面向产品评论的意见挖掘研究综述_李俊

面向产品评论的意见挖掘研究综述李俊（四川大学计算机学院，成都610065）关键词：产品评论；意见挖掘；情感分析；信息抽取收稿日期：2013-01-29修稿日期：2013-03-01作者简介：李俊（1987-），男，广西贺州人，硕士研究生，研究方向为数据挖掘与自然语言学近年来，随着电子商务的快速发展，面向产品评论的意见挖掘研究受到国内外学者的广泛关注，成为学术界的研究热点之一。

对产品评论进行意见挖掘，不仅能为用户购物提供决策支持，还可以帮助生产商对产品和服务进行改进，具有重要的研究意义。

对面向产品评论的意见挖掘的研究现状进行归纳和总结。

首先将该问题分为3个子任务：意见信息抽取、情感分析，意见归纳。

然后基于国内外的研究进展对它们进行详细的介绍和分析，并讨论该领域其他一些值得关注的问题。

摘要：文章编号：1007-1423（2013）07-0011-06DOI ：10.3969/j.issn.1007-1423.2013.07.0030引言近年来，随着以用户为中心的Web2.0技术的快速发展和应用的不断扩展，人们可以通过微博、博客、论坛、电子商务网站等多种途径发表自己的对于某件产品或服务的意见或观点，这些评论信息中包含了用户对产品或服务的描述、评价和态度，具有重要的价值。

通过浏览这些评论，消费者在购买产品之前可以从购买过该产品的用户那里了解到该产品的性能和质量，还可以对同类产品进行对比，从而决定是否购买该产品。

同时，生产商通过消费者对目前产品的评价，可以了解到自己产品的优势和不足，把握用户的需求，从而不断地改进产品，改善服务。

由于网络上的产品评论数量呈爆炸式增长，通过人工的方式去阅读、分析和处理这些评论信息是一件非常耗时的任务。

因此，迫切的需要提供一种有效的方法，自动或半自动地从大量非结构化的产品评论中挖掘出有价值的信息。

在这一背景下，面向产品评论的意见挖掘的研究应运而生。

1问题定义意见挖掘，又称为情感分析，是指对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程[1]，而针对产品评论的意见挖掘一直是意见挖掘领域的热点。

文献[2]认为，意见是意见持有者针对某个实体或实体某个方面的正面或者负面的观点、态度、情感或者评价，其中意见的表达对象可以是任何事物，例如产品、服务、事件、主题等，意见的持有者可以是个人或组织。

在本章中，我们将利用来自 的一段关于笔记本电脑的评论来进一步阐述意见挖掘这个问题。

“（1）十一月底打特价买的这个本。

（2）开箱封条是完整的，货运保护措施也很到位。

（3）可是本本后面几颗螺丝有非常明显的划痕，还有屏幕上有几条划痕。

（4）就这台电脑本身来说，这样的配置目前3199的价格应该是挺难得了。

”其中，句子（1）是客观性文本。

句子（2）、（4）表达了正面的意见，而句子（3）表达了负面的意见。

更深入一些，我们注意到所有的评价意见都有一个关联评价对象。

句子（2）的评价对象是“封条”和“货运保护措施”，且隐含表达了对“产品包装”的正面评价，句子（3）的评价对象是“螺丝”和“屏幕”。

句子（4）的评价对象是“配置”。

这些观点和意见的持有者是该产品的购买者。

针对以上信息，我们可以更正式地提出意见挖掘的任务：●任务1：意见信息抽取。

指提取评论文本中的评价对象、评价词、评价者等意见组成要素，旨在将自然文本转化成结构化文本。

●任务2：情感分类。

判断文本的主客观性，或者判断文本的情感极性（褒义、贬义、中性）。

●任务3：意见摘要。

在意见信息抽取和情感分类结果的基础上，进一步加工处理，生成一个对实体的评价归总。

国内外学者对该课题进行了广泛而深入的研究[3~4]。

本文在接下来的部分将详细阐述意见挖掘的3个主要研究任务，主要介绍关于产品评论的意见挖掘研究的主流方法和前沿进展。

2意见信息抽取(Opinion Extraction)意见信息抽取是意见挖掘中最基础的任务，旨在按照预定的意见要素，从文本中抽取组成意见单元的信息。

接下来我们将主要介绍意见要素中评价对象和评价词抽取研究。

2.1评价对象的抽取评价对象(Opinion Targets)指评论中讨论的主题，在产品评论中，评价对象是指用户评论的产品或者产品的某一属性/特征。

针对产品特征的抽取，在较早的研究中，Kobayashi 等[5]针对游戏和汽车产品，使用人工定义的特征种子集，评价词种子集，利用特征和评价词的共现模式来获取产品特征。

人工定义的方法虽然能精确地抽取出评论中的产品特征，但召回率较低，且需要领域知识和大量人工工作，不利于领域切换。

而大部分工作利用词性标注或句法分析等技术对评论进行预处理，然后基于词性规则、句法规则来抽取出名词或名词短语集，最后对其做剪枝处理后得到产品特征。

例如，Hu等[6]首先对评论语料进行词性标注，利用句法分析技术提取出名词和名词短语作为候选特征，然后使用关联规则挖掘算法提取出频繁特征集作为产品特征。

Popescu等[7]应用Konwitall[8]系统，利用候选特征的与领域指示词的点互信息值(PMI)来筛选产品特征。

Zhao等[9]利用产品特征表达句法结构的相似性，以启发式的方法来获取产品特征。

此类方法的缺点在于依赖名词短语识别技术的准确性，不利于跨领域或跨语言的应用。

由于评价对象可认为蕴含于评论语料中某个特定的主题，近年来，许多学者将主题模型[10]应用到意见挖掘领域。

文献[11]使用多粒度的LDA模型获取产品特征，并将相似的产品特征进行聚类到同一主题。

研究者[12]将评论中每一个句子属于一个主题和一种情感，基于LDA模型提出SLDA模型来获取产品特征。

实验证明，此类方法在产品特征抽取中能够取得一定的效果，但是此方法需要预先定义主题的个数，且目前还没有实验将这类方法与传统的基于名词和名词短语的方法进行对比。

2.2评价词抽取评价词(Opinion/Opinion-Bearing Words)，也常被称为情感词(Sentiment Words)，指评价者对评价对象表达自己的观点时所使用的词汇。

