn)目標(biāo)網(wǎng)絡(luò)與意見(jiàn)目標(biāo)抽取研究郝博一 關(guān)于學(xué)位論文使用授權(quán)的說(shuō)明 本人完全了解清華大學(xué)有關(guān)保留、使 用學(xué)位論文的規(guī)定，即： 清華大學(xué)擁有在著作權(quán)法規(guī)定范圍內(nèi)學(xué)位論文的使用權(quán)， 其中包括： （1）已獲學(xué)位的研究生必須按學(xué) 校規(guī)定提交學(xué)位論文，學(xué)?？梢圆捎糜坝?、縮印或其他復(fù)制手段保存研究生上交的學(xué)位論文； （2）為教學(xué)和科研目的，學(xué)?？梢詫⒐_(kāi)的 學(xué)位論文作為資料在圖書(shū)館、資料室等場(chǎng)所供校內(nèi)師生閱讀，或在校園網(wǎng)上供校內(nèi)師生瀏覽部分內(nèi)容。 本人保證遵守上述規(guī)定。 作者簽名： 導(dǎo)師簽名： 日 期： 日 期： 摘 要 I 摘 要 意見(jiàn)目標(biāo)抽取是意見(jiàn)挖掘領(lǐng)域 的重要子任務(wù)，同時(shí)由于意見(jiàn)目標(biāo)抽取的對(duì)象是客觀性信息，又使得它與信 息抽取技術(shù)有著密切的關(guān)系。先前的意見(jiàn)目標(biāo)抽取研究，存在四個(gè)主要弊?。?1）對(duì)意見(jiàn)目標(biāo)定義含糊。2）對(duì)意見(jiàn)目標(biāo)管理低效。 3）意見(jiàn)目標(biāo)擴(kuò)展抽取時(shí)使用的種子顆粒度偏大。 4）過(guò)分依賴(lài)統(tǒng)計(jì)方法，句法分析不足。針對(duì)以上問(wèn)題，本文在首先明晰了意見(jiàn)目標(biāo)定義的基礎(chǔ)上，提出了 一種能結(jié)構(gòu)化表示意見(jiàn)目標(biāo)的高效管理體系意見(jiàn)目標(biāo)網(wǎng)絡(luò)，以及一 套基于泛化與繁殖的自舉式意見(jiàn)目標(biāo)抽取算法。 意見(jiàn)目標(biāo)網(wǎng)絡(luò)是一個(gè)雙層有向 圖，它以原子意見(jiàn)目標(biāo)（廣義實(shí)體和屬性）同義詞集為結(jié)點(diǎn)，通過(guò)意見(jiàn)目標(biāo) 模式實(shí)現(xiàn)了對(duì)復(fù)合意見(jiàn)目標(biāo)的表示。意見(jiàn)目標(biāo)網(wǎng)絡(luò)的構(gòu)建過(guò)程恰恰是未 知意見(jiàn)目標(biāo)抽取過(guò)程，配合基于泛化和繁殖的多輪自舉處理，顯著提高 了意見(jiàn)目標(biāo)抽取覆蓋率。本文在中文評(píng)價(jià)文本上進(jìn)行了實(shí)驗(yàn)，結(jié)果表明 ：意見(jiàn)目標(biāo)網(wǎng)絡(luò)對(duì)發(fā)現(xiàn)未知意見(jiàn)目標(biāo)具有很好的性能。 關(guān)鍵詞： 意見(jiàn)目標(biāo)抽取 意見(jiàn)挖掘 信息抽取 術(shù)語(yǔ)抽取 意見(jiàn)目標(biāo)網(wǎng)絡(luò) I is an as a in 1) no of 2) of 3) to be 4) of To a of is in by a of a on is in to of in a to OT to TN a of is TN is in 目 錄 錄 第 1 章 引言 . 1實(shí)與意見(jiàn) . 1息抽取 . 2見(jiàn)挖掘 . 3見(jiàn)目標(biāo)抽取 . 7第 2 章 相關(guān)技術(shù)綜述 . 9語(yǔ)抽取 . 9于統(tǒng)計(jì)的術(shù)語(yǔ)抽取 . 9計(jì)與規(guī)則相結(jié)合的術(shù)語(yǔ)抽取 . 12見(jiàn)目標(biāo)抽取 . 13于規(guī)則的意見(jiàn)目標(biāo)抽取 . 13于同現(xiàn)的意見(jiàn)目標(biāo)抽取 . 14于關(guān)系的意見(jiàn)目標(biāo)抽取 . 14他 . 15第 3 章 問(wèn)題分析 . 16務(wù)目標(biāo) . 16點(diǎn)分析 . 17決思路 . 19見(jiàn)目標(biāo) . 19有方法的弊病 . 21決方案 . 24決思路后文結(jié)構(gòu) . 24第 4 章 統(tǒng)計(jì)與句法分析相結(jié)合的意見(jiàn)目標(biāo)抽取方法 . 26紹 . 26法架構(gòu) . 27法結(jié)構(gòu)及流程 . 27目 錄 候選意見(jiàn)目標(biāo)抽取 . 28征向量生成 . 31選意見(jiàn)目標(biāo)排隊(duì) . 33驗(yàn) . 34驗(yàn)數(shù)據(jù)與評(píng)測(cè)標(biāo)準(zhǔn) . 34驗(yàn)方法 . 36驗(yàn)結(jié)果及分析 . 40論 . 41第 5 章 基于意見(jiàn)目標(biāo)網(wǎng)絡(luò)的抽取方法 . 42紹 . 42見(jiàn)目標(biāo)網(wǎng)絡(luò) . 43紹 . 43本思想 . 43義 . 44式化表示 . 45于泛化與繁殖的自舉式抽取 . 46法框架 . 46化過(guò)程 . 47殖過(guò)程 . 52舉算法 . 54驗(yàn) . 55驗(yàn)設(shè)置 . 