基于特征变换的跨领域产品评论倾向性分析

doi:10.3969/j.issn.1000-3428.2013.10.035

计算机工程

基于特征变换的跨领域产品评论倾向性分析

孟佳娜^1,2，段晓东¹，杨亮²

(1. 大连民族学院计算机科学与工程学院，辽宁大连 116600；2. 大连理工大学计算机科学与技术学院，辽宁大连 116024)

收稿日期:2012-09-18 出版日期:2013-10-15 发布日期:2013-10-14
作者简介:孟佳娜(1972－)，女，教授、博士，主研方向：自然语言处理，机器学习；段晓东，教授、博士；杨亮，博士研究生
基金资助:
国家自然科学基金资助项目(61202254)；中国博士后科学基金资助项目(2013M530918)；中央高校自主科研基金资助项目(DC120101081, DC120101084)；辽宁省教育厅科学研究基金资助一般项目(L2012478)

Opinion Analysis of Cross-domain Product Review Based on Feature Transformation

MENG Jia-na ^1,2, DUAN Xiao-dong ¹, YANG Liang ²

(1. School of Computer Science and Engineering, Dalian Nationalities University, Dalian 116600, China; 2. School of Computer Science and Technology, Dalian University of Technology, Dalian 116024, China)

Received:2012-09-18 Online:2013-10-15 Published:2013-10-14

摘要/Abstract

摘要： 传统的情感倾向性分析方法主要针对同一领域的文本，对于不同领域的文本，传统方法效果较差。为解决该问题，提出一种基于特征变换的跨领域产品评论倾向性分析方法。通过领域独立词建立源领域和目标领域的领域依赖词之间的关联，将源领域的领域知识迁移到目标领域中，以解决数据分布不同造成的分类器效果下降的问题。使用产品评论文本作为语料进行实验，结果表明，在所有语料上基于支持向量机和逻辑回归方法的平均精度分别为76.61%和76.81%，均高于Baseline算法的平均结果。

关键词: 特征变换, 倾向性分析, 产品评论, 源领域, 目标领域, 领域独立词, 领域依赖词

Abstract: Traditional sentiment analysis methods aim at same domain documents, the performance becomes worse for different domain documents. To solve this problem, this paper presents an opinion analysis method of cross-domain product reviews based on feature transformation. This proposed method builds the relevance of domain dependent words between source domain and target domain via domain independent words so that it can transfer acknowledge from the source domain to the target domain. It solves the classifier performance decreasing problem due to different data distributions. The product reviews are used as a corpus in the experiment. The average accuracies are 76.61% and 76.81% by using the methods of Support Vector Machine(SVM) and logistic regression respectively in all corpora. The results are higher than Baseline algorithm.

Key words: feature transformation, opinion analysis, product review, source domain, target domain, domain independent word, domain dependent word

中图分类号:

TP391

孟佳娜，段晓东，杨亮. 基于特征变换的跨领域产品评论倾向性分析[J]. 计算机工程, doi: 10.3969/j.issn.1000-3428.2013.10.035.

MENG Jia-na, DUAN Xiao-dong, YANG Liang. Opinion Analysis of Cross-domain Product Review Based on Feature Transformation[J]. Computer Engineering, doi: 10.3969/j.issn.1000-3428.2013.10.035.

