第29卷情摇报摇第12期摇杂摇志摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇2010年12月摇JOURNALOFINTELLIGENCEDec.摇2010商品主观评论信息的倾向性分析综述*SentimentAnalysisoftheProductReviews文摇能摇丁晟春(南京理工大学信息管理系摇南京摇210094)摘摇要摇商品主观评论信息中用户对产品的性能或功能等方面持有的肯定/否定态度,会很大地影响购买者的决策。因此,对中文商品主观评论信息的倾向性分析就成为学术研究的一个热点和难点。首先对商品主观评论信息的倾向性分析进行了定义,然后阐述了其研究目的,从商品主观评论信息的4个方面即:商品特征词的抽取、意见词的抽取、商品评论情感极性判断和极性强度计算,综述了近5年国内外该项研究所使用技术和方法的研究现状,总结了在该研究领域中仍待解决的问题,并在将来的工作中提出了一些新的研究思路。关键词摇商品评论信息摇倾向性摇信息抽取摇CRF中图分类号摇TP391摇摇摇摇摇文献标识码摇A摇摇摇摇文章编号摇1002-1965(2010)12-0070-05别并获取其中有价值的主观评论信息,并对获取的主0摇引摇言观评论信息进行情感倾向性分析。这些信息可以帮助商品主观评论信息主要是指互联网上各类用户发购买者选择满意的商品,同时也可以让企业了解到购布的不同形式的关于商品的主观评论信息,包括第三买者对商品的态度,了解他们对商品的实际需求,有助方点评网(如大众点评网、去那儿等)上用户的点评信于商品的改进提高企业竞争力,帮助企业从众多竞争息,也包括各类电子商务平台(如淘宝网)中的用户对者中脱颖而出。商品的评价信息,还包括各类新闻类网站、社区/论坛、鉴于此,本文对商品主观评价信息的研究现状进博客等上用户发表的消费者评论信息,如新浪数码新行了综述,总结了该研究领域中仍待解决的问题,并在闻网站中新浪用户发表的关于商品的个人观点评论、将来的工作中针对这些问题提出了新的解决思路。综中关村在线论坛中的消费者评论信息、新浪博客中包述的文章主要是通过SCI和CNKI两个数据库获取。含评论信息的博文等等。商品主观评论信息中包含了在SCI中,以“opinionmining冶为主题进行检索,查购买者关心的以及购买者经验等相关的重要信息,这找出相关文献131篇,其中与研究相关的文献包括些信息对企业非常重要,可以用于以后产品的概念设computerscience类中artificialintelligence46篇,theory计、个性化设计、产品介绍以及了解购买者对产品的需&methods40篇,informationsystem34篇;informationsci鄄求,最终吸引更多忠诚的客户。ence&Libraryscience类2篇,其每年出版的文献数和购买者都希望买到物美价廉的东西,喜欢借鉴别引文如图1,从图1中我们可以看出近几年学者在意人的购买意见,因此商品评论成为购买者的关注热点。见挖掘的研究上呈上升趋势,尤其是2008年以后学术但是在网络上对某个商品的评论分布广泛并且数量大关注度不断提升;以“sentimentanalysis&opinionmin鄄到惊人,购买者不能浏览所有的信息,也就不能做出相ing冶为主题进行检索,查找到近五年相关文献29篇具对客观的决定。在购买过程中购买者可能由于某条不体发表情况如表1所示。准确的商品评论做出错误的购买决定,直接影响了购在CNKI中,以“意见挖掘冶为关键词进行检索,从买者对商品的态度以及商品的最终销售量。因此人们2006年到2010年共查找到59篇文献,在信息科学中开始研究商品主观评论信息挖掘即对评论的倾向性分计算机软件及计算机应用类共24篇,图书情报与数字析———通过意见挖掘(opinionmining)技术可以自动识图书馆1篇;以“情感分类冶为关键词进行检索,从收稿日期:2010-07-31摇摇摇摇修回日期:2010-09-09基金项目:教育部人文社会科学研究规划基金项目“基于语义的电子商务产品主/客观信息提取研究冶(编号:09YJA870015);江苏省研究生科研创新计划“基于领域本体CRF的商品主观评价冶(编号:CX10S-001R)。作者简介:文摇能(1987-),女,硕士研究生,研究方向为信息抽取与文本控掘;丁晟春(1971-),女,副教授,研究方向为WEB数据挖掘、信息检索、信息系统开发。