55驗(yàn)指標(biāo) . 55驗(yàn)設(shè)計(jì) . 56驗(yàn)結(jié)果 . 56結(jié) . 61第 6 章 總結(jié)與工作展望 . 62參考文獻(xiàn) . 63目 錄 V 致謝與聲明 . 66個(gè)人簡(jiǎn)歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文與研究成果 . 67第 1 章 引言 1 第1章 引言 事實(shí)與意見(jiàn) 人們?nèi)粘Ｃ鎸?duì)的文本中普遍包 含兩類(lèi)信息事實(shí)（ 意見(jiàn)（ 。它們分別對(duì)應(yīng)了人類(lèi)兩種 不同的認(rèn)識(shí)世界的方式。正如古希臘哲學(xué)家柏拉圖在他的著作理想國(guó)中所指出的1，人類(lèi)具有兩種認(rèn)知世界的方式， 一種是事實(shí)認(rèn)知 （也稱(chēng)為真理認(rèn)知） ， 一種是意見(jiàn)認(rèn)知。這兩種認(rèn)知方式的主體都是人類(lèi)本身， 客體都是客觀世界，但是這兩種認(rèn)知方式有著明顯的不同。所謂事實(shí)認(rèn) 知，是不以個(gè)人的意志為轉(zhuǎn)移的，是人類(lèi)共同意志的體現(xiàn)。它具有固定性 、肯定性和公共性。比如， “奧巴馬當(dāng)選了美國(guó)總統(tǒng)”就是一個(gè)事實(shí)認(rèn)知。 而意見(jiàn)認(rèn)知?jiǎng)t完全取決于個(gè)體，隨著個(gè)體的不同而產(chǎn)生差異。它具有變 化性、流動(dòng)性和個(gè)體性。比如，有人支持奧巴馬當(dāng)選美國(guó)總統(tǒng)，有人反 對(duì)。這就是意見(jiàn)認(rèn)知。對(duì)于人類(lèi)來(lái)說(shuō)，由這兩種認(rèn)知方式所產(chǎn)生的兩類(lèi) 信息事實(shí)和意見(jiàn)，都有著重要的意義。 人類(lèi)認(rèn)識(shí)世界與改造世界的過(guò) 程中也相互傳遞著這兩種類(lèi)型的信息，從早期的口耳相傳，到后來(lái)的印刷 品，再到互聯(lián)網(wǎng)?；ヂ?lián)網(wǎng)的產(chǎn)生，極大的改變了人類(lèi)傳遞信息的速度和范圍， 影響到社會(huì)生活的方方面面，開(kāi)創(chuàng)了一場(chǎng)信息革命?；ヂ?lián)網(wǎng)，以其廣 泛性、快捷性、便利性，成為了現(xiàn)今世界人類(lèi)轉(zhuǎn)遞信息的主要渠道。它 可以輕松連接兩個(gè)毫無(wú)關(guān)系的人類(lèi)個(gè)體，為他們提供通信平臺(tái)。由于互 聯(lián)網(wǎng)信息的公開(kāi)性與易獲取性，它也為大規(guī)模的信息處理提供了可能。 近些年來(lái)的數(shù)據(jù)挖掘技術(shù)，信息檢索技術(shù)等都是伴隨互聯(lián)網(wǎng)的快速發(fā)展 而產(chǎn)生的。一個(gè)顯而易見(jiàn)的事實(shí)是，互聯(lián)網(wǎng)上絕大多數(shù)信息是 以文本的形式存在的。 對(duì)應(yīng)于文本中包含的兩類(lèi)信息 ，人們對(duì)文本的處理也可以分為兩類(lèi)對(duì)事實(shí)的處理與對(duì)意見(jiàn)的處理。由 此產(chǎn)生了兩個(gè)研究領(lǐng)域：信息抽?。?意見(jiàn)挖掘（ 。信息抽取 （嚴(yán)格應(yīng)稱(chēng)為事實(shí)信息抽取， 鑒于歷史沿革， 仍稱(chēng)為信息抽?。?，第 1 章 引言 2 是指對(duì)文本里包含的事實(shí)信息進(jìn)行結(jié)構(gòu) 化處理。它又包含命名實(shí)體識(shí)別（ 、術(shù)語(yǔ)抽?。?技術(shù)。意見(jiàn)挖掘，是指從文本中抽取 非事實(shí)的主觀性信息，也就是個(gè)人、群體、組織等主體在主觀性文本中 表達(dá)的意見(jiàn)、情感和態(tài)度。意見(jiàn)挖掘包含有意見(jiàn)目標(biāo)抽取（ 、持有者識(shí)別（ 、情感分析（ 子任務(wù)?？梢钥闯?，其中的意見(jiàn)目標(biāo)抽取任務(wù)既是 意見(jiàn)挖掘的子任務(wù)，同時(shí)其抽取對(duì)象意見(jiàn)目標(biāo)本身是事實(shí)信息，這 使得意見(jiàn)目標(biāo)抽取任務(wù)又與信息抽取緊密相關(guān)。意見(jiàn)目標(biāo)抽取是在文本 中尋找意見(jiàn)的表達(dá)對(duì)象，并將其抽取出來(lái)。意見(jiàn)本身包含情感，是非客 觀信息，但是意見(jiàn)目標(biāo)往往是客觀信息。所以說(shuō)，意見(jiàn)目標(biāo)抽取是跨越 信息抽取與意見(jiàn)挖掘兩個(gè)領(lǐng)域的一項(xiàng)綜合任務(wù)。一方面可以使用信息抽 取的基礎(chǔ)技術(shù)，另一方面又從意見(jiàn)挖掘技術(shù)中得到更多的提升。 信息抽取 信息抽取，其主要功能是從文本 中抽取出特定的事實(shí)信息（ 。主要是實(shí)體（比如時(shí)間、地點(diǎn)、人物名、組織名等）以及實(shí)體之間的關(guān)系（比如“位于”關(guān)系、 “任職”關(guān)系等）信息2。圖 圖 信息抽取技術(shù)實(shí)例 第 1 章 引言 3 在上圖中，原始文本是一篇包 含各種信息的介紹性文字。