基于语义约束LDA的商品特征和情感词提取

来源：软件学报杂志2017年第3期北京时间：

作者：彭云,万常选,江腾蛟,刘德喜,刘喜平,廖国琼

单位：彭云，江西财经大学 信息管理学院, 江西 南昌 330013;江西师范大学 计算机信息工程学院, 江西 南昌 330022;数据与知识工程江西省高校重点实验室(江西财经大学), 江西 南昌 33001311,万常选，江西财经大学 信息管理学院, 江西 南昌 330013;数据与知识工程江西省高校重点实验室(江西财经大学), 江西 南昌 33001302,江腾蛟，江西财经大学 信息管理学院, 江西 南昌 330013;数据与知识工程江西省高校重点实验室(江西财经大学), 江西 南昌 33001303,刘德喜，江西财经大学 信息管理学院, 江西 南昌 330013;数据与知识工程江西省高校重点实验室(江西财经大学), 江西 南昌 33001304,刘喜平，江西财经大学 信息管理学院, 江西 南昌 330013;数据与知识工程江西省高校重点实验室(江西财经大学), 江西 南昌 33001305,廖国琼，江西财经大学 信息管理学院, 江西 南昌 330013;数据与知识工程江西省高校重点实验室(江西财经大学), 江西 南昌 33001306

摘要：随着网络购物的发展，Web上产生了大量的商品评论文本数据，其中蕴含着丰富的评价知识.如何从这些海量评论文本中有效地提取商品特征和情感词，进而获取特征级别的情感倾向，是进行商品评论细粒度情感分析的关键.根据中文商品评论文本的特点，从句法分析、词义理解和语境相关等多角度获取词语间的语义关系，然后将其作为约束知识嵌入到主题模型，提出语义关系约束的主题模型SRC-LDA（semantic relation constrained LDA），用来实现语义指导下LDA的细粒度主题词提取.由于SRC-LDA改善了标准LDA对于主题词的语义理解和识别能力，从而提高了相同主题下主题词分配的关联度和不同主题下主题词分配的区分度，可以更多地发现细粒度特征词、情感词及其之间的语义关联性.实验结果表明，SRC-LDA对于细粒度特征和情感词的发现和提取具有较好的效果.

关键词：LDA模型;语义约束;商品特征;情感词

基金资助：国家自然科学基金（61562032，61662032，61662027，61173146，61363039，61363010，61462037，61562031）；江西省自然科学基金重大项目（20152ACB20003）；江西省高等学校科技落地计划（KJLD12022，KJLD14035）