许多情感分类的工作都基于评价词的识别，评价词抽取在意见挖掘研究中具有重要意义。

在产品评论的挖掘研究中，常利用评价词和评价对象的关系来抽取评价词。

Hu等[6]认为评价词应该于产品特征邻近，因此将与产品特征邻近的形容词作为评价词进行抽取，并利用抽取出的评价词来获取低频产品特征。

Popescu等[7]通过分析产品特征和评价词的同现规律，人工定义了利用产品特征抽取评价词的语法规则。

Qiu等[13]利用依存分析技术发现评价词和评价对象的关系模式，然后提出一种双向传播算法来获取评价词和评价对象。

在文献[11]中，作者基于LDA的原理，提出了主题-情感(Aspect-Sentiment)联合模型，用以获取评价词和产品特征对。

3情感分类(Sentiment Classification)情感分类主要包括两类任务：（1）主客观分类，即判断句子是主观的还是客观的。

（2）情感倾向性分类，即判断给定的主观性文本或文本片段(句子、短语，词语等)的情感极性（例如褒义、贬义、中性或其他更细粒度的极性划分）。

3.1主客观分类Pang和Lee的研究[14]表明，使用有监督的分类器对文本进行情感分类时，过滤掉文本中的非主观信息能够有效地提高分类效果。

主观性识别研究主要集中在句子级别。

有研究者[15~16]利用文本中是否具有情感词来判断句子是否具有主观性，Pang和Lee[14]采用基于图的最小切割的方法来识别句子的主客观性，而Wiebe等人[17]提出使用朴素贝叶斯分类器来进行句子的主客观分类。

在近期的工作中，Wang和Fu[18]通过计算情感密度子区间作为特征，训练朴素贝叶斯分类器来对中文文本进行主客观分类，而Jiang等人[19]则提出使用目标独立(Target-In-dependent Features)和目标依赖的特征来训练一个支持向量机(SVM)分类器进行句子的主客观分类。

Wang和Liu[20]提出一种无监督的学习方法，首先利用已有的主观性词典知识将未标注的数据构造成一个初始训练集，然后使用EM算法迭代地训练一个朴素贝叶斯分类器，逐渐地优化分类器参数，以达到最佳的分类效果。

3.2倾向性分类在文本倾向性分类研究中，早期的工作主要基于极性词典，用待分类文本中含有的极性词的褒贬性来计算文本的情感倾向性，代表性的工作有文献[15]。

这类方法因为极性词典的不全面，无法取得较好的效果，且受限于词典的领域性，不利于领域切换。

在基于传统文本分类技术的研究中，首先将文本表示成向量空间模型，然后使用机器学习的方法对判断文本的情感倾向性。

Pang和Lee[21]首先将机器学习的方法应用在倾向性分类中，他们使用N-gram作为特征，对比了NB、最大熵(ME)、SVM三种分类器，发现使用Unigram作为特征能够在取得更好的效果。

不过，Cui 等人[22]的研究表明，Unigram在训练语料较小时确实能取得不错的效果，但是随着训练语料的增加，N-gram (n>3)的作用更大。

有监督的学习方法需要大量训练数据，人工标注工作量巨大。

针对这个问题，一些研究者[23~24]利用文本中包含的常见情感信息词或短语作为文本的情感指示器，自动地对部分语料进行标注，获得一个初始训练集，然后迭代地进行以下两步直到分类器的性能稳定：（1）训练分类器。

（2）用分类器对文本分类，并将符合预定义条件的文本加入到训练集中。

由于不同的领域具有不同的情感词汇分布，如果将在一个领域训练好的分类器应用到其他领域，效果将会很差。

针对领域迁移的问题，Bollegala等人[25]借助不同领域中表达相似情感的词语间的联系，自动地从多个领域的语料中构建了一个情感敏感的词典用于跨领域的情感分类。

Gao等人[26]基于PLSA模型，提出了一种跨领域主题索引(Cross-Domain Topic Indexing)的方法，该方法利用领域间词语的共现和对应关系的先验知识找出不同领域中文档的共同语义空间。

4意见摘要(Opinion Summarization)用户在浏览某一个产品的评论的时候，通常参考其他用户的评论，然而浏览所有的评论又太过于耗时耗力，可见提供某种形式的意见摘要具有一定应用价值。

在产品评论挖掘研究中，意见摘要的主要处理对象为某个或某类产品的用户评论，它主要侧重于提取具有情感倾向性的主观信息，并对这些信息进行归纳。

意见摘要一种常见的形式是基于产品特征的意见摘要[7，27~28]。

文献[27]以对某种数码相机的评论进行归纳举例，提出了如图1所示的意见摘要形式，图中从拍照质量和大小等方面汇总了正面和负面的评价。

图1基于特征的意见摘要基于产品特征的意见摘要主要包括3个步骤：（1）抽取用户评论中的产品特征和描述该产品特征的主观句。