通過(guò)命名實(shí)體識(shí)別技術(shù)，可以在文本中確定出組 織名、職務(wù)名和人名等實(shí)體信息。再通過(guò)實(shí)體關(guān)系識(shí)別技術(shù)，可以將這些名稱(chēng)配對(duì)，從而提取出組織名 人名三元組，構(gòu)成任職關(guān)系搭配 ，將文本中的事實(shí)信息結(jié)構(gòu)化。完成了信息抽取流程。得到的結(jié)構(gòu)化信 息，可以提供給用戶(hù)檢索，也可以作為其他信息處理技術(shù)的輸 入，進(jìn)行更深入的信息挖掘。 信息抽取研究開(kāi)始于 20 世紀(jì) 60 年代， 而其蓬勃發(fā)展得益于 80 年代末開(kāi)始的消息理解系列會(huì)議（ 召開(kāi)。當(dāng) 1998 年最后一屆 議結(jié)束時(shí)，信息抽取已經(jīng)發(fā)展成為自然語(yǔ)言處理領(lǐng)域的一個(gè)重要分支。 其后，美國(guó)國(guó)家標(biāo)準(zhǔn)技術(shù)研究所（ 織的自動(dòng)內(nèi)容抽取（ 測(cè)會(huì)議成為推動(dòng)信息抽取技術(shù)發(fā)展的動(dòng) 力。它研究的主要內(nèi)容是自動(dòng)抽取新聞?wù)Z料中出現(xiàn)的實(shí)體、關(guān)系和事件 等內(nèi)容，也就是對(duì)新聞?wù)Z料中實(shí)體、關(guān)系和事件的識(shí)別與描述。現(xiàn)在， 信息抽取已經(jīng)發(fā)展出不少成熟的技術(shù)與方法，并且投入實(shí)際應(yīng) 用。帶來(lái)了良好的社會(huì)效益。 從圖 的例子我們可以看出，信息 抽取技術(shù)也需要對(duì)文本有一定程度的理解。但是它與文本理解（ 術(shù)是迥然不同的。在信息抽取中，用戶(hù)只關(guān)心 有限的一些令其感興趣的事實(shí)信息，而不關(guān)心諸如作者的意圖等深層理 解問(wèn)題，遠(yuǎn)遠(yuǎn)達(dá)不到文本理解的水平。從這個(gè)角度說(shuō)，信息抽取技術(shù)只 是淺層的文本理解技術(shù)。從后文我們可以看到，意見(jiàn)挖掘比信息抽取的 文本理解程度要高，處理難度會(huì)更大。 意見(jiàn)挖掘 意見(jiàn)挖掘，處理的對(duì)象是主觀性文本，比如評(píng)論（ 者斷言（ ，其功能是自動(dòng)獲取關(guān)于意見(jiàn)的信息和知識(shí)3。主觀性文本是相對(duì)于客觀性文本而言的，它 主要描述了文本作者對(duì)人物、事件等的想法和觀點(diǎn)。再以上節(jié)中的文本 為例，展示意見(jiàn)挖掘技術(shù)的一個(gè)實(shí)例，表示在圖 ： 第 1 章 引言 4 圖 意見(jiàn)挖掘技術(shù)實(shí)例 從圖中我們可以看出，意見(jiàn)需 要有持有者，也就是發(fā)表意見(jiàn)的個(gè)人或者組織。除此之外，意見(jiàn)還需要有對(duì) 象，可以是具體事物，也可以是事件或者現(xiàn)象，它是承擔(dān)意見(jiàn)的客體。 再有就是意見(jiàn)本身，它包括文本中出現(xiàn)的陳述，還包括陳述中隱含的意 見(jiàn)持有者的態(tài)度、情感等信息。通過(guò)意見(jiàn)挖掘技術(shù)，將上述一些信息以 及其他的有用信息抽取出來(lái)，并按照一定的格式存儲(chǔ)，這就是意見(jiàn)挖掘 的過(guò)程。簡(jiǎn)單來(lái)說(shuō)，意見(jiàn)挖掘所做的事情即是如此，但實(shí)際上所面臨的 問(wèn)題并非如此簡(jiǎn)單。在后文中還將有所介紹。 一個(gè)完整的意見(jiàn)，是由多個(gè)要 素組成的。對(duì)意見(jiàn)的挖掘，就是對(duì)意見(jiàn)要素的挖掘。至于表達(dá)一個(gè)完整意見(jiàn) 所需要的要素個(gè)數(shù)，目前學(xué)術(shù)界還沒(méi)有共識(shí)。文獻(xiàn)中可以看到有三要素說(shuō)4，四要素說(shuō)5，七要素說(shuō)6等說(shuō)法。意見(jiàn)的四要素說(shuō)由 出，他們認(rèn)為：一個(gè)完整的意見(jiàn)包括四個(gè)要素，即主題（ 、持有者（ 、陳述（ 情感（ 。也就是，意見(jiàn)的持有者針對(duì)主題發(fā)表了具有情感的意見(jiàn)陳述。需要指出的是，針對(duì)不同 的意見(jiàn)，有時(shí)候主題又稱(chēng)為對(duì)象。這是根據(jù)意見(jiàn)的顆粒度決定的，對(duì)于粗 顆粒度的意見(jiàn)，針對(duì)的事件和人物比較概括，此時(shí)稱(chēng)為意見(jiàn)的主題；對(duì) 于細(xì)顆粒度的意見(jiàn)，針對(duì)的事件、人物、目標(biāo)比較具體，此時(shí)稱(chēng)為意見(jiàn)的對(duì)象（ 。意見(jiàn)的七要素說(shuō)由 出，他認(rèn)為：一個(gè)完整的意見(jiàn)需要用七個(gè)要第 1 章 引言 5 素描述，即持有者（ 、主題（ 、主題部件（ 、主題屬性（ 、評(píng)價(jià)（ 、前提條件（ 、支持條件（ 。相對(duì)于四要素說(shuō)，七要素說(shuō)將主題（ 為了主題（ 、主題組分（ 主題屬性（ ；合 并 陳 述（ 情感（ 評(píng)價(jià)（ ；并新添了要素前提條件（ 、支持條件（ 。