基于未登錄詞識(shí)別的微博評價(jià)短語抽取方法

汪龍慶 張 超 宋 暉* 劉振宇

1(東華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 上海 201600)2(上海計(jì)算機(jī)軟件技術(shù)開發(fā)中心上海市計(jì)算機(jī)軟件評測重點(diǎn)實(shí)驗(yàn)室 上海 201112)

基于未登錄詞識(shí)別的微博評價(jià)短語抽取方法

汪龍慶1張 超1宋 暉1*劉振宇2

1(東華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 上海 201600)2(上海計(jì)算機(jī)軟件技術(shù)開發(fā)中心上海市計(jì)算機(jī)軟件評測重點(diǎn)實(shí)驗(yàn)室 上海 201112)

由于微博內(nèi)容話題分散，識(shí)別博文評論對象是微博情感分析研究的熱點(diǎn)和難點(diǎn)。研究表明未登錄詞識(shí)別是導(dǎo)致評價(jià)短語識(shí)別率低的重要原因之一。針對這種情況，提出一種基于文本詞序列的詞頻、凝聚度、左右自由度等統(tǒng)計(jì)特征學(xué)習(xí)未登錄詞識(shí)別模型的方法。實(shí)驗(yàn)結(jié)果表明，將自動(dòng)識(shí)別的微博文本中的未登錄詞加入基于CRFs的評價(jià)短語識(shí)別算法后，顯著地提高了評價(jià)短語識(shí)別的準(zhǔn)確率和召回率。未登錄詞的學(xué)習(xí)算法直接利用評價(jià)短語識(shí)別的標(biāo)注樣本，具有較強(qiáng)的可行性。

微博 評價(jià)短語 未登錄詞 統(tǒng)計(jì)特征 CRFs

ComputerSoftwareTechnology,Shanghai201112,China)

0 引 言

近年來微博作為一種新的分享和社交平臺(tái)越來越受到人們的關(guān)注，微博平臺(tái)以其時(shí)效性和靈活性經(jīng)常成為新事件和熱點(diǎn)話題的前沿陣地。

人們在微博上發(fā)表對政治、經(jīng)濟(jì)、文化和社會(huì)等各個(gè)方面的觀點(diǎn)和看法，充分利用海量微博數(shù)據(jù)進(jìn)行用戶情感傾向性分析，對政府輿情監(jiān)控、企業(yè)廣告投放、用戶行為預(yù)測和信息決策提供了重要參考。微博不同于電商和新聞等專業(yè)領(lǐng)域網(wǎng)站，用戶發(fā)布的博文目標(biāo)分散、用語隨意，要對微博進(jìn)行情感傾向性分析，評價(jià)短語的識(shí)別變得尤為重要。

評價(jià)短語的識(shí)別是從文本中自動(dòng)抽取出情感表達(dá)所針對的對象，是情感要素傾向性分析的基礎(chǔ)，也是情感傾向性研究的重要任務(wù)之一[1-2]。針對評價(jià)短語的識(shí)別，目前大部分學(xué)者的研究主要是基于句法分析和關(guān)聯(lián)規(guī)則等方法。如倪茂樹等[3]提出一種基于關(guān)聯(lián)規(guī)則和極性分析的商品評論挖掘算法，利用詞與詞之間的關(guān)聯(lián)關(guān)系準(zhǔn)確定位每一個(gè)評價(jià)短語的具體位置。劉鴻宇等[4]則是采用網(wǎng)絡(luò)挖掘的PMI算法和名詞剪枝算法對候選評價(jià)短語進(jìn)行篩選。以上方法評價(jià)短語識(shí)別的準(zhǔn)確性都不高，其中影響抽取評價(jià)短語的重要原因之一是未登錄詞識(shí)別。在大規(guī)模中文文本的自動(dòng)分詞處理中，未登錄詞也是造成分詞錯(cuò)誤的一個(gè)重要原因。因此，提高未登錄詞識(shí)別的準(zhǔn)確性對于評價(jià)短語識(shí)別具有重要作用。

漢語未登錄詞識(shí)別， 現(xiàn)有研究大多采用基于詞語結(jié)構(gòu)信息和基于規(guī)則的方法，也有利用未登錄詞上下文信息， 通過計(jì)算與已知詞類詞語上下文的相似度來進(jìn)行預(yù)測。依據(jù)模型和算法的不同， 歸納為以下3種方法：

