基于詞項共現(xiàn)關(guān)系圖模型的中文觀點句識別研究.pdf

1、隨著Web2.0的應(yīng)用和普及，“以用戶為中心到用戶參與設(shè)計”的觀點已經(jīng)成為當(dāng)今互聯(lián)網(wǎng)所倡導(dǎo)的理念。論壇、貼吧、博客和微博等各類新型媒體為廣大用戶提供了更加自由交流的平臺，越來越多的用戶通過互聯(lián)網(wǎng)來表達(dá)個人觀點、傳播思想和交流情感。這些蘊(yùn)含個人觀點的由用戶生成的數(shù)據(jù)信息（User-generated content，簡稱UGC）隱藏著巨大的商業(yè)價值和社會價值，從而導(dǎo)致如何從海量的文本中準(zhǔn)確地抽取和識別觀點句具有重要的理論價值和現(xiàn)實意義。<

2、br>　　目前，主流的觀點句識別方法采用向量空間模型（Vector Space Model，簡稱VSM）來表示文檔，即把每篇文檔表示成一個詞項向量或特征向量。然而，這種文檔特征向量的表示方法基于文檔中詞項間強(qiáng)獨(dú)立性假設(shè)，并未考慮詞項與詞項之間的順序和依賴關(guān)系。鑒于此，本文提出了一種新型的基于詞項共現(xiàn)關(guān)系的圖模型方法來表示文檔，并將其應(yīng)用于中文觀點句識別中。該方法通過構(gòu)建文檔中詞項共現(xiàn)關(guān)系有向圖模型，利用詞項與詞項之間的共現(xiàn)性和句法關(guān)系來

3、描述詞項在觀點句和非觀點句集合中的分布差異性。該方法能夠有效地捕捉到中文觀點句中的語義信息。同時，與基于向量空間模型的特征值計算方法不同，該方法將圖模型中的詞項入度值計算方法和信息檢索中復(fù)雜的特征值計算方法相結(jié)合，從而更加有效的計算出圖模型中詞項所具有的情感值大小。實驗結(jié)果證明，本文提出的中文觀點句識別效果顯著優(yōu)于現(xiàn)有的代表性的方法。
　　本文的工作主要體現(xiàn)在以下三個方面：
　　1)首先，本文分別構(gòu)建了觀點句集和非觀點句集的

4、詞項共現(xiàn)關(guān)系有向圖，用圖模型對詞項的共現(xiàn)性、語義關(guān)系和分布差異進(jìn)行顯示的描述；
　　2)其次，本文將圖模型中的簡單有效的詞項入度值計算和信息檢索中復(fù)雜的特征值計算方法有效結(jié)合，從而更有效的計算出圖模型中詞項所具有的情感值大小。同時，本文訓(xùn)練一個支持向量機(jī)（Support Vector Machine，簡稱SVM)觀點句識別分類器，并與目前主流的觀點句識別方法進(jìn)行比較，從而驗證本文提出的方法的有效性；
　　3)最后，本文對圖模