情感挽回之---网络展示
如果你的前任对你每天做的事情都充满兴趣，请问在外人看来，谁更应该挽回谁？答案显而易见！
相信你应该听过“落后就要挨打”的道理吧？这个道理稍稍改变一下，在挽回的过程中就是——“不精彩就要被抛弃”。
怎样可以快捷方便地展示你的精彩生活呢？
答案很简单，四个字：网络展示。
你根本不用担心不联系对方就会被遗忘。现代人几乎都有微信、微博、空间、人人、豆瓣、陌陌，只要对方使用其中一样社交通讯工具，她就会看到你的动态。即使她不玩社交工具了，可是你们还有共同好友，朋友圈的作用非常强大，只要你的生活精彩多样，对方一定会知道的。那么，怎样才能吸引Ta呢？怎么建设好我们的网络展示窗口呢？
下面我们以陌陌为例。
陌陌，被很多人称之为“约炮神器”。原因不外乎，女生玩陌陌的时候大部分都是处于一种空虚、寂寞、孤独、闷的状态，此外两人一般都处于相近的范围内，较容易见面。约炮，还是交友，完全取决于双方意愿。不可否认，陌陌是一个方便的交友方式。
如果你尝试过在陌陌上注册一个女号，并且在上面展示出几张还不错的女生照片，那么你会发现每天向你这个陌陌号打招呼的男人将会有几十、上百个，甚至更多。这说明什么？这就是为什么你在陌陌上跟女生打招呼的时候，绝大部分女生不回复你的原因。尤其是你的陌陌第一印象建设太差的时候，你甚至收不到一个女生的回应。
如果你不能第一时间在众多向她打招呼的人之中脱颖而出，那么你将第一时间被她淘汰出
局，从而错失认识她的机会。
那么，怎样破除这个魔咒呢？
经过调查统计，我们终于发现了影响女生陌陌回应率的几个重要因素：
一、女生当前的状态
她心情是否漂亮，是否刚和男朋友分手，如果她心情非常差，不管你做什么，她都不会回应你。
二、女生陌陌的个人信息
包括头像、姓名、照片展示、签名、个人资料等，从中可以得出不少有价值的信息。
三、陌陌打招呼开场白
前面两点是女生的状态，我们无法改变，所以，只要我们把陌陌第一印象建设相关的其它六大因素完善好，女生一般都会第一时候注意到我们，并且回应我们，甚至在她当前状态比较差的情况下还能够获取回应，建立吸引的。
以上讲的似乎和挽回没有关系，看起来更像是教你如何泡一个女生。这是你对挽回的认识不够。什么是挽回？如何通过提升自我来做到二次吸引，从而挽回爱情，“重新获得获得爱的能力”，可以学习借鉴一下。而我上文讲的利用网络展示来吸引女生，这在挽回中同样适用。你需要明白一点，一旦你具备在网络上吸引女生的能力，那么你也就具备了通过网络展示，向你的前女友展现精彩生活、重新吸引她的能力，二次吸引。
第二篇：挖掘中文网络客户评论的产品特征及情感倾向
第２７卷第８期２０１０年８月
计算机应用研究
ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ
Ｖｏｌ畅２７Ｎｏ畅８Ａｕｇ畅２０１０
挖掘中文网络客户评论的产品特征及情感倾向
李 实，叶 强，李一军，罗嗣卿
１
２
２
１
倡
（１．东北林业大学信息与计算机工程学院，哈尔滨１５００４０；２．哈尔滨工业大学经济与管理学院，哈尔滨１５０００１）摘 要：为探索中文客户评论中的产品特征及相关情感倾向的挖掘，以帮助生产商和服务商改进产品、改善服务，提高竞争力，提出采用基于Ａｐｒｉｏｒｉ算法的非监督型产品特征挖掘算法，结合监督型情感分析技术，实现对于评论中产品特征及其情感倾向的综合信息挖掘；并根据用户的关注权重将产品特征和情感倾向进行排列。采用几种从互联网下载的真实产品评论语料，对该方法进行了数据实验，实验结果初步验证了该方法的有效性。关键词：用户评论；产品特征；数据挖掘；情感分析
中图分类号：ＴＰ３１１ 文献标志码：Ａ 文章编号：１００１唱３６９５（２０１０）０８唱３０１６唱０４ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１唱３６９５．２０１０．０８．０５４
ＭｉｎｉｎｇｐｒｏｄｕｃｔｆｅａｔｕｒｅｓａｎｄｓｅｎｔｉｍｅｎｔｏｒｉｅｎｔａｔｉｏｎｆｒｏｍＣｈｉｎｅｓｅｃｕｓｔｏｍｅｒｒｅｖｉｅｗｓ