摇第12期摇摇摇摇摇摇摇摇摇摇摇摇文摇能,等:商品主观评论信息的倾向性分析综述·71·2006年到2010年共查找到32篇相关文献。由此我们的抽取、意见词的抽取、商品评论的极性判断和极性强可以知道近年来网络评论情感倾向性分析越来越受到度计算介绍近5年的国内外该研究所使用的技术和方国内学者的关注,已然成为了该领域学术研究的热点。法的研究现状。摇摇商品特征抽取摇商品特征是商品评论的评价对象,在商品评论中商品特征的描述表现出一定的规则,这些规则主要包括四个方面:a.商品特征由单个词语构成。如:“NOKIA5230的价格有点贵冶中“价格冶这一商品特征,它是由单个词语构成的。PeiliangTian[3]等提出用本体抽取用户图1摇以opinionmining为主题的SCI引文分析表感兴趣的商品特征,利用了本体在对象识别上的优势,1摇以sentimentanalysis&opinionmining为主题的近五年的文章发表状况很好地提高了召回率。ZhengY[4]等提出采用统计的方法从中文商品评论中抽取商品特征。Somprasertsri年份20052006200720082009G和LalitrojwongP[5]提出用一个预先标注的文本训练篇数124616最大熵模型,然后用训练得到模型从商品评论中抽取1商品特征,实验结果的准确率达到了%,召回率摇研究定义对意见性主观文本的研究近年来成为了一个热点为%。虽然统计的方法可以很好地提高抽取的课题即意见挖掘,这类主观文本中包含了表达者对评准确率和召回率但是需要大规模的标注语料,这需要价对象的褒贬态度,在一定程度上还表达了态度的强消耗大量的人力。而王波[6]等提出采用半监督-迭代训练方法,以少量的标注语料作为训练语料,通过半监度。督机器学习的迭代训练方法获得大量标注语料,最后根据Kim和Hovy对意见的定义[1]:意见由四个元使用朴素贝叶斯分类器进行商品特征抽取,这样可以素组成:即主题(Topic)、持有者(Holder)、陈述减少标注语料的数量,并取得更好的自动抽取效果。(Claim)、情感(Sentiment)。这四个元素之间存在着内b.商品特征由短语构成,即组合商品特征词。如:在的联系,即意见的持有者针对某主题发表了具有情“这款电脑的续航能力很强,但价格很高冶中商品特征感的意见陈述。“续航能力冶是由“续航冶、“能力冶这两个具有实际意意见挖掘的过程就是要在自然语言文本中自动确义的词语构成,对于这类商品特征的自动抽取,通常基定这些元素以及它们之间的关系。一般来说,它的主于HowNet、WordNet或是ConceptNet等现有词典的方要子任务有[2]:a.主题抽取(TopicExtraction):识别主法容易忽视。Balahur,A.和Mon8]toyo,A[.提出人工题术语和指派领域相关的本体概念;b.意见持有者识构建由该领域的组合商品特征词构成的二元映射语料别(HolderIdentification):确定意见表述的作者和谈话库实现对组合商品特征词的抽取。者;c.陈述的选择(ClaimSelection):确定意见表述的c.指代消解。在商品评论中商品特征以代词的形范围和过滤客观性表述;d.情感分析(SentimentAnaly鄄式出现。如:“它冶或是“it冶等指示代词表达商品特征。sis):决定意见陈述的语义倾向(SemanticOrientation)对于这类商品特征的抽取,首先要对句子进行指代消(即极性(Polarity))。解,即通过句法分析等方法用完整的商品特征词替换本文针对商品评论信息,通过意见挖掘技术,从商这些指示代词,而后再进行商品特征抽取。Balahur,品特征的抽取、商品评论意见词的抽取、商品评论情感A.和Mon8]toyo,A[.