圖 出了使用意見(jiàn)七要素說(shuō)的一個(gè)處理實(shí)例。而意見(jiàn)四要素說(shuō)，體現(xiàn)在圖 表達(dá)的實(shí)例中。 圖 意見(jiàn)七要素說(shuō)處理實(shí)例 很難說(shuō)這兩種說(shuō)法孰優(yōu)孰劣， 因?yàn)橐庖?jiàn)挖掘面臨不同顆粒度處理的問(wèn)題。所謂顆粒度，是指意見(jiàn)的概括程 度，比如針對(duì)如下一段文字： “尼康 一款優(yōu)秀的單反相機(jī)。對(duì)于剛剛癡迷于單反相機(jī)的初級(jí)發(fā)燒友來(lái)說(shuō)，擁有一臺(tái) 夢(mèng)寐以求的事。拋開(kāi)它相對(duì)誘人的價(jià)格不談（雖然對(duì)于普通數(shù)碼相機(jī)來(lái)說(shuō)是高昂的） ，它更讓人津津樂(lè)道的是強(qiáng)大的功能、出色的操控性和優(yōu)秀的光學(xué)性能。另外，由于配備了機(jī)身馬達(dá)，所以它可以支持便宜的鏡頭。 唯一美中不足的是它的防抖能力不盡如人意。 ” 我們可以說(shuō)整段文字包含了一個(gè)意見(jiàn)“尼康 一款優(yōu)秀的單反相機(jī)” 。也可以說(shuō)它包含了七個(gè)意見(jiàn)： 第 1 章 引言 6 （ 1）尼康 秀 （ 2）尼康 相對(duì)誘人的價(jià)格 （ 3）尼康 強(qiáng)大的功能 （ 4）尼康 出色的操控性 （ 5）尼康 優(yōu)秀的光學(xué)性能 （ 6）尼康 持便宜的鏡頭 （ 7）尼康 抖能力不盡如人意 說(shuō)這段文字包含一個(gè)意見(jiàn)，是 從粗顆粒度角度考慮。因?yàn)檎挝淖炙磉_(dá)的就是“尼康 一款優(yōu)秀的單反相機(jī)”這個(gè)觀點(diǎn)。雖然它遺失了許多詳細(xì)的信息，但是對(duì)于特定 用戶(hù)例如只關(guān)心產(chǎn)品名譽(yù)的用戶(hù)來(lái)說(shuō)，這就足夠了。然而，對(duì)于那 些更關(guān)注產(chǎn)品細(xì)節(jié)，比如相機(jī)防抖能力的用戶(hù)來(lái)說(shuō)，這個(gè)意見(jiàn)顯然是不 夠的。必須將其細(xì)化，才能發(fā)現(xiàn)用戶(hù)感興趣的具體意見(jiàn)信息。也就是說(shuō) ，選擇何種顆粒度，是根據(jù)不同的需求來(lái)確定的。這就使意見(jiàn)顆粒度的 選擇具有很大的靈活性和不確定性。一般來(lái)說(shuō)，有粗顆粒度、細(xì)顆粒度 和特定顆粒度等不同層次的選擇3。 對(duì)于不同意見(jiàn)顆粒度的選擇， 影響了研究者們對(duì)于意見(jiàn)要素的定義。四要素定義法偏向于粗顆粒度的意見(jiàn)選 擇，而七要素定義法偏向于細(xì)顆粒度的意見(jiàn)選擇。我們需要注意，從細(xì) 顆粒度的意見(jiàn)中，可以復(fù)原粗顆粒度的意見(jiàn)，因?yàn)椴捎眉?xì)顆粒度模式記 錄的意見(jiàn)包含了更多原文本中的信息。然而它付出的代價(jià)是處理流程的 繁雜，處理速度的下降，以及錯(cuò)誤率的上升。 顆粒度選擇問(wèn)題只是意見(jiàn)挖掘 技術(shù)所面臨的眾多難題中的一個(gè)，除此之外，還有挖掘方法的精度和魯棒性 問(wèn)題、隱式主題（不顯式存在于文本中的主題）的識(shí)別問(wèn)題、對(duì)應(yīng)情感 關(guān)系識(shí)別（針對(duì)多對(duì)象多情感的意見(jiàn)）問(wèn)題等諸多問(wèn)題的存在。這些問(wèn) 題都制約著意見(jiàn)挖掘技術(shù)的發(fā)展。 從意見(jiàn)挖掘技術(shù)誕生以來(lái)，十 幾年間取得了迅速的發(fā)展，新技術(shù)新方法新應(yīng)用不斷涌現(xiàn)。成為自然語(yǔ)言處 理領(lǐng)域的研究熱點(diǎn)。但由于起步晚，面臨的難題眾多，距離信息抽取技 術(shù)那樣的廣泛應(yīng)用，還有一定的距離。 第 1 章 引言 7 意見(jiàn)目標(biāo)抽取 意見(jiàn)目標(biāo)抽取的任務(wù)是要抽取 出意見(jiàn)所針對(duì)的目標(biāo)，也就是意見(jiàn)表達(dá)的對(duì)象。一方面，意見(jiàn)目標(biāo)是依賴(lài)于 意見(jiàn)而存在的，如果不存在意見(jiàn)也就無(wú)所謂意見(jiàn)目標(biāo)；另一方面，意見(jiàn) 目標(biāo)往往是實(shí)體，比如人物、事物、事件或者現(xiàn)象等等，所以它與信息 抽取密切相關(guān)。作為意見(jiàn)挖掘與事實(shí)挖掘的交叉任務(wù)，意見(jiàn)目標(biāo)抽取具 有如下的意義：首先，確定意見(jiàn)目標(biāo)，對(duì)于明晰意見(jiàn)本身是很重要的。 有些時(shí)候，意見(jiàn)挖掘任務(wù)具有預(yù)設(shè)的主題，此時(shí)意見(jiàn)目標(biāo)可能并不重要 ，因?yàn)樗蝎@得的意見(jiàn)情感可以都?xì)w入預(yù)設(shè)的主題之下。但很多情況下 ，意見(jiàn)挖掘任務(wù)是沒(méi)有預(yù)設(shè)主題的，或者雖然有預(yù)設(shè)主題，但是對(duì)次級(jí) 主題（或者稱(chēng)詳細(xì)目標(biāo)）也非常關(guān)注。