（１．ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎ＆ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ，ＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ１５００４０，Ｃｈｉｎａ；２．ＳｃｈｏｏｌｏｆＥｃｏｎｏｍｉｃｓ＆Ｍａｎａｇｅ唱ｍｅｎｔ，ＨａｒｂｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ１５０００１，Ｃｈｉｎａ）
ＬＩＳｈｉ，ＹＥＱｉａｎｇ，ＬＩＹｉ唱ｊｕｎ，ＬＵＯＳｉ唱ｑｉｎｇ
１
２
２
１
Ａｂｓｔｒａｃｔ：Ａｔｍｉｎｉｎｇｐｒｏｄｕｃｔｆｅａｔｕｒｅｓａｎｄｐｏｌａｒｉｔｙｏｆｃｕｓｔｏｍｅｒ’ｓｏｐｉｎｉｏｎｆｒｏｍＣｈｉｎｅｓｅｏｎｌｉｎｅｃｕｓｔｏｍｅｒｒｅｖｉｅｗｓ，ｉｎｏｒｄｅｒｔｏｈｅｌｐｍａｎｕｆａｃｔｕｒｅｓａｎｄｓｅｒｖｉｃｅｐｒｏｖｉｄｅｒｓｉｍｐｒｏｖｅｔｈｅｉｒｐｒｏｄｕｃｔｓａｎｄｓｅｒｖｉｃｅｓ，ａｎｄｇａｉｎｃｏｍｐｅｔｉｔｉｖｅａｄｖａｎｔａｇｅｓ．Ｔｈｉｓｐａｐｅｒｐｒｏ唱ｐｏｓｅｄａｎａｐｐｒｏａｃｈｂａｓｅｄｏｎＡｐｒｉｏｒｉａｌｇｏｒｉｔｈｍｗｈｉｃｈｕｎｓｕｐｅｒｖｉｓｅｄｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｌｇｏｒｉｔｈｍａｎｄｓｕｐｅｒｖｉｓｅｄｓｅｎｔｉｍｅｎｔａｎａｌｙ唱ｓｉｓｔｅｃｈｎｏｌｏｇｙｔｏｒｅａｌｉｚｅｔｈｅｓｕｍｍｅｒｙｉｎｆｏｒｍａｔｉｏｎｏｆｃｕｓｔｏｍｅｒｒｅｖｉｅｗｓ．Ａｎｄｔｈｅｎｒａｎｋｅｄｔｈｅｗｏｒｋｆｅａｔｕｒｅｓａｎｄｏｐｉｎｉｏｎｓｂａｓｅｄｏｎｃｕｓｔｏｍｅｒａｔｔｅｎｔｉｏｎｓｔｒｅｎｇｔｈ．ＳｅｖｅｒａｌａｃｔｕａｌＩｎｔｅｒｎｅｔｐｒｏｄｕｃｔｓｒｅｖｉｅｗｓｗｅｒｅｔｅｓｔｅｄｂｙａｎｅｘｐｅｒｉｍｅｎｔａｌｍｏｄｅｌ．Ｆｉｎａｌｒｅｓｕｌｔｓｄｅｍｏｎｓｔｒａｔｅｔｈｅｖａｌｉｄｉｔｙｏｆｔｈｅｍｅｔｈｏｄ．
Ｋｅｙｗｏｒｄｓ：ｃｕｓｔｏｍｅｒｒｅｖｉｅｗｓ；ｐｒｏｄｕｃｔｆｅａｔｕｒｅｓ；ｄａｔａｍｉｎｉｎｇ；ｓｅｎｔｉｍｅｎｔａｎａｌｙｓｉｓ
０ 引言
随着电子商务的蓬勃发展，越来越多的客户开始浏览大量的网络评论来了解产品和服务的口碑，帮助作出可靠的决策。同时网络客户评论作为反馈机制也帮助了生产者和销售商提升产品，改进服务，从而获得竞争力。但是网络评论数量的飞速增长，使得信息内容越来越庞杂，造成了客户评论中有用信息难以获取的后果。因此，迫切需要借助一定的技术手段来使这一过程变得更为准确而便捷。以有效获取网络用户评论信息为目标的非结构化数据分析技术———评论挖掘吸引了很多学者的关注。评论挖掘作为非结构化信息挖掘的一个新兴领域，主要涉及情感分析、评论中产品特征挖掘，以及评论中主观内容识别等。在英文评论领域，研究者已经初步取得一些成果，而针对中文网络用户评论的研究仍还处于起步阶段。随着中国电子商务在世界领域内的崛起，亟需对于中文评论中有用信息的自动提取技术。由于文化差异导致语言表达方式不同，使得英文领域的研究成果不能直接应用于中文评论。所以，本文将针对面向电子商务的中文网络客户评论，探索评论内容中产品特征及相应的情感倾向的提取技术，旨在为中文领域内的客户和企业提供更为方便和科学的评论挖掘工具。
单一产品的特征结合正面和负面倾向后，可以直观地得到
客户对于产品整体以及各个属性的满意度；对于不同产品，将其结合情感分析的产品特征相对比，各方面的优劣一目了然。这对于消费者下一步的购买决策，或者企业营销的相对应措施，都能起到非常确切的指导作用，而且可以在行为导向的研究中以此分析评论中的内容与相关商务内容的直接或者间接影响。本研究制订了以下针对于中文评论中产品特征的情感分析挖掘任务：的频率排序；面还是负面。