1) 基于統(tǒng)計(jì)的方法

基于統(tǒng)計(jì)的方法，又稱為基于語料庫的方法，其主要思想是通過對大規(guī)模語料庫中的語言信息進(jìn)行獲取、學(xué)習(xí)和歸納，再使用統(tǒng)計(jì)方法進(jìn)行建模，最后使用建好的模型進(jìn)行詞性標(biāo)注。 Wang、Chen等通過尋找詞語的詞頻、剛性、“二元語法“統(tǒng)計(jì)模型等統(tǒng)計(jì)特征來進(jìn)行未登錄詞識(shí)別[5-7]。

2) 基于規(guī)則的方法

基于規(guī)則的方法主要是利用語言學(xué)家根據(jù)語言學(xué)原理和知識(shí)人工制定的一系列規(guī)則，在進(jìn)行文本標(biāo)注時(shí)通過匹配規(guī)則庫中的規(guī)則對文本進(jìn)行詞性標(biāo)注。賈自艷等通過單字、多字組合規(guī)則進(jìn)行未登錄詞識(shí)別[7]。王立希等提出了一種基于主題式搜索引擎的專業(yè)詞典庫發(fā)現(xiàn)新專業(yè)詞匯的方法，詳述了如何通過關(guān)聯(lián)規(guī)則挖掘來實(shí)現(xiàn)專業(yè)詞典庫的擴(kuò)展[8]。

3) 基于統(tǒng)計(jì)和規(guī)則相結(jié)合的方法

這類方法即是將以上兩種方法進(jìn)行結(jié)合，從而可以充分利用基于統(tǒng)計(jì)方法和基于規(guī)則方法的優(yōu)勢，使得在詞性標(biāo)注任務(wù)中既充分地發(fā)揮基于統(tǒng)計(jì)方法的優(yōu)勢，又能夠有效地利用語言學(xué)家編撰的語言規(guī)則。周蕾等介紹了一種基于知識(shí)和規(guī)則的混合模型[9]，該方法分為兩個(gè)步驟：首先，對文本進(jìn)行分詞，對分詞結(jié)果中的碎片進(jìn)行全切分生成臨時(shí)詞典，并利用規(guī)則和頻度信息給臨時(shí)詞典中的每個(gè)字串賦權(quán)值，利用貪心算法獲得每個(gè)碎片的最長路徑，從而提取未登錄詞；然后，在上一步驟的基礎(chǔ)上，建立二元模型來提取由若干個(gè)詞組合而成的未登錄詞。

基于規(guī)則的方法具有準(zhǔn)確率高的特點(diǎn)，但規(guī)則的編寫和維護(hù)卻比較復(fù)雜。規(guī)則一般都是與領(lǐng)域相關(guān)的，通用性較差，這就導(dǎo)致基于規(guī)則的方法不易維護(hù)和移植。 基于統(tǒng)計(jì)的方法則具有領(lǐng)域關(guān)聯(lián)性小、使用規(guī)則少、可移植性好、應(yīng)用靈活等特點(diǎn)，但需要大規(guī)模的語料進(jìn)行訓(xùn)練，同時(shí)也存在準(zhǔn)確率不高的問題。正因?yàn)榛谝?guī)則和基于統(tǒng)計(jì)兩種方法各有缺點(diǎn)，現(xiàn)在多采用二者相結(jié)合的方法，以達(dá)到更好的識(shí)別效果。上述方法都依賴于不易得到的輔助工具，而且規(guī)則復(fù)雜，系統(tǒng)實(shí)現(xiàn)困難。針對以上存在的不足，本文提出了一種基于詞頻、凝聚度和左右自由度等統(tǒng)計(jì)特征學(xué)習(xí)未登錄詞識(shí)別模型的算法，然后在基于條件隨機(jī)場的評價(jià)短語識(shí)別算法中引入識(shí)別的新詞來提高微博中各種新出現(xiàn)的評價(jià)短語的識(shí)別性能，最后通過實(shí)驗(yàn)驗(yàn)證了算法的有效性。

1 未登錄詞特征分析

1.1 未登錄詞定義

對于待確定的詞語，在和已有詞庫進(jìn)行比較后，如果已有詞庫不包含該待確定的詞，那么它就被認(rèn)為是未登錄詞UW。

1.2 未登錄詞特征

針對未登錄詞判別問題，本文提出了通過詞頻、停用字、凝聚度和自由度這四個(gè)維度進(jìn)行未登錄詞識(shí)別。

凝聚度標(biāo)示著詞語的成詞能力，假設(shè)詞A出現(xiàn)的概率為P(A)，詞B出現(xiàn)的概率為P(B)，詞A與B同時(shí)出現(xiàn)的概率為P(AB)。若詞A和詞B獨(dú)立，則P(AB)=P(A)P(B);若P(AB)?P(A)P(B)，這說明詞A與詞B并不是完全獨(dú)立，可能存在某種內(nèi)在的聯(lián)系。借助于這種思想，將詞A和B的內(nèi)部結(jié)合的緊密程度表示為 P(AB)/P(A)P(B)，值越大說明詞A和B組成新詞或者成為新詞一部分的概率越大。