此時(shí)，抽取正確的意見(jiàn)目標(biāo)可以 使意見(jiàn)本身更加清晰準(zhǔn)確，對(duì)挖掘結(jié)果具有重要意義。比如，同在“美 國(guó)總統(tǒng)奧巴馬的施政綱領(lǐng)”這個(gè)主題下，有人更關(guān)注教育，有人更關(guān)注 外交，有人更關(guān)注經(jīng)濟(jì)，這時(shí)次級(jí)主題就顯得非常重要；其次，抽取出 意見(jiàn)目標(biāo)之后，有利于聯(lián)合抽取意見(jiàn)陳述。意見(jiàn)目標(biāo)與意見(jiàn)陳述往往是 成對(duì)出現(xiàn)的，那么，意見(jiàn)目標(biāo)的出現(xiàn)表明上下文中存在意見(jiàn)的可能性增 大。利用這個(gè)啟發(fā)信息，可以提高意見(jiàn)陳述抽取的效率；再次，抽取準(zhǔn) 確的意見(jiàn)目標(biāo)，有利于完成意見(jiàn)統(tǒng)計(jì)或者意見(jiàn)摘要。意見(jiàn)的匯總和歸并 ，很多情況下需要按照意見(jiàn)的目標(biāo)分類(lèi)進(jìn)行，這也是最自然的一種處理 方式。如果沒(méi)有準(zhǔn)確的抽取出意見(jiàn)目標(biāo)，就會(huì)給這個(gè)過(guò)程帶來(lái)很大的困 擾，導(dǎo)致意見(jiàn)統(tǒng)計(jì)結(jié)果出現(xiàn)偏差。所以說(shuō)，意見(jiàn)目標(biāo)抽取，是意 見(jiàn)挖掘過(guò)程中的一項(xiàng)重要任務(wù)。 對(duì)于“意見(jiàn)目標(biāo)”這個(gè)術(shù)語(yǔ)的 使用，學(xué)界也并沒(méi)有達(dá)成統(tǒng)一。本文在此處將對(duì)這一術(shù)語(yǔ)進(jìn)行說(shuō)明，一方面 厘清概念，另一方面為本文中使用的表述提供依據(jù)。前文提到，對(duì)于意 見(jiàn)所表達(dá)的那個(gè)人物或者事物、事件、 現(xiàn)象， 一般文獻(xiàn)中會(huì)使用 “意見(jiàn)主題 （ ” 、“意見(jiàn)特征 （ 、意見(jiàn)屬性（ 、意見(jiàn)焦點(diǎn)（ ”等術(shù)語(yǔ)。而實(shí)際上， “意見(jiàn)主題”這個(gè)概念顆粒度偏大，適用于對(duì)大 段文字的描述，而其余三個(gè)概念則顆粒度偏小，適用于描述某一個(gè)事物 的具體特征。在統(tǒng)稱(chēng)這兩類(lèi)概念時(shí)，使用任何一個(gè)都難免偏頗。所以本文采用“意見(jiàn)目標(biāo)” （也可稱(chēng)為“意見(jiàn)對(duì)象” ）來(lái)統(tǒng)稱(chēng)以上所有提到的術(shù)語(yǔ)。 意見(jiàn)目標(biāo)抽取過(guò)程中還面臨一 個(gè)困難的問(wèn)題，那就是隱含意見(jiàn)目標(biāo)第 1 章 引言 8 問(wèn)題。也就是說(shuō)，在文本中沒(méi)有具體出 現(xiàn)意見(jiàn)目標(biāo)本身，而是通過(guò)上下文指代，或者習(xí)慣性省略等方式傳遞給 閱讀者。這時(shí)候需要對(duì)隱含的意見(jiàn)目標(biāo)進(jìn)行恢復(fù)。此外，對(duì)于有些意見(jiàn) 目標(biāo)，雖然表達(dá)形式不同，但它們所指的是同一個(gè)概念，屬于同一概念 下的不同意見(jiàn)目標(biāo)具體表達(dá)。如何將這些不同的意見(jiàn)表達(dá)歸納在統(tǒng)一的 概念下，也是一個(gè)很有挑戰(zhàn)性的問(wèn)題。進(jìn)而，如何對(duì)一個(gè)特定領(lǐng)域進(jìn)行 基于本體的目標(biāo)抽取，或者通過(guò)意見(jiàn)目標(biāo)抽取技術(shù)達(dá)到本體的自動(dòng)構(gòu)建 ，都是非常有趣且意義重大的問(wèn)題。 后文將按照如下結(jié)構(gòu)組織：第 二章介紹相關(guān)領(lǐng)域的研究現(xiàn)狀，介紹一些經(jīng)典算法；第三章分析面臨的實(shí)際 問(wèn)題，明確研究難點(diǎn)以及現(xiàn)有研究方法的優(yōu)缺點(diǎn)；第四章將介紹一種融 合了淺層句法分析和統(tǒng)計(jì)規(guī)律的算法；第五章介紹意見(jiàn)目標(biāo)網(wǎng)絡(luò)，以及 利用意見(jiàn)目標(biāo)網(wǎng)絡(luò)進(jìn)行的基于泛化和繁殖的意見(jiàn)目標(biāo)抽取算法。第六章 總結(jié)前文，并展望未來(lái)工作。 第 2 章 相關(guān)技術(shù)綜述 9 第2章 相關(guān)技術(shù)綜述 意見(jiàn)目標(biāo)抽取，是信息抽取和 意見(jiàn)挖掘的交叉任務(wù)。在本節(jié)中，將從信息抽取領(lǐng)域的術(shù)語(yǔ)抽取技術(shù)、意見(jiàn) 挖掘領(lǐng)域的意見(jiàn)目標(biāo)抽取技術(shù)兩個(gè)方面來(lái)介紹前人的工作。術(shù)語(yǔ)抽取 術(shù)語(yǔ)，是特定領(lǐng)域中表達(dá)特定概念的詞或短語(yǔ)7。也就是說(shuō)，術(shù)語(yǔ)可以是詞，也可以是詞組。術(shù)語(yǔ)抽取就 是從大規(guī)模語(yǔ)料中抽取出特定領(lǐng)域術(shù)語(yǔ)的過(guò)程。 