ａ）提取用户关心的产品属性，并根据它们在评论中出现ｂ）找到属性所在的评论语句，判断语句的情感倾向是正
１ 研究背景
挖掘重要产品特征；ｂ）挖掘用户对于产品特征的主观观点；ｃ）判断评论观点的情感导向；ｄ）根据观点的重要性进行排名。本文的研究内容主要涉及ａ）ｃ）ｄ）这三个子任务。１畅１ 产品特征挖掘
网络客户评论中的产品特征挖掘是指通过机器从大量的，如在用户评论中出现的“外形”“手感”“做功”。Ｐｏｐｅｓｃｕ等人
［１］
将网络评论挖掘问题分为几个子任务：ａ）
网络客户产品评论中自动地获取备受关注的重要产品特征
［２］
收稿日期：２０１０唱０１唱２５；修回日期：２０１０唱０３唱０８ 基金项目：国家自然科学基金资助项目（７０９７１０３３）
作者简介：李实（１９７６唱），女，黑龙江哈尔滨人，博士，主要研究方向为电子商务、商务智能（ｓｈｉｓｈｉｌｉ＠ｇｍａｉｌ．ｃｏｍ）；叶强（１９７２唱），男，教授，博士，主要研究方向为商务智能、电子商务；李一军（１９５７唱），教授，博士，主要研究方向为管理信息系统、决策支持系统等；罗嗣卿（１９６４唱），男，副教授，硕士，主要研究方向为管理信息系统等．
第８期李 实，等：挖掘中文网络客户评论的产品特征及情感倾向
?３０ １７?
在英文评论挖掘领域，由于研究人员意识到网络客户评论所带来的巨大影响比较早，研究者已经初步取得一些成果。２００４年，Ｈｕ等人
［２］
首先提出应用关联规则分类方法提取英文
评论中的产品特征，利用该非监督型方法对于包括手机、数码相机等产品评论进行挖掘，平均查全率达到８０％，平均查准率达到７２％，并在此基础上进行了后续的研究，判断了用户对这些特征的情感导向［２，３］
。
Ｋｏｂａｙａｓｈｉ也有一些研究人员采用了其他方法实现这一功能等人
，比如
［４］
采用了一个半自动化的循环方法提取产品特
征和用户观点，但是需要大量的人工参与；Ｐｏｐｅｓｃｕ等人［５］
利用研发的ＫｏｎｗＩｔＡｌｌ系统进行贝叶斯分类，从而提取产品特征，提高Ｈｕ的准确率，但是查准率却有所下降。
目前对于中文评论中的产品特征挖掘研究主要集中在需要人工参与的监督型方法或者半监督型方法，例如姚天昉等人
［６］
利用本体建立了汽车的产品特征；刘健等人
［７］
提出与产品特征挖掘并考虑产品特征的情感倾向这两个功能类似的意见实例抽取（ｏｐｉｎｉｏｎｉｎｓｔａｎｃｅｅｘｔｒａｃｔｉｏｎ）需要建立相关的领域知识。Ｓｈｉ等人
［８］
面向中文也作了挖掘产品特征的研究，但是需要人工建立基于产品属性的概念模型。
由于网络评论的信息挖掘是噪声很大的领域，网络上的评论大多由非专业人员写的，文献［９］指出对于评论作者这一传播者的专业性对于网络评论这一口碑传播方式之一是具有很大影响的。而且不论是数量还是风格，网络上的评论变化很快。由于网络客户评论的异步性
［１０］
，既有的知识库结构和内
容可能会带来一些延时性误差，需要人工参与的监督型方法对于面向网络评论的挖掘都有所局限，特别是监督型方法对中文评论进行挖掘，需要首先从语言学的角度对这种主观性的文本进行研究，包括语料收集、分析语言规律、研究标注规范和方法等。但在国内的研究中，这方面的基础研究还做得很少［６］
，所
以非监督型方法更为适合面向电子商务的中文评论产品特征
挖掘。
本文在前面研究的基础上［１１］
，将基于关联规则的非监督
型挖掘方法结合情感分析技术来实现更为完整的评论挖掘。
１畅２ 情感分析的目的是判断给定的文本片段情感分析
（词汇、短语或文档）中所体现的说话者的情感倾向，通常为正面、负面和中性
［１２］
。目前实现情感分析的技术主要包括机器学习方法及语
义方法两类。
最初Ｐａｎｇ等人
［１２］
在研究中提出用机器学习的方法进行
情感倾向的挖掘工作，他们以互联网上的电影评论文本作为语料ＳＶＭ，采用了不同的特征选择方法，应用朴素贝叶斯、学者在此研究的基础上扩展和延伸对电影评论进行分类，准确率达到，并与其他一些技术进行集８７．５％。之后的一些最大熵、成，取得了很好的研究结果。对于利用机器学习的方法进行中文的情感分析，由于机器学习方法的通用性，面向英文的很多方法都可以借鉴。近两年国内研究人员在此方面也取得一些成果，唐慧丰等人