錯(cuò)誤的切分方法會(huì)過高地估計(jì)片段的凝合程度。假設(shè)一個(gè)文本片段由ABC三個(gè)字依次組合而成。可能的組合方式就有A+BC和AB+C兩種，故將ABC的凝聚程度表示為P(ABC)/P(A)P(BC)和P(ABC)/P(A B)P(C)中的較小者。

如果一個(gè)文本片段是一個(gè)單獨(dú)的詞，它應(yīng)該能夠反復(fù)地出現(xiàn)在各種不同的上下文中，具有非常豐富的左鄰字集合和右鄰字集合。本文把一個(gè)文本片段的自由運(yùn)用程度定義為它的左自由度和右自由度中的較小值。

“自由度”是指一個(gè)字符串的鄰接集合中鄰接字種類的數(shù)量，自由度越大，表明字符串的邊界集合中字符的種類越多，即與該字符串相鄰的字符越復(fù)雜，那么該字符串成為邊界的可能性就越大，反之亦然。通常用信息熵來衡量邊界自由度大小。信息熵反映了一個(gè)事件的發(fā)生帶來的信息量。

對于已有詞庫不包含的詞語，如果被判定為未登錄詞，首先，該詞語應(yīng)該不包括停用字；其次，詞語間的凝聚度能夠達(dá)到一定數(shù)值；最后，如果詞語能夠被判定為未登錄詞，則其自由度應(yīng)該足夠高，也就是結(jié)合能力較強(qiáng)。

2 未登錄詞識(shí)別模型

2.1 成詞維度定義

一個(gè)文本片段要想成為一個(gè)詞，必須滿足多個(gè)條件。首先，漢語中沒有以“我、你、他”等這樣的代字開頭和結(jié)尾的詞語，在進(jìn)行未登錄詞判別時(shí)可以根據(jù)這樣的規(guī)則進(jìn)行過濾；其次，漢字詞語有一定的統(tǒng)計(jì)規(guī)律，可以結(jié)合這樣的規(guī)律進(jìn)行未登錄詞識(shí)別。最后，再綜合各種特征進(jìn)行未登錄詞的篩選。為了方便理解，定義1-定義4請參見文獻(xiàn)[8]。

1) 停用字過濾

漢語中某些詞性的詞本身并無具體的意義(見表1)，其主要功能是用來幫助造句的，這些詞很少能夠用來組成新詞、新概念，在未登錄詞識(shí)別過程中可以借助這些常見停用字進(jìn)行過濾，減少計(jì)算的復(fù)雜度。

表1 常見停用字列表

2) 詞頻特征

定義1 一個(gè)詞語w在上下文中出現(xiàn)的頻數(shù)被稱為詞頻，記作TF(w)，其定義為：

(1)

3) 自由度

記一個(gè)文本片段seg(i)={wi,…,wj},i

定義2 文本片段seg(i)與左邊字符wi-1自由運(yùn)用程度為該文本片段的左自由度，記為LE(w)，其定義為：

(2)

其中，w表示當(dāng)前文本片段，A為語料庫中位于w左邊的詞的集合，C(a,w)表示語料庫中詞語a與w同時(shí)出現(xiàn)的次數(shù)。

定義3 文本片段seg(i)與右邊字符wj+1自由運(yùn)用程度為該文本片段的右自由度，記為RE(w),其定義為：

(3)

其中，w表示當(dāng)前詞，B為語料庫中位于w右邊的詞的集合，C(a,w)表示語料庫中詞語a與w同時(shí)出現(xiàn)的次數(shù)。

定義4 記當(dāng)前文本片段seg(i)自由度為R(w)，則其可定義為：

R(w)=min{LE(w),RE(w)}

(4)

從左、右自由度的定義可以看出，如果一個(gè)詞的左右自由度都很大，則說明與該詞項(xiàng)左右相鄰的不同詞項(xiàng)個(gè)數(shù)比較多，并且相鄰頻率比較均勻，那么這個(gè)詞與左右相鄰的詞項(xiàng)構(gòu)成新詞的概率就比較低；反之，如果一個(gè)詞項(xiàng)的左右側(cè)上下文自由度中有一個(gè)較小(假設(shè)左側(cè)自由度較小)，則說明該詞左側(cè)相鄰的不同詞項(xiàng)的頻率分布并不均勻，它與左側(cè)頻率相鄰較高的詞搭配成新詞的頻率就較高，因此可以得到當(dāng)前詞自由度的定義。