在其研究中采用了JavaRAP对英极性判断和极性强度计算4个方面进行综述,主要的文文本进行了指代消解,但在中文文本中仍没有很好流程如图2所示。的解决方案。d.隐性商品特征,即在评论中没有明确的表达商品特征。目前这类商品特征的抽取有两类:一类是根据商品特征和商品评论意见词间的依存关系,以商品评论中出现的显性意见词作为基准,判断对应的商品图2特征。香港中文大学的KamTongChan和King,[9]I.摇商品主观评论信息的倾向性分析流程图2摇研究现状用基于文本的方法研究商品特征和意见词间的依存关系,提出了FOA(feature-opinionassociation)算法匹配本节分别从商品评论挖掘的4个方面即商品特征商品特征和意见词,确定二者,取得了很好的效果;另
·7摇2·摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇情摇报摇杂摇志摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇第29卷一类就是Balahur,A.和Mon[8]toyo,A.只记载商品类区分了意见词的动静态极性。[13]JaeseokMyung等提别,之后在将其转化为相应的商品特征。出了半自动化构建情感词典的方法对商品评论中意见上述内容可以看出近年来,有关商品特征抽取的词进行了抽取,其中情感词典包含了用于表达商品特研究在英文文本取得了较好的效果,研究的方法主要征和商品评论的词汇,实现了动态极性意见词的抽取,有两种即基于统计的方法和基于规则的方法。然而这实验结果在抽取意见词汇上准确率达到了%,两种方法都存在不足,基于统计的方法需要大量已经召回率达到了%。标注的语料作为训练语料,同时领域局限性明显,可移c.隐性意见词抽取研究。针对商品评论中隐性意植性差;但是基于语义方法的核心是建立规则库,规则见词,目前的研究方法可以分为二类:一类是根据商品库的建立需要对大量的语料进行语言学的分析,这是特征和商品评论意见词之间的依存的关系,BinShi和语义方法的难点所在。同时由于模式匹配只能够抽取KuiyuChan[7]g提出了一个基于知识的系统从网络产满足规则库中规则的文本信息,不能抽取不满足即定品评论中抽取商品特征情感对,在搜索显性商品特征规则的文本信息。商品特征的领域相关性程度高导致抽取隐性意见即“opinion(O)first,feature(F)sec鄄产生很多噪声,因此导致抽取召回率不高。所以,综合ond冶,使用本体构建概念模型包括常见的商品特征和解决商品主观评价信息抽取准确率和召回率还是仍待相应的意见词,在处理中文评论时取得了很好的效果,解决的问题。并在句子层面解决了商品特征和意见词抽取的问题。摇摇意见词抽取摇商品评论中的意见词是指带有d.非规范词汇抽取研究。针对网络商品评论中的褒贬意味表达意见发出者情感的词或是短语。一些意非规范词汇(NetworkInformalWord)抽取,在英文文本见词会因为修饰对象的不同会表现出不同的极性表方面,都是采用模式匹配的方式来获取英文非规范词现,也可以表述为多义性。例如“高冶在修饰成绩分数汇。非规范词汇特点是没有存在于规范词典中,或是时表现出褒义,但在修饰耗电量时表现出贬义。因此与规范词典所表述的意思大相径庭,表达方式完全出根据意见词这一特征,可以将其分为动态极性意见词于个人随意,但得到网络一致赞同。例如:“这款车型和静态极性意见词。极性随修饰文本的不同发生变化还是受广大车迷稀饭滴冶这里的“稀饭冶表达的是“喜的称为动态极性意见词,不变的称为静态极性意见词。欢冶的意思。在中文非规范词汇上姚天昉[14]对其进行商品评论中,直接表达出情感称为显性意见,情感隐含了区分,划分为两大类典型网络非规范词汇(Typical在评论中的称为隐性意见。另外,由于web商品评论InformalChineseWord,TICW)和歧义网络非规范词汇发表的随意性,这些评论的表述可能不满足一般语法(FuzzyInformalChineseWord,FICW),前者指那些包含结构,或是使用了一些网络流行非规范的词汇,例如:字母、数字以及混合缩写形式代表规范语言表达意思“稀饭冶指的是喜欢的意思。