［１３，１４］
还特别针对各种情感分类技术包括面向中文文本的方法进行了总结和比较。
机器学习的方法虽然在目前来讲分类的准确程度比较高，但是它针对每一种产品使用前，训练样本集的建立都需要采用人工方法对大量的评论文章逐一阅读甄别，并进行手工标志，这与利用自动情感分类降低人的阅读负担这一初衷还有着一
定的差距。
因此，近来许多研究者将情感分析研究的重点集中在对训练样本的需求量较低的语义方法上。从情感分类的对象为分类依据监督型语义方法主要有以下两种方法ａ），关于词语的情感分类相关研究可以分为以下几个部分。目前对于词的情感倾向分析的非
：
：（ａ）由已有的电子词典或词语知识库扩展生成情感倾向。英文词语情感倾向信息的获
取主要是在ＧｅｎｅｒａｌＩｎｑｕｉｒｅｒ和ＷｏｒｄＮｅｔ的基础上进行的研究；而中文词语情感倾向信息的获取依据主要有ＨｏｗＮｅｔ，但是还处在研究阶段
［１５］
。（ｂ）基于人工标注语料库的学习方法。
ｂ）对于文档的分类。Ｔｕｒｎｅｙ等人
［１６］
最早提出将点互信息
（ｐｏｉｎｔｗｉｓｅｍｕｔｕａｌｉｎｆｏｒｍａｔｉｏｎ）与信息检索方法（ｉｎｆｏｒｍａｔｉｏｎｒｅ唱ｔｒｉｅｖａｌ息，得到汽车评论的准确率是）相结合，借助搜索引擎的后台数据库获得语义倾向信８４％，电影评论的准确率是６６％。其可靠性已经在英文客户情感分类的研究中得到了初
步的验证。
由于语言结构的差别，现有的面向英文客户评论情感分析的语义方法无法直接用于中文客户评论。Ｙｅ等人
［１７］
探索了
中文环境下对于文档的情感分析理论与方法，在ＰＭＩ唱ＩＲ方法的基础上，初步建立了中文语义倾向情感分析方法，获得了接近英文同类研究的分析结果，显示出该方法在中文情感分析上的应用前景。但是利用非监督型的语义方法来判断中文词语的情感分类还没有成熟的方法，只有考虑应用机器学习的方法来判断基于词和短语组成产品特征的情感分析。
２ 方法
本文提出了利用基于关联规则的产品特征挖掘方法结合情感分析技术的方法来完整实现中文网络客户评论的产品特征挖掘任务。２畅１ 图方法步骤
１为本文所提出的挖掘评论综合信息算法流程。
具体方法如下ａ）应用中文分析工具对评论语料进行分词和词性标注：包括中文名词短语。
，的情感倾向ｂ）根据产品类别训练分类模型，这里分类采用ＬｉｎｇＰｉｐｅ，以句子为单位判断句子
自然语言分析工具［１８］
。
利用实验语料进行训练，然后利用情感分类工具将所有评论语
?３０１８?
计算机应用研究 第２７卷
句判断情感倾向ｃ）利用词性标注后的评论语料创建关联规则事务文件，存入用户观点数据库。
。
产品特征集合ｄ）基于关联规则的ＩＡｐｒｉｏｒｉ算法，找到频繁项集作为候选０。征集ｅＩ）将候选产品特征集Ｉ０按照邻近规则剪枝，成为候选特１。
在中文评论中，假设ｆ是频繁规则项集，并且ｆ包含ｎ个名
词（或名词短语），假设一个句子ｓ包含ｆ，而且在ｆ中的词（或名词短语）出现在ｓ中的顺序为ｗ１，ｗ２，…，ｗｎ。假设ｓ中任何两个相连的名词（或名词短语）ｗｉ和ｗｉ＋１的距离不超过三个词（根据中文分词的结果），则可以说ｆ在ｓ中是邻近的。
在这一步骤中，遍历二维和三维频繁项ｆ，如果ｆ出现在评论数据库的ｍ个句子中，而且至少在两个句子中是邻近的，那么可以称ｆ是一个邻近的特征名词短语，加入到候选项集合Ｉ１中。
形成候选特征集ｆ）将候选产品特征集ＩＩ１按照独立支持度规则进行修正，２。
在中文评论中名词或者基本名词短语ｆｓｕｐｐｏｒｔ）是包含ｆｔｒ的独立支持度（ｐ唱
ｔｒ的，而且句子中不包ｆｔｒ的父集作为频繁特征项的句子数量ｇ）建立常见中文频繁项名词却非产品特征的集合。本研究中独立支持度采用３。
ＩＩ，将Ｉ２
过滤形成特征集合３；从３中去掉单字名词的候选项，包括含单字名词的ｎ项频繁项（ｎ≤３），形成最后的产品特征集合Ｉ。句子，ｈ里面包含的正面句子数量和负面句子数量）提取出句子的情感倾向）在用户观点数据库中查找所挖掘到的产品特征所在的ｉ依据每一个产品特征出现的频率按照降序排列。
。