4) 凝聚度

一個(gè)詞語的內(nèi)部凝聚程度標(biāo)志著這個(gè)詞語的成詞能力，本文將這種內(nèi)部凝聚程度稱為詞語的凝聚度。

定義5 記凝聚度為MI，其定義為：

(5)

歸一化處理：

(6)

(7)

(8)

其中，p(w1,w2)表示w1、w2同時(shí)出現(xiàn)的概率，p(w1)表示w1單獨(dú)出現(xiàn)的概率，p(w2)表示w2單獨(dú)出現(xiàn)的概率。則MI越大表示內(nèi)部凝固程度越高，w1、w2一起成詞的概率越高，構(gòu)詞能力越強(qiáng)。

2.2 模型框架設(shè)計(jì)

首先給出本文圖1所示未登錄詞識(shí)別的主要框架，其主要包括統(tǒng)計(jì)特征提取、標(biāo)注樣本集、模型訓(xùn)練和未登錄詞判別四個(gè)步驟。

圖1 未登錄詞識(shí)別步驟

由于微博數(shù)據(jù)的無規(guī)則性，所以首先需要經(jīng)過數(shù)據(jù)預(yù)處理得到預(yù)處理文本，主要包括無關(guān)字符的濾除和根據(jù)標(biāo)點(diǎn)進(jìn)行短句的切分，經(jīng)過數(shù)據(jù)預(yù)處理后，再進(jìn)行語料的標(biāo)注工作。具體的xml格式標(biāo)注示例如下：

為了得到未登錄詞，首先需要提取出微博所有的n(n=2,3,4)元組，再結(jié)合規(guī)則過濾形成詞列表。具體過程為：對于每一個(gè)子句{w1,w2,…,wi,…,wn}，其中wi表示一個(gè)漢字字符，n表示該子句包含的漢字的個(gè)數(shù)；生成該子句的所有n元組(n=2,3,4)，需要過濾停用字，過濾方法如下：如果待定片段首尾字符均不包含停用字，且不在待選詞列表中，則加入待選詞列表。給定漢字字符wi，首先判斷wi是不是停用字，如果是則直接進(jìn)行下一個(gè)字符wi+1的迭代，否則依次判斷二元組{wiwi+1}、三元組{wiwi+1wi+2}、四元組{wiwi+1wi+2wi+3}的尾字符wi+1、wi+2、wi+3是否是停用字，如果是非停用字且不被包含在待選詞列表則作為待選詞加入。關(guān)于句子“中華名族一定能夠?qū)崿F(xiàn)中國夢”，其n元組篩選過程如表2所示。

表2 詞列表生成示例

經(jīng)過基于單字的候選未登錄詞識(shí)別之后，中華、中國、中國夢被初步篩選為待選未登錄詞，算法1給出了基于單字的候選未登錄詞識(shí)別算法主要過程。

算法1 基于單字的候選未登錄詞識(shí)別算法

輸入：doc、pos、curLen、stopwords

輸出：dic//候選未登錄詞詞典

BEGIN

01 //初始化抽取器,開始位置pos=0

02 selecor = initSelector(doc, 0)

03 //初始化最小、最大字符個(gè)數(shù)

04 minChar=2, maxChar=4

05 //初始化判別器，計(jì)算每一個(gè)字出現(xiàn)的位置

06 judger = initJudger()

07 WHILE(!selector.end())

08 pos++

09 curLen=minChar

10 letter=selector.next()

11 WHILE(curLen <=maxChar)

12 letter=selector.next()

13 //首尾字符是否包含停用字

14 IF(letter∈stopwords ||

15 doc.charAt(pos+count) ∈

16 stopwords)

17 THEN

18 curLen ++

19 continue

20 END IF

21 candidate=subString(doc,pos,count)

22 IF(candidate∈dic) THEN

23 curLen ++

24 continue

25 END IF

26 dic.add(candidate)

27 END WHILE

28 END WHILE

29 //依據(jù)單字上下文依次計(jì)算候選詞4個(gè)統(tǒng)計(jì)特征

30 FOR each C∈dic

31 TF=frequence(judger,C)

32 MI=cohesievness(judger,C)

33 LE=leftEntropy(judger,C)

34 RE=rightEntropy(judger,C)

35 END FOR

2.3 判定算法

經(jīng)過算法1的初步篩選可以得到待選詞列表，本部分通過SVM分類器和神經(jīng)網(wǎng)絡(luò)兩種模型對待選詞列表進(jìn)行訓(xùn)練，選擇準(zhǔn)確率高的一類模型作為未登錄詞判定模型，最后將未登錄詞識(shí)別算法應(yīng)用于所有的微博得到未登錄詞詞典。