针对这些特征,国内外对的词汇,采用了基于实现建立的非规范词汇词典的序商品评论意见词进行了大量研究。列覆盖模式匹配方法进行获取;后者是指那些从字面a.静态极性意见词抽取研究。对一般意见词的抽上是规范形式的词汇但事实上在该词汇出现的上下文取即静态极性意见词,国内外研究方法主要有:李中表达了非规范词汇的意思,利用了SVM在文本特征思[11]等利用了CRF在对象识别上的优势抽取意见词。分类上的优势,基于特征的抽取,最高精确率达到了AciarS[12]等解决了如何将商品评论转化为可以被计%,但由于语料的不足召回率较低。香港中文大算机理解的本体实例,提出使用文本挖掘技术进行自学的研究者[15]利用大规模的人工标注语料对繁体非动定位处理的方法,其中本体包含受控词表和词间关规范词汇进行了研究,取得的最高的精确率达到了系,使用监督学习的方法从评论文本中学习本体的情%。感特征,最后利用本体抽取意见词。考虑到商品特征从以上几方面来看,网络商品评论意见词的抽取和意见词通常都是以高频的形式出现在评论文本中,已经取得了一些成绩。研究方法也主要是基于规则和所以王波[6]等选择采用半监督-交叉训练方法,以迭统计的方法。但是大多数的中文研究都是建立在规范代的方式挖掘商品特征和意见词,通过朴素贝叶斯分商品评论文本的前提下进行的,即商品评论的表达具类器在只有很少标注的语料的前提下取得结果与大量有内在构成机制,满足规范的语法结构等等,还没有与标注语料取得的结果非常接近;非规范词汇抽取结合起来。然而非规范词汇的处理会b.动态极性意见词抽取研究。针对动态极性词,大大影响抽取结果的召回率。因此,综合解决商品评国内外学者对其做了大量的研究,姚天昉[10]考虑了词论意见词的抽取问题可能是目前研究的一个新方向。语上下文情感倾向性,解决了动态极性词的抽取。摇摇商品评论的情感极性判断和极性强度计算摇PeiliangTian[3]等使用自然语言技术进行了意见挖掘,人们通过商品评论表达自己对商品的态度,这种态度
摇第12期摇摇摇摇摇摇摇摇摇摇摇摇文摇能,等:商品主观评论信息的倾向性分析综述·73·中不仅仅就是褒贬两种,会因为表达方式的不同有程法对情感短语的极性进行了判断,筛选PMI-IR方法度之分。因此,商品评论的情感极性判断是对商品评中搜索引擎返回的结果,认为只有两个词在文本中出论的态度进行分析,也就是褒贬分析;商品评论的极性现在既定距离内才具有共现特征,避免了由于返回结强度计算就是对态度所表达出的情感进行程度的计果中实际不存在任何联系词汇产生的噪声。复旦大学算。国内外对这些方面都进行了研究。主要的研究路的朱嫣岚[21]等人提出了基于HowNet的语义相关场中线示意图如图3所示。文情感倾向性计算方法,取得了很好的结果。另外,研究者通过构建情感词典的方法判断词语的极性,姚天昉[22]以人工标注的方式构建了汽车领域的极性词汇表作为判断依据。WeiCP[23]等提出了基于情感的情感分类技术,建立在预先产品评论分类训练集,其中包括褒贬评价词,使用WordNet扩充用来对照的褒贬特征词,取得了较传统方法更好的效果。Hatzivassiloglou图3摇商品评论的识别与极性判断过程目前商品评论的极性分析可以分为篇章级、句子和W[24]iebe构建了73个程度副词表用以计算词语的级和词语级极性强度。WangWP和ZhouYZ[25]使用极性词典确。定了商品评论的极性,使用句法分析的方法计算了极a.篇章级的商品评论极性分析。主要是对商品评论文档在篇章层次上进行褒贬判断,以句子为基础,通性的强度。过对句子的判断进行统计计算篇章级商品评论的极对于商品评论的情感极性判断的研究,目前人们把研究热点放在细粒度的层次上,即句子级和词语级,性。左维松[16]等提出了基于规则和基于统计相结合并取得了一定的成效。利用人工构建的情感词典可以的方法在篇章级商品评论极性判别上获得了较好的效很好地进行褒贬判断,缺点在于人工构建情感词典需果,采用机器学习的方法构建情感词典获取句子的褒要消耗大量的人力;利用统计的方法,SVM模型进行贬极性,其中设计搭配规则以整句规则集优先的规则商品评论分类,可以保证较高的准确率和召回率。