，并总结表１为本文所提出来的属性及其情感倾向挖掘方法与其他两个文献所提出的方法对比。相对面向中文评论的Ｓｈｉ等人的研究，本文方法不用建立产品属性的概念模型，对于产品特征的挖掘更为通用，鲁棒性强。
表１ 本文研究方法与其他两个研究方法对比
项 目本文方法Ｈｕ等人方法［２］
语言中文英文Ｓｈｉ等人方法［８］
中文用ｎ唱ｇｒａｍ特征表
形容词
副词，形容词，动观点词类型示，不用考虑观词
点词类型观点类型 正面，负面 正面，负面正面，负面，中性使用关联规则挖使用关联规则挖
人工建立概念模属性词集合
掘方法，以及人掘方法，以及人型工过滤技术工过滤技术粒度 句子 句子 短语处理所有句子，选择
然后提取含产品包含产品属性的包含观点词的句属性的句子句子
子
首先确定产品属首先确定产品属找到情感强烈的性；同时判断句性；然后判断属词语和相关产品子的情感倾向；性的情感倾向；属性；找到普遍的在句子中如果包只有包含属性的情感倾向；找到的步骤
含产品属性，将词语才判断情感属性和观点建立其情感倾向赋予倾向
关系；没有属性，产品属性；产品可以使用普遍情属性和句子的情感倾向代替
感倾向都有保存
２畅２ 评估方法分析
Ｈｕ等人的研究中同时采用了三个指标对于结合了情感分析的评论产品特征信息挖掘性能评价：ａ）特征提取的效果；
，
ｂ）主观句提取的效果这种英文挖掘方法中判断产品属性的情感倾向是利用属性
；ｃ）句子情感倾向的判断准确率。
所在句子的形容词，然后根据英文词网进行的。然而对于中文文本，针对产品属性或者句子的细粒度情感分析前面已经讨论过，没有成熟的非监督型方法，所以本文采用对于句子的监督型分类方法。本文研究对于系统的性能评价参考了Ｈｕ的评价方式，但是采用了更适合监督型情感分析方法的两个指标感分析列联表的基础上ａ）细粒度情感分析的性能评估，建立以句子为单位的性能评估列联表。在以文本分类为基础的情
：
（表２）；评价指标的计算根据式（１）～（５），其中参数ｐ和ｎ分别
代表函数值针对正面情感句子和负面情感句子。
查准率（ｐｒｅｃｉｓｉｏｎ）（ｐ）＝Ａ／（Ａ＋Ｂ）（１）查全率（ｒｅｃａｌｌ）（ｐ）＝Ａ／（Ａ＋Ｃ）（２）查准率（ｐｒｅｃｉｓｉｏｎ）（ｎ）＝Ｄ／（Ｃ＋Ｄ）（３）查全率（ｒｅｃａｌｌ）（ｎ）＝Ｄ／（Ｂ＋Ｄ）（４）准确率（ａｃｃｕｒａｃｙ）＝（Ａ＋Ｄ）／（Ａ＋Ｂ＋Ｃ＋Ｄ）
（５）
对于属性词语进行二维分类ｂ）对于产品属性判断的性能，即真实属性还是非真实属性。对于产品属性的挖掘相当于
，所以也采用二维列联表（表３），指标的计算形式与式（１）（２）一致。
表２ 句子情感分析性能评价的列联表
评论句子
实际正面评论句子
实际负面评论句子
方法预测的正面评论句子ＡＢ方法预测的负面评论句子
Ｃ
Ｄ
表３ 产品属性评估方法性能的列联表
产品属性数
真正产品属性数
非真正产品属性数
本文方法挖掘出的产品属性数ＡＢ本文方法没有挖掘出的产品属性数
Ｃ
Ｄ
３ 实验验证及评价
３畅１ 本研究针对一种典型数码产品评论进行实验研究语料数据
：手机，这类评论属性突出，在电子商务领域应用比较广泛。
手机数据采用了Ｍｏｔｏ１２００，从ｉｔ１６８（ｗｗｗ．ｉｔ１６８．ｃｏｍ）网站下载１００篇评论，对于产品特征挖掘实验的参照属性采用人工标注的方法：对这些评论中所提到的该商品属性进行识别和标注，根据最小—最大覆盖原则建立一个最小的属性集合，使这个集合可以覆盖所有这１００个评论中提到的该商品的属性。对于情感分析的语料随机选取１００个句子作为训练集合，５０个句子作为测试集合。３畅２ １）实验结果
手机评论的产品特征挖掘结果 依据关注程度排名前
１０位的产品属性挖掘结果如表４所示。
表４ 手机评论所挖掘出来的属性（按关注程度排序）
排名属性名称正面句子数负面句子数句子总数
正面句子比率／％
１摩托罗拉１５４１９７９２诺基亚３９１２２５３摄像头８３１１７３４智能手机６４１０６０５收音机４４８５０６牙耳机３５８３８７扬声器３５８３８８文件夹８０８１００９联系人５２７７１１０
数据线
３
３
６
５０
第８期李 实，等：挖掘中文网络客户评论的产品特征及情感倾向?３０ １９?