1) SVM分類判別

輸入數(shù)據(jù)格式：{ : : : :}

其中，是訓(xùn)練數(shù)據(jù)集的目標(biāo)值，是以1開始的整數(shù)，可以是不連續(xù)的。

0 1∶0.22 2∶0.33 3∶0.15 4∶0.19

1 1∶0.61 2∶0.41 3∶0.74 4∶0.54

0 1∶0.11 2∶0.21 3∶0.15 4∶0.23

……

輸出數(shù)據(jù)格式為：{ }

其中，label1表示標(biāo)注結(jié)果，label2表示預(yù)測結(jié)果

使用SparkMLlib庫，本文實(shí)驗(yàn)流程如以下步驟所示：

Step1 構(gòu)建Spark對象

Step2 讀取樣本數(shù)據(jù)，為LIBSVM格式

Step3 樣本數(shù)據(jù)劃分訓(xùn)練樣本與測試樣本

Step4 新建邏輯回歸模型，并訓(xùn)練

Step5 對測試樣本進(jìn)行測試

Step6 誤差計(jì)算

Step7 保存模型

Step8 加載模型，讀取輸入數(shù)據(jù)預(yù)測未登錄詞

2) ANN判別

同SVM算法，本文也是使用Spark MLlib庫作為ANN(人工神經(jīng)網(wǎng)絡(luò))的基本類庫進(jìn)行訓(xùn)練得到分類模型，再對測試樣本進(jìn)行未登錄詞識(shí)別工作。

輸入數(shù)據(jù)格式：{,,,,}

輸出數(shù)據(jù)格式為：{,,, }

輸出數(shù)據(jù)label1表示標(biāo)注的標(biāo)簽，label2表示神經(jīng)網(wǎng)絡(luò)預(yù)測的標(biāo)簽，right表示label2與label1相同，wrong表示label2與label1不同。

3 評價(jià)短語識(shí)別

條件隨機(jī)場是在2001年由JohnLafferty和AndrewMcCallum提出的一種無向圖模型，在中文分詞、命名實(shí)體識(shí)別(NER)、歧義消解等漢語自然語言處理任務(wù)中都有應(yīng)用，并有著良好的表現(xiàn)。 本文利用條件隨機(jī)場(CRFSuite)可對序列輸入標(biāo)注的特點(diǎn)[12]，將未登錄詞識(shí)別問題轉(zhuǎn)化為轉(zhuǎn)化為待選詞邊界是否為未登錄詞邊界的問題。

3.1 特征描述

1)Word

詞特征，即n-gram特征，本文采取當(dāng)前文本片段及其前后各兩個(gè)漢字分別作為特征，使用StanfordCoreNLP工具進(jìn)行n-gram特征的提取。

2)PoS

詞性標(biāo)注，POS標(biāo)簽提供這個(gè)詞有關(guān)詞性的標(biāo)簽信息，使用FudanNLP工具處理。

3)WordCluster

詞串聚類特征，本文采用word2vec工具分別對當(dāng)前詞及其前后各一個(gè)詞進(jìn)行聚類分析。

4)WordDependency

本文使用FudanNLP進(jìn)行中文依存關(guān)系分析，在依存關(guān)系分析中，有一些關(guān)鍵的關(guān)系可以確定很多的問題，比如主謂關(guān)系，可以比較容易地找到句子的結(jié)構(gòu)。當(dāng)然“的”字結(jié)構(gòu)也會(huì)表征很多歸屬信息，這些信息都可能在接下來的規(guī)則中用到。表3列出了一些關(guān)鍵的依存關(guān)系。

表3 常見依存關(guān)系列表

5)NER

使用FudanNLP中文自然語言處理工具包進(jìn)行命名實(shí)體特征的識(shí)別。

3.2 特征提取算法

本文選取了n-gram、詞性、依存關(guān)系、聚類、命名實(shí)體五類特征，采用了FudanNLP、word2vec等工具包進(jìn)行了特征提取，算法2給出了具體的提取方法。

算法2 評價(jià)短語識(shí)別特征提取算法

輸入：doc//輸入微博文檔集

輸出：featureList

Begin

01 //循環(huán)文檔集中的每一個(gè)句子C

02 FOR each C∈doc

03 //分詞，提取n-gram特征

04 I = segment(C)

05 words = ngram(I)

06 //詞性特征

07 posTags = POSTagger(I, "seg.m","pos.m" )

08 //依存關(guān)系特征

09 stree = JointParser(I, “models/dep.m”)