術(shù)語(yǔ)抽取技術(shù)最開(kāi)始依賴(lài)于利 用規(guī)則進(jìn)行模板匹配的方法?；谶@種方法，準(zhǔn)確率高而且計(jì)算量小。但缺 點(diǎn)是覆蓋率低，并且依賴(lài)于大量的花費(fèi)在制定規(guī)則上的人力資源。后來(lái) ，研究者開(kāi)始引入統(tǒng)計(jì)理論處理術(shù)語(yǔ)抽取問(wèn)題。產(chǎn)生了互信息（ 法 、 得了很好的抽 取效果。使術(shù)語(yǔ)抽取技術(shù)上了一個(gè)新的臺(tái)階。同時(shí)，一些學(xué)者將統(tǒng)計(jì)方 法與規(guī)則方法結(jié)合起來(lái)進(jìn)行術(shù)語(yǔ)抽取，也取得了很好的效果。本節(jié)中將 對(duì)統(tǒng)計(jì)方法以及統(tǒng)計(jì)與規(guī)則結(jié)合的方法進(jìn)行介紹。 基于統(tǒng)計(jì)的術(shù)語(yǔ)抽取 基于統(tǒng)計(jì)的術(shù)語(yǔ)抽取技術(shù)大致可以分為兩個(gè)部分8：一部分的主要作用是判斷一個(gè)完整的語(yǔ)言單位，稱(chēng)之 為單元度計(jì)算；另一部分的主要作用是判斷這個(gè)完整的語(yǔ)言單 位是否是術(shù)語(yǔ)，稱(chēng)之為領(lǐng)域度計(jì)算。 單元度計(jì)算的常用方法有互信息（ 法9， 法1011，左右熵方法12等。其中， 法和 法是從字符串內(nèi)部各部分之間的關(guān)系考慮單元度 ，通過(guò)考察內(nèi)部各部分之間的結(jié)合強(qiáng)度給出單元度結(jié)果；左右熵方法則 是從字符串與外部串之間的關(guān)系考慮單元度。 第 2 章 相關(guān)技術(shù)綜述 10 法是對(duì)信息論的應(yīng)用，它定義概率為 P(x)和 P(y)的兩個(gè)點(diǎn) x和 y 之間的互信息 MI(x,y)為： 2(, )(, ) ()x （ 2 其中 P(x,y)是 x 和 y 同時(shí)出現(xiàn)的聯(lián)合概率， P(x)和 P(y)分別為 x 和 概率論我們可知，如果 x 和 y 相互獨(dú)立，則 P(x,y)= P(x)P(y)，即 MI(x,y)=0；否則，如果 x 和 y 存在某種關(guān)系，則 P(x,y) P(x)P(y)，即 MI(x,y)0。這樣，通過(guò)計(jì)算 MI(x,y)就可以判斷 x 和 y 之間是否存在聯(lián)系。在術(shù)語(yǔ)抽取中，假設(shè) x 和 y 是兩個(gè)字串，它們?cè)谡Z(yǔ)料中出現(xiàn)的概率是 P(x)和 P(y)， P(表詞串 語(yǔ)料中出現(xiàn)的概率。通過(guò)計(jì)算 x 和 y 的互信息，可以判斷 x 和 y 的結(jié)合緊密度?；バ畔⒃礁?，則說(shuō)明 x 和 y 更傾向于同時(shí)出現(xiàn)， 有可能是一個(gè)語(yǔ)言單位。反之，則 x 和 y 的關(guān)聯(lián)性越低。 法給出了一個(gè)簡(jiǎn)單的計(jì)算詞匯關(guān)聯(lián)度的途徑，但是它對(duì)概率值（字串頻率）非常 敏感，不適合數(shù)據(jù)稀疏情況下的處理，所以當(dāng)術(shù)語(yǔ)的出現(xiàn)頻率 過(guò)低時(shí)，不能被有效的抽取13。 法是另一種衡量?jī)蓚€(gè)事件是否共現(xiàn)的方法， 對(duì)于相鄰的兩個(gè)字串 u 和 v，它們的 以定義為： ) ( )( ) ( ) N a a b b c c d ac ab cd db + + + + + +（ 2 其中 a 為詞串 語(yǔ)料中出現(xiàn)的頻率， b 為 語(yǔ)料中出現(xiàn)的頻率（ y 為除 v 以外的其他詞匯） ， c 為 語(yǔ)料中出現(xiàn)的頻率（ x 為除 ， d 為不包含 u 或 v 的候選術(shù)語(yǔ)的個(gè)數(shù)， N 為語(yǔ)料中的總詞數(shù)。這種方法在抽取低頻 率術(shù)語(yǔ)時(shí)具有很好的效果。 法和 法的本質(zhì)都是用一種統(tǒng)計(jì)量表征兩個(gè)字串 x 和 y 的同現(xiàn)關(guān)系，進(jìn)而確定詞串 為一個(gè)語(yǔ)言單位的概率。那么類(lèi)似的，還可以嘗試更多的統(tǒng)計(jì)量，比如 s 。羅盛芬等人考察了以上全部九種統(tǒng)計(jì)量在術(shù)語(yǔ)抽取中的表現(xiàn)， 得出結(jié)論： 法的抽取能力最強(qiáng)，第 2 章 相關(guān)技術(shù)綜述 11 各種方法組合后的最優(yōu)效果也只比 法在 F 分?jǐn)?shù)上高 改進(jìn)效果不明顯14。 左右熵方法給出了另一種計(jì)算 單元度的思路。它通過(guò)考察詞串在邊界上的特征來(lái)進(jìn)行單元度計(jì)算12。 首先計(jì)算詞串邊界的熵值， 熵值越大，說(shuō)明邊界越活躍，本詞串越可能是一個(gè) 完整的語(yǔ)言單位。反之，邊界熵越小，說(shuō)明邊界越穩(wěn)定，本詞串與外部 詞串的關(guān)系密切，不能作為完整語(yǔ)言單位。詞串 s 左側(cè)邊界熵的計(jì)算方法是： ,|() ( )|（ 2 其中， u 是詞串 s 左側(cè)邊界上出現(xiàn)的詞， |s|為詞串 s 在語(yǔ)料中出現(xiàn)的頻率。 = 。同理，詞串 s 右側(cè)的邊界熵為： ,|() ( )|（ 2 其中， u 為詞串 s 右側(cè)邊界上出現(xiàn)的詞。綜合左右兩側(cè)的情況，詞串 s 的平均邊界熵為： () ()()2 （ 2 使用邊界熵的方法，不需要考慮詞串 s 的內(nèi)部組成，所以便于處理詞長(zhǎng)較長(zhǎng)的詞串，尤其在提取 多詞術(shù)語(yǔ)時(shí)，效果良好。 關(guān)于領(lǐng)域度的研究不如單元度這樣受關(guān)注。目前主要是基于 法在信息檢索領(lǐng)域應(yīng)用十分廣泛，它基于如下的一些前提假設(shè)：第一，術(shù)語(yǔ)應(yīng) 該在特定領(lǐng)域中出現(xiàn)；第二，術(shù)語(yǔ)不能是領(lǐng)域中的平常詞；第 三，術(shù)語(yǔ)不能頻繁出現(xiàn)在其他領(lǐng)域中15。的計(jì)算公式為： ()()()T= （ 2 其中， 候選術(shù)語(yǔ)詞串， T)為 領(lǐng)域文檔中出現(xiàn)的頻率，T)為 現(xiàn)的領(lǐng)域文檔數(shù)目。由式 2知， 領(lǐng)域文檔中出現(xiàn)的次數(shù)越多，出現(xiàn)的領(lǐng)域文檔數(shù)越少， 越大，它越可能是領(lǐng)第 2 章 相關(guān)技術(shù)綜述 12 域術(shù)語(yǔ)?？梢园l(fā)現(xiàn)，使用 法來(lái)計(jì)算領(lǐng)域度，利用的是術(shù)語(yǔ)與所在領(lǐng)域文檔的關(guān)系。另外還有一些研究者在 法的基礎(chǔ)上進(jìn)行了改進(jìn)1516，也取得了不錯(cuò)的效果。基于 想的算法優(yōu)缺點(diǎn)比較明顯。優(yōu)點(diǎn)是一般來(lái)說(shuō)相對(duì)簡(jiǎn)單，并且除 了領(lǐng)域語(yǔ)料不需要任何特定的領(lǐng)域信息。缺點(diǎn)是過(guò)分依賴(lài)于術(shù)語(yǔ)出現(xiàn)的 頻率，不能剔除頻繁出現(xiàn)但是無(wú)意義的詞語(yǔ)。 統(tǒng)計(jì)與規(guī)則相結(jié)合的術(shù)語(yǔ)抽取 u 等人提出一種通過(guò)提取術(shù)語(yǔ) 組合的方式來(lái)進(jìn)行術(shù)語(yǔ)抽取的方法17。此方法基于這樣的假設(shè)：新 術(shù)語(yǔ)可以由更基本的現(xiàn)有的術(shù)語(yǔ)組合構(gòu)造而成。本質(zhì)上，此方 法將術(shù)語(yǔ)抽取問(wèn)題看作一個(gè)二值分類(lèi)問(wèn)題。其中使用互信息、相關(guān)頻率信息和詞性 模板匹配等作為術(shù)語(yǔ)組合抽取時(shí)使用的特征，并利用似然比（ 作為決策的依據(jù)，其計(jì)算方法是： (| ) ( )(| ) ( ) =（ 2 其中， 表詞串 c 是由多個(gè)單元組成的， 表詞串 c 不是由多個(gè)單元組成的，關(guān)頻率信息和詞性模板的一個(gè)綜合觀測(cè)值。如果 1，則詞串 c 可以被認(rèn)為是術(shù)語(yǔ)，否則就是非術(shù)語(yǔ)。研究表明這種方法在由兩到三個(gè)單元（ 2 3成的術(shù)語(yǔ)組合抽取中是非常有效的。然而，由于對(duì) 新術(shù)語(yǔ)的詞性標(biāo)記相對(duì)困難，這種方法也有其局限性。 i 等人提出了一種基于窗口上下 文的中文術(shù)語(yǔ)提取方法18。這種方法主要利用一個(gè)來(lái)自于很小窗口 的上下文的句法和語(yǔ)義信息來(lái)進(jìn)行單個(gè)領(lǐng)域的術(shù)語(yǔ)提取。其基本假設(shè)是 如果候選術(shù)語(yǔ)一定數(shù)量的鄰居詞是屬于特定領(lǐng)域時(shí)，認(rèn)為候選 術(shù)語(yǔ)也是特定領(lǐng)域的術(shù)語(yǔ)。 總的說(shuō)來(lái)，這些方法綜合考慮 了術(shù)語(yǔ)內(nèi)部成分的結(jié)合信息、術(shù)語(yǔ)與所處領(lǐng)域的關(guān)系、術(shù)語(yǔ)的詞性信息等， 相對(duì)于單純使用統(tǒng)計(jì)的方法，增加了更多的決策依據(jù)，為我們 繼續(xù)研究術(shù)語(yǔ)抽取問(wèn)題開(kāi)拓了思路。 第 2 章 相關(guān)技術(shù)綜述 13 意見(jiàn)目標(biāo)抽取 意見(jiàn)目標(biāo)抽取與術(shù)語(yǔ)抽取的不 同在于它可以利用與意見(jiàn)相關(guān)的信息，從而獲得幫助，但同時(shí)抽取到的目 標(biāo)必須依賴(lài)于意見(jiàn)的存在，這也使問(wèn)題的難度上升。意見(jiàn)目標(biāo)抽取的這 些特點(diǎn)，使它產(chǎn)生了許多不同于術(shù)語(yǔ)抽取的方法。在本節(jié)中將對(duì)現(xiàn)有意 見(jiàn)目標(biāo)抽取方法做簡(jiǎn)要介紹。意見(jiàn)目標(biāo)抽取，并不像情感分析那樣受到 關(guān)注，甚至一些意見(jiàn)挖掘任務(wù)中不存在意見(jiàn)目標(biāo)抽取的問(wèn)題。但是在產(chǎn) 品意見(jiàn)挖掘任務(wù)中，意見(jiàn)目標(biāo)抽取是一個(gè)很重要的課題。 