表５即为手机评论的产品特征挖掘结果列联表。通过表中的数据可以计算出挖掘性能达到查全率为８１．８％，平均查准率为６２．８％。
表５ 手机ＭＯＴＯ１２００评论挖掘性能的列联表
产品属性数
真正产品属性数
非真正产品属性数
本文方法挖掘出的产品属性数２７１６本文方法没有挖掘出的产品属性数
２
Ｄ
２）手机评论的情感分析实验结果 由于实验采用基于ＳＶＭ训练集合为监督型算法１００个句子，培训集合的大小直接关系到分析准确性，测试集合为５０个句子时的性能，实验。结果列联表如表６所示。结果正面评论句子的查全率为７０％，查准率为８３％；负面评论句子的查全率为８６％，查准率为７４％；总体准确率为７８％。
表６ 手机ＭＯＴＯ１２００评论情感分析结果
评论句子
实际正面评论句子
实际负面评论句子
方法预测的正面评论句子３５７方法预测的负面评论句子
１５
４３
３）本研究挖掘结果与其他研究结果的比较 表７是针对手机这一类产品评论，本文所提出的方法与其他两个研究的产品特征实验结果比较。为了综合评价结果，利用了Ｆ唱ｓｃｏｒｅ值：
Ｆ唱ｓｃｏｒｅ＝（２×ｒｅｃａｌｌ×ｐｒｅｃｉｓｉｏｎ）／（ｒｅｃａｌｌ＋ｐｒｅｃｉｓｉｏｎ）（６）
表７ 针对手机类产品评论相关研究产品特征挖掘结果比较 ／％
性能指标本文实验结果
Ｈｕ等人［２］实验结果
Ｓｈｉ等人［８］实验结果
查全率８１．８７６．１６８．３５查准率６２．８７１．８７０．７２Ｆ唱ｓｃｏｒｅ
７１．０５
７３．８９
６９．５１
Ｈｕ等人的研究对象集合是英文评论，通过比较结果可以看到本研究的产品特征性能已经接近针对英文的同类研究，具有一定的有效性。对于Ｓｈｉ等人的中文评论挖掘结果，列出的是他们面向句子的实验结果，同样是针对手机这一产品挖掘结果可以看出，本研究在产品特征挖掘部分查全率优于他们的结果，综合挖掘性能比较好。
对于手机类评论句子的情感分析的预测结果，本实验结果为７８％，比较接近Ｈｕ等人的综合准确率７６畅４％。Ｓｈｉ等人的手机评论情感分析查全率和查准率分别为５９．７１％和６１．７９％。本实验中情感分析的实验结果分别考虑了面向正面句子和负面句子的两种情况，无论是根据哪种情况的指标显示本文结果都比较好。
总之，从实验结果来看不管是情感分析部分还是产品特征挖掘部分，方法的有效性都可以得到验证。
４ 结束语
本文的研究将中文网络客户评论中的产品特征挖掘方法结合情感分析技术，提出了可以从大量的网络客户评论中总结基于产品特征的信息，该信息包括对于产品特征的评论句子数量，正面意见的数量、负面意见的数量，正面意见所占比例，并按照产品特征所受到的关注程度排名。使用这种方法进行的评论挖掘实验表现出良好的性能，为生厂商和制造商以及客户提供了一种实用的决策工具。参考文献：
［１］ＰＯＰＥＳＣＵＡＭ，ＹＡＴＥＳＡ，ＥＴＺＩＯＮＩＱ．Ｃｌａｓｓｅｘｔｒａｃｔｉｏｎｆｒｏｍｔｈｅ
ＷｏｒｌｄＥｘｔｒａｃｔｉｏｎＷｉｄｅａｎｄＷｅｂＭｉｎｉｎｇ［Ｃ］／／ＰｒｏｃｏｆＡＡＡＩ唱０４ＷｏｒｋｓｈｏｐｏｎＡｄａｐｔｉｖｅＴｅｘｔｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅｑｉｎｇ，ＬＩＵ，２００４：．ＳａｎＢｉｎｇ．１唱ＪｏｓｅＭｉｎｉｎｇ６．