10 //命名實(shí)體特征

11 ners = NERTagger(I, "seg.m","pos.m")

12 featurelist.add(I,words, posTags, stree, ners)

13 END FOR

14 //學(xué)習(xí)聚類特征

15 learn = word2vec(doc)

16 //保存模型

17 vec = learn.saveModel()

18 //加載模型

19 vec.loadJavaModel()

20 //聚類分析

21 vector = vec.getWordVector()

22 featureList.add(vector)

23 Return featureList

上述算法步驟03-05提取n-gram特征，06-07提取PoS詞性特征，08-09提取句子依存關(guān)系特征，10-11提取命名實(shí)體特征，14-21使用word2vec提取聚類特征，并將所有特征加入特征集，最后一步返回所有的特征列表。

3.3 自定義特征模板

使用評價(jià)短語識(shí)別特征提取算法提取特征，圖2列出了各種特征模板的組合。

圖2 自定義特征模板組合

圖2中，數(shù)字代表每個(gè)詞語的相對位置，w代表對應(yīng)位置詞語的n-gram特征，p代表對應(yīng)位置詞語的詞性特征，c代表對應(yīng)位置詞語的類別特征。不同特征的各種組合就形成了自定義特征模版。

3.4CRFSuite模型數(shù)據(jù)規(guī)范化

在文本標(biāo)注過程中，引入BIO三個(gè)符號(hào)，將評價(jià)短語識(shí)別問題轉(zhuǎn)化為序列標(biāo)注問題。再將自定義特征模板和人工標(biāo)注標(biāo)簽規(guī)范化成CRFSuite的標(biāo)準(zhǔn)輸入格式，進(jìn)行n次迭代得到一個(gè)預(yù)測模型,其數(shù)據(jù)規(guī)范化之后輸入格式為:

給定一個(gè)句子{W1,W2,…,Wi,…,Wn},Wi表示第i個(gè)詞語：

B-TERMw[0]= W1w[1]= W2w[2]= W3w[0]|w[1]= W1| W2pos[0]=NNpos[1]=INpos[2]=DTpos[0]|pos[1]=NN|INpos[1]|pos[2]=IN|DTpos[0]|pos[1]|pos[2]=NN|IN|DT…

4 實(shí)驗(yàn)結(jié)果及分析

本實(shí)驗(yàn)搭建了一個(gè)微博情感要素分析平臺(tái)，主要由未登錄詞識(shí)別和評價(jià)短語識(shí)別兩個(gè)模塊組成。

4.1 實(shí)驗(yàn)數(shù)據(jù)集

本實(shí)驗(yàn)采取的數(shù)據(jù)集是采用網(wǎng)絡(luò)爬蟲爬取的新浪微博一天的數(shù)據(jù)，總工包括約800萬條微博，本文選取了其中3 000條微博，人工標(biāo)注了每條微博的評價(jià)短語，產(chǎn)生了3 000條數(shù)據(jù)的樣本集，用于未登錄詞識(shí)別算法和評價(jià)短語識(shí)別算法的有監(jiān)督學(xué)習(xí)數(shù)據(jù)集。其中，70%用來訓(xùn)練，其余作為測試。

標(biāo)準(zhǔn)結(jié)果集有兩個(gè)，分別是評測用的3 000條標(biāo)注結(jié)果和用于測試的微博數(shù)據(jù)。

4.2 未登錄詞識(shí)別結(jié)果及分析

未登錄詞識(shí)別中首先自動(dòng)對微博生語料進(jìn)行，再依次篩選出所有的n元組(其中n=2,3,4)。然后對每一個(gè)n元組計(jì)算它的詞頻TF、凝聚度MI、左自由度LE和右自由度RE這4個(gè)統(tǒng)計(jì)特征。最后使用人工神經(jīng)網(wǎng)絡(luò)和SVM在測試數(shù)據(jù)上進(jìn)行測試之后選擇性能較好的模型，并使用該模型用于所有的微博進(jìn)行未登錄詞識(shí)別，形成未登錄詞詞典。

表4給出了使用ANN人工神經(jīng)網(wǎng)絡(luò)和SVM支持向量機(jī)進(jìn)行未登錄詞識(shí)別的準(zhǔn)確率、召回率和F值得具體數(shù)值。

表4 未登錄詞識(shí)別效果比較ANN vs SVM

從表4給出的未登錄詞識(shí)別效果對比圖可以直觀地看出不管是準(zhǔn)確率、召回率還是F值,人工神經(jīng)網(wǎng)絡(luò)的分類性能都要優(yōu)于SVM，因此本文選擇人工神經(jīng)網(wǎng)絡(luò)產(chǎn)生的未登錄詞識(shí)別模型。

