评价知识本体研究与规则实现.pdfVIP

总第275 期 2016 年 第10 期 评价知识本体研究与规则实现* 周红照 侯 敏 滕永林 ( 中国传媒大学国家语言资源监测与研究有声媒体中心 北京 100024) 摘要: 【目的 】建立一套集评价句识别、倾向性判定、评价对象抽取于一体的评价分析智能系统。【方法 】对中 文评价知识本体进行研究, 基于本体研究成果建立评价分析规则库, 实现基于词典规则的评价分析智能系统 CUCsas。【结果 】以第7 届中文倾向性分析评测(COAE2015)发布的50 000 篇微博(共计 133 201 个句子)为实验 数据, 系统评价句识别及倾向性判定的正确率、召回率和F 值分别为0.83、0.70、0.76, 而评价对象抽取的结果 较差。【局限 】系统尚缺少评价新词发现和领域词典自动构建模块。【结论 】初步建立起一套实用化的评价分析 智能系统。 关键词: 评价知识本体 评价句识别 倾向性判定 规则方法 评价对象抽取 分类号: G350 H146 语言知识, 包括词汇知识(评价词典、否定词典、程度 1 现有研究述评 词典、转折词典等)、句法知识(词性、NP 和VP 短语、 评价指人们基于一定的标准对事物做出的褒义、 依存关系等) 以及语义知识(评价词语的语义指向特 贬义或褒贬混合的倾向性判断。评价分析(也称倾向性 征、施事和受事语义角色等); ESM 有基于统计和基于 分析)近几年持续成为自然语言处理领域研究的热点 规则两种基本方法。 问题之一, 它在竞选预测、用户推荐、舆情监测、文 (1) 基于统计的方法: 张清亮等基于大规模语料, 献声誉追踪等诸多领域具有应用价值。 计算候选情感词与正、负情感种子词集之间的互信息 评价句(Evaluation Sentences, ES)包含4 个基本要 (PMI-IR), 完成情感新词的识别和倾向性判定[1]; 丁晟 素: 评价主体(Evaluation Subjects, Sub) 、评价对象 春等选取情感词、程度副词、否定词等特征训练SVM (Evaluation Objects, Obj)、评价因子(Evaluation Factors, 分类器, 调整参数获取效果最优的模型完成句子倾向 Fac) 、评价情景(Evaluation Context, Con), 即: ES = 性分类[2]; 童毅轩等采用集成学习的方法, 将基于规 {Sub, Obj, Fac, Con}。评价分析智能系统(Evaluation 则、基于 CRF 两种分类器的分类结果作为特征训练 Analysis Intelligent System, EAIS)指能够从混合文本 SVM, 进行微博观点句倾向性判定[3]; 姜姗姗等选取 中自动识别出带有评价意义的句子、判断句子的倾向 词、位置、情感词、词性、父节点位置、依存关系、最 性以及抽取句子中的评价对象的智能系统, 通常包括 近名词、基本短语类型、与情感词依赖关系、候选评价 评价知识本体(Evaluation Ontology, EOntology)与评价 对象、特征词、关键词、句子极性、观点句共计 14 类 求解算法(Evaluation Solving Methods, ESM)两个基本 特征训练CRF 模型, 抽取微博观点句中的评价对象[4]。 模块, 即: EAIS = EOntology + ESM。其中, EOntology (2) 基于规则的方法: 王昌厚等采用基于模式的 属于语言知识本体, 指系统完成评价分析任务需要的 自扩展方法(Bootstrapping)获取微博语料中的情感新 通讯作者: 周红照, ORCID: 0000-0001-6846-9006, E-mail: zhzwin2011@163.com 。 *本文系国家语言资源监测与研究中心项目“ 中文情感倾向本体研究与规则实现”(项目编号: YZYS15-05)的研究成果之一。