汽车领域本体的设计和实现-中德语言技术联合实验室-上海交通大学.pptVIP

汉语句子语义极性分析 和观点抽取方法的研究 娄德成 概要 相关研究简介 本研究的主要内容 句法分析器DeParser 极性词的处理 句子的观点抽取 小结 相关研究 语义极性分析和观点抽取的研究趋势： 主要采用的方法：统计学方法 存在的问题： 没有考虑词语的上下文极性 无法解决主题(topic)和描述成分(description)的匹配问题　 本研究的主要内容 计算词语的上下文极性 识别主题和描述成分的匹配关系 句法分析器DeParser DeParser分析结果返回两类信息： 后备箱没有内开装置，我觉得很不安全，也很不爽！ 分词结果： [1]后备箱/n [2]没有/vg [3]内/nd [4]开/vg [5]装置/n [6]，/wp [7]我/rh [8]觉得/vg 　[9]很/d [10]不/d[11]安全/a [12]，/wp [13]也/d [14]很/d [15]不爽/vg [16]！/wp 　[17]EOS/EOS 依存关系对： [8]觉得_[7]我(SBV) 　[4]开_[5]装置(VOB) [15]不爽_[14]很(ADV) [15]不爽_[13]也(ADV) 　[11]安全_[10]不(ADV) [11]安全_[9]很(ADV) [2]没有_[1]后备箱(SBV) 　[3]内_[2]没有(ATT) [4]开_[3]内(ADV) [8]觉得_[11]安全(VOB) 　[4]开_[8]觉得(VV) [4]开_[15]不爽(VV) [18]EOS_[4]开(HED) 极性词的上下文极性　　　　－　什么是上下文极性？　　　　 词的极性分为两种情况： 原极性(Prior Polarity),可以利用HowNet,以及PMI算法得到； 上下文极性(Contextual Polarity)，可以出现在两种语境中： 　一是句子含有否定前缀，例如，“不漂亮”； 　二是句子含有强调前缀，例如，“非常漂亮” 统计方法的不足： 极性倾向判断错误，这是由于没有考虑否定前缀； 虽然极性倾向判断正确，但是强度不够准确，这是由于没有考虑强调词。 极性词的上下文极性　　　　 －　解决方案 定义两个字典： 否定词字典(Privative Dictionary)： 　不，没有，无法，… 强调词字典(Intensifier Dictionary)： 　很|2,非常|3，… 利用Deparser,通过研究词与词之间的依存关系，出现极性词的关系对有三种： ADV(状中结构)： 后备箱没有内开装置，我觉得很不安全，也很不爽！ [15]不爽_[14]很(ADV) [15]不爽_[13]也(ADV) [11]安全_[10]不(ADV) [11]安全_[9]很(ADV) 　DE(的字结构)： 体的流线感也给节油提供良好的硬件支持 [16]的_[15]良好(DE) 　VOB(动宾结构)： 　　　　　蒙迪欧就显得比较沉闷 　　　　　[3]显得_[5]沉闷(VOB) 极性词的上下文极性　　　　　－　示例 通过分析上述三个结构，可以找到否定前缀和强调前缀，就可以计算出极性词的上下文极性 例句:后备箱没有内开装置，我觉得很不安全，也很不爽 关系对： [8]觉得_[7]我(SBV) 　[4]开_[5]装置(VOB) [15]不爽_[14](ADV) [15]不爽_[13]也(ADV) 　[11]安全_[10]不(ADV) [11]安全_[9]很(ADV) [2]没有_[1]后备箱(SBV) [3]内_[2]没有(ATT) [4]开_[3]内(ADV) [8]觉得_[11]安全(VOB) [4]开_[8]觉得(VV) [4]开_[15]不爽(VV) [18]EOS_[4]开(HED) --------- 否定关系:安全 不 强调关系:安全 很 安全:＋0.5|-1.0 --------- 强调关系:不爽 很 不爽:-0.5|-1.0 --------- 句子的观点抽取 对于一个带有观点的句子，仅仅知道观点的极性褒贬是不够的，用户更希望知道： 观点的持有者(opinion holder)是谁？ 观点讨论的主题或特征(topic/feature)是什么？ 统计学方法无法可靠