選定人工神經(jīng)網(wǎng)絡(luò)模型后，在800萬條微博中發(fā)現(xiàn)了2 156個(gè)未登錄詞，2-gram的二字詞1 452個(gè)，占比67%;3-gram的三字詞549個(gè)，占比25%；4-gram的四字詞155個(gè)，占比8%。表5給出了部分高頻未登錄詞識(shí)別結(jié)果。

表5 高頻未登錄詞識(shí)別結(jié)果示例

4.3 評價(jià)短語識(shí)別結(jié)果及分析

評價(jià)短語識(shí)別在中文分詞過程中，加入未登錄詞識(shí)別實(shí)驗(yàn)形成的未登錄詞詞典，接下來再依次進(jìn)行word、pos、word cluster、word dependency和ner特征的提取，將既有特征按照一定的規(guī)則組裝成特征模板，再運(yùn)用CRFSuite工具訓(xùn)練得到評價(jià)短語分類模型，最后對測試文檔進(jìn)行測試，得到評價(jià)短語。

評價(jià)短語識(shí)別實(shí)驗(yàn)，本文分成不加入未登錄詞和加入未登錄詞2大組，每一大組再分別依據(jù)word、 word + pos、 word + pos + cluster、word + pos + cluster + dep和word + pos + cluster + dep + ner的特征模板分成5小組對比進(jìn)行，準(zhǔn)確率、召回率和F值如表6所示。從表6可以看出，在逐步加入word、pos、cluster、dep和ner特征后，Baseline和在Baseline基礎(chǔ)上加入未登錄詞的評價(jià)短語識(shí)別實(shí)驗(yàn)的效果都有顯著提高。但總體性能加入未登錄詞處理之后要優(yōu)于Baseline實(shí)驗(yàn)。本文最終選定效果較好的word+pos+cluster+dep+ner最為系統(tǒng)的特征模板。

表6 未加入未登錄詞處理的評價(jià)短語識(shí)別

在加入未登錄詞前后的評價(jià)短語識(shí)別的準(zhǔn)確率和召回率分別如圖3和圖4所示。從圖3和圖4可以看出，加入詞性特征之后，無論是準(zhǔn)確率還是召回率都提升顯著，說明詞性特征對于評價(jià)短語識(shí)別的影響較大。相反，聚類特征對于準(zhǔn)確率的提升卻很小，基本上與Baseline實(shí)驗(yàn)處于同等水平。圖3和圖4都能看出加入未登錄詞之后的實(shí)驗(yàn)準(zhǔn)確率和召回率相對于Baseline實(shí)驗(yàn)都有明顯提高，本文方法的優(yōu)勢在于文本處理階段增加了分詞的準(zhǔn)確率，使得在評價(jià)短語識(shí)別階段能夠準(zhǔn)確有效地識(shí)別更多的評價(jià)對象。

圖3 加入未登錄詞前后評價(jià)短語識(shí)別的準(zhǔn)確率

圖4 加入未登錄詞前后評價(jià)短語識(shí)別的召回率

從圖3和圖4均可以看出加入未登錄詞之后的評價(jià)短語識(shí)別準(zhǔn)確率和召回率均明顯高于加入之前的方法。由于本文采用了基于大規(guī)模語料的學(xué)習(xí)且考慮到每一個(gè)詞語的凝聚度、自由度等互信息，使得在第一階段未登錄詞識(shí)別部分效果顯著，在第二階段使用CRFSuite分類器預(yù)測目標(biāo)評價(jià)短語的準(zhǔn)確率和召回率大大提升，改進(jìn)后的性能提升明顯。

5 結(jié) 語

本文研究了情感分析領(lǐng)域的評價(jià)短語識(shí)別問題，發(fā)現(xiàn)未登錄詞的識(shí)別對評價(jià)短語識(shí)別的性能有較大影響。本文根據(jù)中文文法性實(shí)現(xiàn)了未登錄詞的四種特征：詞頻、凝聚度、左自由度、右自由度，通過學(xué)習(xí)訓(xùn)練樣本的這些統(tǒng)計(jì)特征自動(dòng)建立未登錄詞識(shí)別模型，然后將自動(dòng)識(shí)別的未登錄詞加入基于CRFs的評價(jià)短語識(shí)別算法。實(shí)驗(yàn)結(jié)果說明加入未登錄詞后對評價(jià)短語的抽取性能提升顯著。尤其對于用戶行文自由的微博數(shù)據(jù)，未登錄詞出現(xiàn)頻繁，相對傳統(tǒng)的評價(jià)短語抽取方法，本文提出的模型能夠有較好的應(yīng)用前景。

[1] 葉成緒,楊萍,劉少鵬.基于主題詞的微博熱點(diǎn)話題發(fā)現(xiàn)[J].計(jì)算機(jī)應(yīng)用與軟件,2016,33(2):46-50.