，ＣＡ：ＡｍｅｒｉｃａｎＡｓｓｏｃｉａｔｉｏｎｆｏｒＡｒｔｉ唱
［２］ＨＵＭｉｎｇ唱ａｎｄｓｕｍｍａｒｉｚｉｎｇｃｕｓｔｏｍｅｒｒｅｖｉｅｗｓ
［Ｃ］／／Ｐｒｏｃｏｆｔｈｅ１０ｔｈＡＣＭＳＩＧＫＤＤＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＫｎｏｗｌｅｄｇｅ２００４：１６８唱１７７．
ＤｉｓｃｏｖｅｒｙａｎｄＤａｔａＭｉｎｉｎｇ．ＮｅｗＹｏｒｋ：ＡＣＭＰｒｅｓｓ，
［３］ＬＩＵＢｉｎｇ，ＨＵＭｉｎｇ唱ｑｉｎｇ，ＣＨＥＮＧＪｕｎ唱ｓｈｅｎｇ．Ｏｐｉｎｉｏｎｏｂｓｅｒｖｅｒ：ａｎ唱
ａｌｙｚｉｎｇｔｅｒｎａｔｉｏｎａｌａｎｄＣｏｎｆｅｒｅｎｃｅｃｏｍｐａｒｉｎｇｏｐｉｎｉｏｎｓｏｎＷｏｒｌｄｏｎＷｉｄｅｔｈｅＷｅｂＷｅｂ［．ＣＮｅｗ］／／ＰｒｏｃＹｏｒｋｏｆ：ＡＣＭｔｈｅ１４ＰｒｅｓｓｔｈＩｎ，
唱２００５：３４２唱３５１．
［４］ＫＯＢＡＹＡＳＨＩＮ，ＩＮＵＩＫ，ＭＡＴＳＵＭＯＴＯＹ，ｅｔａｌ．Ｃｏｌｌｅｃｔｉｎｇｅｖａｌｕａ唱
ｔｉｏｎａｌｔｉｖｅｅｘｐｒｅｓｓｉｏｎｓｆｏｒｏｐｉｎｉｏｎｅｘｔｒａｃｔｉｏｎ［Ｃ］／／Ｐｒｏｃｏｆｔｈｅ１ｓｔＩｎｔｅｒｎａ唱
ＳｐｒｉｎｇｅｒＪｏｉｎｔ，２００５：Ｃｏｎｆｅｒｅｎｃｅ５９６唱６０５．
ｏｎＮａｔｕｒａｌＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇ．Ｂｅｒｌｉｎ：［５］
ＰＯＰＥＳＣＵＡＭ，ＥＴＺＩＯＮＩＱ．Ｅｘｔｒａｃｔｉｎｇｐｒｏｄｕｃｔｆｅａｔｕｒｅｓａｎｄｏｐｉ唱
［６］姚天ｓｏｃｉａｔｉｏｎｎｉｏｎｓｆｒｏｍ昉，ｆｏｒｒｅｖｉｅｗｓ程希文Ｃｏｍｐａｔａｔｉｏｎａｌ［Ｃ］／／Ｐｒｏｃ，徐飞玉，ＬｉｎｇｕｉｓｔｉｃｓｏｆＨＬＴ唱等．文本意见挖掘综述，２００５：ＥＭＮＬＰ３３９唱．Ｍｏｒｒｉｓｔｏｗｎ３４６．
，ＮＪ：Ａｓ唱
［Ｊ］．中文信息
学报，２００８，２２（３）：７１唱８０．
［７］ＬＩＵＪｉａｎ，ＷＵＧｅｎｇ唱ｆｅｎｇ，ＹＡＯＪｉａｎ唱ｘｉｎ．Ｏｐｉｎｉｏｎｓｅａｒｃｈｉｎｇｉｎｍｕｌｔｉ唱
ｏｎｐｒｏｄｕｃｔｒｅｖｉｅｗｓ［Ｃ］／／Ｐｒｏｃｏｆｔｈｅ６ｔｈＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ
ＣｏｍｐｕｔｅｒＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙａｎｄ，２００６：２５唱Ｉｎｆｏｒｍａｔｉｏｎ３０．
Ｔｅｃｈｎｏｌｏｇｙ．ＷａｓｈｉｎｇｔｏｎＤＣ：ＩＥＥＥ［８］ＳＨＩＢｉｎ，ＣＨＡＮＧＫｕｉ唱ｙｕ．ＭｉｎｉｎｇＣｈｉｎｅｓｅｒｅｖｉｅｗｓ［Ｃ］／／Ｐｒｏｃｏｆｔｈｅ
６ｔｈＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＤａｔａＭｉｎｉｎｇ．ＷａｓｈｉｎｇｔｏｎＤＣ：［９］ＩＥＥＥ徐伟青Ｃｏｍｐｕｔｅｒ，黄孝俊Ｓｏｃｉｅｔｙ．口碑传播的影响力要素及其对营销创新的启示
