基于动态情感主题模型的在线评论分析.PDFVIP

研究论文 基于动态情感主题模型的在线评论分析* 李 慧 胡云凤 (西安电子科技大学经济与管理学院 西安 710071) 摘要: 【目的 】对在线评论进行分析, 揭示评论文本主题的内容和情感分布变化规律。【方法 】使用融入先验信 息的SSTM 模型获得评论文档的情感分布, 以文档、文档情感分布和词项为可视变量, 提出DSTM 模型, 并估算 情感主题分布和主题词项分布。【结果 】将采集的评论数据集按时间片划分进行建模, 实验得到主题的内容和情 感随时间的变化趋势。【局限 】未考虑不同主题之间的关联关系, 建模结果可能存在一定误差。【结论 】融合时 间外部特征的DSTM 模型, 能够有效地对在线评论进行主题演化分析。 关键词: SSTM DSTM 参数估计 情感 在线评论 分类号: G350 在主题模型出现之后, 由于主题模型在建模提取 1 引 言 主题和文档降维方面效果显著, 因此被广泛用于文本 随着电商网络交易的发展, 网络上囤积了海量的 数据处理。评论属于一种特殊文本, 不仅具有主题, 同 商品评论, 这些评论不仅对潜在顾客具有价值, 对于 时具有情感。情感主题模型提供了一种简便有效的方 商家而言, 同样蕴含着商业价值。通过分析评论, 有针 法, 能够对语法结构复杂, 句式不统一, 数据量又十 对性地改进产品, 满足顾客的要求, 提高产品口碑, 分庞大的评论数据进行分析。国外较为经典的情感主 提升市场竞争力。评论文本数据与普通的文本数据不 题模型有方面主题联合模型(Aspect and Sentiment 同, 评论不仅包含主题, 还包含主观性的情感色彩, Unification Model, ASUM)[4] 和联合主题模型(Joint 书写形式也不规范, 具有口语化的特点, 如何在挖掘 Sentiment/Topic Model, JST)[5]等, ASUM 模型是在Blei 主题的同时, 进行情感分析成为一个研究热点。 等[6] 提出的潜在狄利克雷分布(Latent Dirichlet 目前已有针对评论文本分析的研究, 如 Allocation, LDA) 的基础上进行扩展, 提到的方面与 Somprasertsri 等[1]利用句法规则同时抽取属性词和评 LDA 中主题的定义十分类似。ASUM 模型假设句子为 价词; Zhuang 等[2]通过人工建立属性词典抽取评论中 分配方面和情感的最小单位, 而 JST 模型将词项作为 的属性词; 而Hu 等[3]设计的评论挖掘框架几乎涵盖了 分配情感和主题的最小单位, ASUM 和JST 均分为文 在线评论挖掘的全部子任务, 为其后的研究提供了模 档–情感–主题–词4 层结构。国内熊蜀峰等[7]提出短文 板, 该框架由以下步骤构成: 获取评论语料库、提取评 本情感主题模型(Short-text Sentiment-Topic Model, 论特征、用户观点抽取和情感倾向判别、展示仿真挖 SSTM)认为情感应依赖于主题, 提出文本–主题–情感 掘实验结果。然而此种方法需要结合有监督的信息, –词4 层结构, 并且利用词对进行建模, 结果显示要比 利用传统数据挖掘方法进行评论语料挖掘, 将特征识 ASUM 等模型效果更好, 并且与基线方法(直接对文 别和情感判断分开进行, 容易丢失一些特定特征与情 档中的词汇基于情感词典进行极性统计, 得到文档的 感之间的关系。 极性)进行对比, 情感判别的精度更高。 通讯作者: 胡云凤, ORCID: 0000-0002-7342-3755, E-mail: luleaf@ 。 *本文系国家自然