[2] 曹勇剛,曹羽中,金茂忠,等.面向信息檢索的自適應(yīng)中文分詞系統(tǒng)[J].軟件學(xué)報(bào),2006,17(3):356-363.

[3] 倪茂樹,林鴻飛.基于關(guān)聯(lián)規(guī)則和極性分析的商品評論挖掘[C]//全國信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議,2007.

[4] Liu H,Zhao Y,Qin B,et al.Comment Target Extraction and Sentiment Classification[J].Journal of Chinese Information Processing,2010,24(1):84-88.

[5] Wang M C,Huang C R,Chen K J.The identification and classification of unknown words in Chinese:an n-grams-based approach[J].Festschrift for Professor Akira Ikeya,1995:113-123.

[6] Chen A.Chinese word segmentation using minimal linguistic knowledge[C]//Proceedings of the second SIGHAN workshop on Chinese language processing-Volume 17.Association for Computational Linguistics,2003:148-151.

[7] 賈自艷,史忠植.基于概率統(tǒng)計(jì)技術(shù)和規(guī)則方法的新詞發(fā)現(xiàn)[J].計(jì)算機(jī)工程,2004,30(20):19-21.

[8] 王立希,王建東,汪靜.基于數(shù)據(jù)挖掘的新詞發(fā)現(xiàn)[J].計(jì)算機(jī)應(yīng)用研究,2006,2(12):195-197.

[9] 周蕾,朱巧明.基于統(tǒng)計(jì)和規(guī)則的未登錄詞識(shí)別方法研究[J].計(jì)算機(jī)工程,2007,33(8):196-198.

[10] 李文坤,張仰森,陳若愚.基于詞內(nèi)部結(jié)合度和邊界自由度的新詞發(fā)現(xiàn)[J].計(jì)算機(jī)應(yīng)用研究,2015,32(8):51.

[11] 林江豪,陽愛民,周詠梅,等.一種基于樸素貝葉斯的微博情感分類[J].計(jì)算機(jī)工程與科學(xué),2012,34(9):160-165.

[12] 陳飛,劉奕群,魏超,等.基于條件隨機(jī)場方法的開放領(lǐng)域新詞發(fā)現(xiàn)[J].Journal of Software,2013,24(5).

[13] 霍帥,張敏,劉奕群,等.基于微博內(nèi)容的新詞發(fā)現(xiàn)方法[J].模式識(shí)別與人工智能,2014,27(2):141-145.

[14] Zou G,Liu Y,Liu Q,et al.Internet-oriented Chinese New Words Detection[J].Journal of Chinese Information Processing,2004,18(6):1-9.

[15] Kong L,Ren F,Sun X,et al.Word Frequency Statistics Model for Chinese Base Noun Phrase Identification[M]//Intelligent Computing Methodologies,2014:635-644.

[16] 謝麗星,周明,孫茂松.基于層次結(jié)構(gòu)的多策略中文微博情感分析和特征抽取[J].中文信息學(xué)報(bào),2012,26(1):73-83.

A METHOD OF TARGET PHRASE EXTRACTION FROM MICROBLOG BASED ON UNKNOWN WORDS RECOGNITION

Wang Longqing1Zhang Chao1Song Hui1*Liu Zhenyu2

1(SchoolofComputerScienceandTechnology,DonghuaUniversity,Shanghai201600,China)2(ShanghaiKeyLaboratoryofComputerSoftwareTestingandEvaluating,ShanghaiDevelopmentCenterof

As the topic of microblog content is scattered, the identification of microblog comment object is the hot and difficult point of microblog emotion analysis. The research shows that unknown words recognition is one of the important reasons leading to the low recognition rate of target phrase. To solve this problem, this paper proposes a method of learning unknown words recognition model based on statistical features such as word frequency, cohesion, left and right degrees of freedom. The experimental results show that the unknown words in the microblog text are automatically added to the target phrase recognition algorithm based on CRFs, and the accuracy and recall of the phrase recognition are improved remarkably. The learning algorithm of unknown words has strong feasibility by directly using annotated samples of target phrase recognition.

Microblog Target phrase Unknown words Statistical feature CRFs

2016-07-10。汪龍慶，碩士生，主研領(lǐng)域：文本挖掘。張超，碩士生。宋暉，教授。劉振宇，副研究員。

TP3

A

10.3969/j.issn.1000-386x.2017.06.051