http://www.ecice06.com/CN/Y2013/V39/I10/167

参考文献

参考文献 [1] Chan Kam-Tong, King I. Let’s Tango: Finding the Right Couple for Feature-opinion Association in Sentiment Analysis[C]//Proc. of the 13th Pacific-Asia Conference on Advances in Knowledge Discovery and Data Mining. Berlin, Germany: Springer-Verlag, 2009. [2] Somasundran S, Wiebe J, Ruppenhofer J. Discourse Level Opinion Interpretation[C]//Proc. of the 22nd International Conference on Computational Linguistics. Manchester, UK: [s. n.], 2008 [3] 姚天眆, 程希文, 徐飞玉, 等. 文本意见挖掘综述[J]. 中文信息学报, 2008, 22(3): 71-80. [4] 吕韶华, 杨亮, 林鸿飞. 基于LDA模型的餐馆评论排序[J]. 计算机工程, 2011, 37(19): 62-64, 67. [5] Blitzer J, Dredze M, Pereira F. Biographies, Bollywood, Boomboxes and Blenders: Domain Adaptation for Sentiment Classification[C]//Proc. of the 45th Annual Meeting of the Association of Computational Linguistics. Prague, Czech Republic: [s. n.], 2007. [6] Blitzer J, McDonald R R, Pereira F. Domain Adaptation with Structural Correspondence Learning[C]//Proc. of Conference on Empirical Methods in Natural Language. Sydney, Australia: [s. n.], 2006. [7] Sinno J P, Ni Xiaochuan, Sun Jiantao, et al. Cross-domain Sentiment Classification via Spectral Feature Alignment[C]// Proc. of the 19th International Conference on World Wide Web. New York, USA: ACM Press, 2010. [8] Zhang Di, Xue Guirong, Yu Yong. Iterative Reinforcement Cross-domain Text Classification[C]//Proc. of the 4th Inter- national Conference on Advanced Data Mining and Appli- cations. Chengdu, China: [s. n.], 2008. [9] 吴琼, 谭松波, 张刚, 等. 跨领域倾向性分析相关技术研究[J]. 中文信息学报, 2010, 24(1): 77-83. [10] Meng Jiana, Lin Hongfei. Transfer Learning Based on Graph Ranking[C]//Proc. of the 9th International Conference on Fuzzy Systems and Knowledge Discovery. [S. l.]: IEEE Press, 2012. [11] 孟佳娜. 迁移学习在文本分类中的应用研究[D]. 大连: 大连理工大学, 2011. [12] Thorsten J. Text Categorization with Support Vector Machines: Leaning with Many Relevant Features[C]//Proc. of the 10th European Conference on Machine Learning. Chemnitz, Germany: [s. n.], 1998. [13] Alexander G, David L D, David M. Large-scale Bayesian Logistic Regression for Text Categorization[J]. Technometrics, 2007, 49(3): 291-304. 编辑刘冰

[1]	罗栩豪,王培,李绍华,梁巍,马心坦. 汽车辅助驾驶系统动态目标检测方法[J]. 计算机工程, 2018, 44(1): 311-316.
[2]	杨凤芹,宋美佳,孙铁利,孙红光. 面向中文产品评论的完整评价对象抽取方法[J]. 计算机工程, 2017, 43(6): 169-176.
[3]	魏晓聪,林鸿飞. 面向迁移学习的文本特征对齐算法[J]. 计算机工程, 2017, 43(2): 215-219，226.
[4]	杨海清,郭更新. 基于立体视觉的鞋楦数字化研究[J]. 计算机工程, 2017, 43(12): 242-247.
[5]	杨凯,陈丽芳,刘渊. 基于扩展级联原始位置敏感散列的快速影像特征匹配[J]. 计算机工程, 2016, 42(8): 211-219.
[6]	张飞,黄国兴. 基于ASIFT与图匹配的物体识别方法[J]. 计算机工程, 2016, 42(7): 153-158.
[7]	卢来,王军民,范锐. 基于自适应增强的图像二值描述子[J]. 计算机工程, 2016, 42(6): 230-234,240.
[8]	张佳明,王波,唐浩浩,李天彩. 基于Biterm主题模型的无监督微博情感倾向性分析[J]. 计算机工程, 2015, 41(7): 219-223,229.
[9]	李论,王一刚,范胜利,白志强,赖建宁. 一种体视显微图像误匹配消除方法[J]. 计算机工程, 2015, 41(5): 285-289.
[10]	黄挺,姬东鸿. 基于图模型和多分类器的微博情感倾向性分析[J]. 计算机工程, 2015, 41(4): 171-175.
[11]	张雄美,易昭湘,蔡幸福,宋建社. 基于改进SIFT的SAR图像配准方法[J]. 计算机工程, 2015, 41(1): 223-226.
[12]	赵文亮，郭华平，范明. 基于特征变换的Tri-Training算法[J]. 计算机工程, 2014, 40(5): 183-187,191.
[13]	张静，华顺刚. 基于SIFT相似性度量的图像缩放[J]. 计算机工程, 2014, 40(2): 219-223.
[14]	李兆军，霍宏，方涛. 局部特征完备性描述及其在图像分类中的应用[J]. 计算机工程, 2013, 39(9): 210-213.
[15]	刘仁峰, 周华兵, 田金文. 一种基于尺度最优的极线校正优化方法[J]. 计算机工程, 2013, 39(6): 287-289,294.

选择文件类型/文献管理软件名称

选择包含的内容

基于特征变换的跨领域产品评论倾向性分析

Opinion Analysis of Cross-domain Product Review Based on Feature Transformation

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

基于特征变换的跨领域产品评论倾向性分析

Opinion Analysis of Cross-domain Product Review Based on Feature Transformation

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价