，２００６：５８５唱５８９．
［Ｊ］．外国经济与管理，２００４，２６（６）：２６唱３０．
［１０］ＬＩＴＶＩＮＳＷ，ＧＯＬＤＳＭＩＴＨＲＥ，ＰＡＮＢｉｎｇ．Ｅｌｅｃｔｒｏｎｉｃｗｏｒｄ唱ｏｆ唱
ａｇｅｍｅｎｔｍｏｕｔｈｉｎ，２００８，ｈｏｓｐｉｔａｌｉｔｙ２９（３）ａｎｄ：４５８唱ｔｏｕｒｉｓｍ４６８．
ｍａｎａｇｅｍｅｎｔ［Ｊ］．ＴｏｕｒｉｓｍＭａｎ唱
［１１］李实，叶强，李一军，等．挖掘中文网络客户评论中的产品特征方
法研究［Ｊ］．管理科学学报，２００９，１２（２）：１４２唱１５２．
［１２］ＰＡＮＧＢＯ，ＬＥＥＬ，ＶＡＩＴＨＹＡＮＡＴＨＡＮＳ．Ｔｈｕｍｂｓｕｐ？ｓｅｎｔｉｍｅｎｔ
ｅｎｃｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｎＥｍｐｉｒｉｃａｌｕｓｉｎｇＭｅｔｈｏｄｓｍａｃｈｉｎｅｉｎｌｅａｒｎｉｎｇｔｅｃｈｎｉｑｕｅｓ［Ｃ］／／ＰｒｏｃｏｆＣｏｎｆｅｒ唱
ｔｏｗｎ，ＮＪ：ＡｓｓｕｃｉａｔｉｏｎｆｏｒＣｏｍｐｕｔａｔｉｏｎａｌＮａｔｕｒａｌＬａｎｇｕａｇｅＬｉｎｇｕｉｓｔｉｃｓＰｒｏｃｅｓｓｉｎｇ，２００２：７９唱．Ｍｏｒｒｉｓ８６．唱［１３］唐慧丰，谭松波，程学旗．基于监督学习的中文情感分类技术比
较研究［Ｊ］．中文信息学报，２００７，２１（６）：５５唱９４．
［１４］ＴＡＮＧＨｕｉ唱ｆｅｎｇ，ＴＡＮＳｏｎｇ唱ｂｏ，ＣＨＥＮＧＸｕｅ唱ｑｉ．Ａｓｕｒｖｅｙｏｎｓｅｎｔｉ唱
ｍｅｎｔ２００９，ｄｅｔｅｃｔｉｏｎ３６（７）：１０７６０唱ｏｆｒｅｖｉｅｗｓ１０７７３．
［Ｊ］．ＥｘｐｅｒｔＳｙｓｔｅｍｓｗｉｔｈＡｐｐｌｉｃａｔｉｏｎｓ，［１５］朱嫣岚，闵锦，周雅倩，等．基于ＨｏｗＮｅｔ的词汇语义倾向计算
［Ｊ］．中文信息学报，２００６，２０（１）：１４唱２０．
［１６］ＴＵＲＮＥＹＰＤ，ＬＩＴＴＭＡＮＭＬ．Ｍｅａｓｕｒｉｎｇｐｒａｉｓｅａｎｄｃｒｉｔｉｃｉｓｍ：ｉｎ唱
ｆｅｒｅｎｃｅＩｎｆｏｒｍａｔｉｏｎｏｆｓｅｍａｎｔｉｃＳｙｓｔｅｍｓｏｒｉｅｎｔａｔｉｏｎ，２００３，２１ｆｒｏｍ（４）ａｓｓｏｃｉａｔｉｏｎ：３１５唱３４６
［Ｊ］．ＡＣＭＴｒａｎｓｏｎ［１７］ＹＥＱｉａｎｇ，ＳＨＩＷｅｎ，ＬＩＹｉ唱ｊｕｎ．Ｓｅｎｔｉｍｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｆｏｒｍｏｖｉｅ
ｒｅｖｉｅｗｓｏｆｔｈｅ３９ｉｎｔｈＣｈｉｎｅｓｅＡｎｎｕａｌｂｙＨａｗａｉｉｐｒｏｖｅｄＩｎｔｅｒｎａｔｉｏｎａｌｓｅｍａｎｔｉｃｏｒｉｅｎｔｅｄＣｏｎｆｅｒｅｎｃｅａｐｐｒｏａｃｈｏｎＳｙｓｔｅｍ［Ｃ］／Ｓｃｉｅｎ／Ｐｒｏｃｃｅｓｉ，２００６．ＷａｓｈｉｎｇｔｏｎＤＣ：ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙ，２００６：１唱５．唱
［１８］ＢＡＬＤＷＩＮＢ，ＣＡＲＰＥＮＴＥＲＢ．ＬｉｎｇＰｉｐｅ［ＥＢ／ＯＬ］．（２００７）
［２００７唱０６唱２０］．ｈｔｔｐ：／／ｗｗｗ．ａｌｉａｓ唱ｉ．ｃｏｍ／ｌｉｎｇｐｉｐｅ／．