基于規(guī)則的意見(jiàn)目標(biāo)抽取 人根據(jù)名詞短語(yǔ)的組成和位置特 點(diǎn)，采用相似性測(cè)試（ 法來(lái)確定意見(jiàn)目標(biāo)19。他們認(rèn)為，意見(jiàn)目標(biāo)通常表現(xiàn)為名詞或者名詞短語(yǔ)。這樣一來(lái)，就 大大減小了候選目標(biāo)的規(guī)模。此外，還通過(guò)基于詞性標(biāo)注（ 型的算法對(duì)名詞和名詞短語(yǔ)進(jìn)行二次篩選。方法中提到了 三條啟發(fā)性詞性標(biāo)注模型規(guī)則，分別是： （ 1）基礎(chǔ)名詞短語(yǔ)， （ 2）定指的基礎(chǔ)名詞短語(yǔ)， （ 3）句首的定指基礎(chǔ)名詞短語(yǔ)。通過(guò)以上兩次篩選， 保證了意見(jiàn)目標(biāo)的語(yǔ)法完整性。其后，利用領(lǐng)域相關(guān)性，挑選領(lǐng)域局限 性高的候選詞作為本領(lǐng)域意見(jiàn)目標(biāo)。領(lǐng)域相關(guān)性，使用相似性測(cè)試（ 計(jì)算。此方法在數(shù)碼相機(jī)領(lǐng)域本文的實(shí)驗(yàn)中，取得 82%的平均正確率；在音樂(lè)領(lǐng)域文本的實(shí)驗(yàn)中，平均正確率為 96%。 人利用標(biāo)記序列規(guī)則（ 現(xiàn)意見(jiàn)目標(biāo)抽取20?；跇?biāo)記序列規(guī)則（ 方法是有監(jiān)督的，通過(guò)標(biāo)注好的實(shí)例，訓(xùn)練 型，再利用模型獲得意見(jiàn)目標(biāo)。對(duì)于訓(xùn)練數(shù)據(jù)比如， “is 第一步將其變成包含詞性標(biāo)注的序列： 第二步標(biāo)記出意見(jiàn)目標(biāo)，形成一條規(guī)則。 識(shí)別過(guò)程與訓(xùn)練過(guò)程相反，首 先根據(jù)規(guī)則去匹配模型，從而在相應(yīng)第 2 章 相關(guān)技術(shù)綜述 14 的 $置上獲得意見(jiàn)目標(biāo)。 基于規(guī)則的方法可以達(dá)到很高 的抽取正確率，但是不能有效的解決意見(jiàn)目標(biāo)的覆蓋性問(wèn)題。 基于同現(xiàn)的意見(jiàn)目標(biāo)抽取 據(jù)意見(jiàn)目標(biāo)和一些指示詞的 同現(xiàn)特征來(lái)識(shí)別?，F(xiàn)（ 非?，F(xiàn)（ 見(jiàn)目標(biāo)21。他們同樣先抽取名詞和名詞短語(yǔ)作為候選的意見(jiàn)目標(biāo)，同時(shí) 他們認(rèn)為，?，F(xiàn)的名詞和名詞短語(yǔ)更可能是意見(jiàn)目標(biāo)。于是，第一步， 通過(guò)詞性標(biāo)注技術(shù)選取高頻的名詞和名詞短語(yǔ)。第二步要對(duì)這些名詞和 名詞短語(yǔ)進(jìn)行剪枝，剔除不需要的部分。這里面主要包含兩類(lèi) 錯(cuò)誤的候選詞， （ 1）多詞短語(yǔ)，但是詞間的順序信息不符合語(yǔ)法規(guī)則。 （ 2）獨(dú)立詞，但是它出現(xiàn)在更長(zhǎng)的意見(jiàn)目標(biāo)中。也就是，它只是其他意見(jiàn)目標(biāo)的 一部分。通過(guò)這兩步之后，可以獲得正確率相對(duì)較高的意見(jiàn)目標(biāo)集合。 下面開(kāi)始抽取非常現(xiàn)的意見(jiàn)目標(biāo)。這里用到意見(jiàn)目標(biāo)與意見(jiàn)情感詞匯的同 現(xiàn)信息。借助已有的?，F(xiàn)意見(jiàn)目標(biāo)集合，訓(xùn)練意見(jiàn)情感詞匯集合，之后 借助意見(jiàn)情感詞匯集合，啟發(fā)性的尋找非常現(xiàn)意見(jiàn)目標(biāo)。就這樣，此方 法首先使用規(guī)則得到高正確率的?，F(xiàn)意見(jiàn)目標(biāo)，之后借助意見(jiàn)情感詞匯 和同現(xiàn)概率模型，由?，F(xiàn)意見(jiàn)目標(biāo)向非?，F(xiàn)意見(jiàn)目標(biāo)前進(jìn)。分 兩步走的達(dá)到意見(jiàn)目標(biāo)抽取的目的。 基于關(guān)系的意見(jiàn)目標(biāo)抽取 問(wèn)題有不同的看法，他們不再把意見(jiàn)目標(biāo)看作是孤立的，而想到利用意見(jiàn)目標(biāo)之間的關(guān)系22。例如，對(duì)于掃描儀，尺寸是描述它的一種屬性，而翻蓋是它的 一個(gè)組成部分。利用意見(jiàn)目標(biāo)與主題詞匯之間的關(guān)系，可以幫助尋找意 見(jiàn)目標(biāo)。這中間的橋梁就是關(guān)系識(shí)別符。對(duì)于掃描儀， 關(guān)系識(shí)別符是這樣的短語(yǔ)： of s，。通過(guò)計(jì)算候選詞匯與關(guān)系識(shí) 別符之間的點(diǎn)互信息（ 獲取意見(jiàn)目標(biāo)。計(jì)算公式如下： (,)(,)() ()f f f d= （ 2 其中， f 是候選詞匯， d 是關(guān)系識(shí)別符。點(diǎn)互信息越高，說(shuō)明候選詞第 2 章 相關(guān)技術(shù)綜述 15 與關(guān)系識(shí)別符關(guān)聯(lián)越密切，也就說(shuō)明它 更可能是主題詞匯的一個(gè)屬性或者組成部分。這樣，相比于 結(jié)果，此方法以犧牲 召回率為代價(jià)