为很好处理组合极性词和动态极性词抽取,对于不满足了克服统计方法所需的大量语料,可以以小规模已标搭配规则的采用了判定表进行极性分析,避免了重要注语料为种子,选择半监督迭代的训练方法获取大量信息的缺失。标注的训练语料。在褒贬判断中研究者对边界识别有b.句子级的商品评论极性分析。这方面的研究是不同的看法,一些情况下将作为褒贬情况的分界篇章级的基础,大量的研究者集中于这个方面的情感点,王海朋[26]等对褒贬分界点的确定进行了研究,采倾向性分析。目前这方面的研究都假设商品评论文本用了一个分层神经网络的调整上下界和最大点法进行的表达存在内在构成机制,即满足规范一般语法结构。了文本褒贬度计算确定分界点,得到的分界点要好于研究方法可以分为基于规则和基于统计的方法。刘鸿采用以为分界点的朴素贝叶斯分类器。此外,大宇[17]等对商品评论句子划分为四类:具有明显褒贬极多数的研究都是针对规范商品评论,都是假设待处理性的;含有褒贬意见词的数目相同,句子不带有明显褒文本存在固定的内在机制,并没有对网络当前盛行的贬极性;句子没有明显褒贬极性,但上下文句子有明显一些非规范词语进行研究,然而由于网络商品评论表褒贬极性,如“这款相机的质量很好,照出的照片也一达的随意性,非规范词汇占据了很重要的地位,因此这样!冶;中性句和客观句,句子没有表达褒贬极性。对方面研究可能成为一个新的研究方向。可以将现有情这四类句子采用了无监督的方法进行了情感极性判感分析的技术扩展到非规范词汇的领域。人工构建程断。李思[11]在中文文本情感分析中选择了最大熵度副词词汇表,作为计算商品评论极性强度的依据,依(ME)的统计方法对句子级的情感极性进行了判断。据句法分析计算极性强度。王根[18]等采用了多重冗余标记的CRF分析了句子的情感极性,并极性强度划分为强烈赞扬、微弱赞扬、强3摇结摇论烈贬斥、微弱贬斥和客观5类。本文综述了近5年来商品主观评论信息倾向性分c.词语级的商品评论极性分析。这是当前研究热析的研究现状,在商品特征、商品评论意见词抽取、商点,多数研究者都集中在这个方面。较早的Tu[19]rney品评论极性判断和极性强度计算都已经取得很多进利用词汇“共现冶(PMI)的关系,通过搜索引擎的返回展,同时还将这些技术应用于商品评论摘要的研究。结果数目确定词语与基准词的共现程度计算词语的情但是网络商品评论自身的特点,例如表述的随意感极性。张紫琼[20]采用了一种基于网络的无监督方性给研究造成了一定的困难。另外用于倾向分析语料
·7摇4·摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇情摇报摇杂摇志摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇第29卷的资源缺乏,特别是汉语语料资源不足和质量影响了tionalConferenceonNaturalLanguageProcessingandKnowledge研究结果的召回率。目前情感倾向性分析还比较粗Engineering(NLP-KE)[C],2008,7糙[9]摇KamTongChan,KingI,Let'sTango:FindingtheRightCouple,识别各种成分的精度还不够高。针对这些存在的问题,可以利用领域本体构造商forFeature-OpinionAssociationinSentimentAnalysis[A].In:ProceedingsofAdvancesinKnowledgeDiscoveryandDataMin鄄品特征词和意见词的特征集作为CRF的特征提高抽-AsiaConference[C],2009,741:8取结果的召回率,利用CRF模型在对象识别上的优点[10]YaoTF,对商品特征和商品评论意见词进行自动识别,结合二forChineseSentimentWords[A].In:Proceedingofthe7thInter鄄者提高准确率和召回率。采用基于HowNet以半监督nationalConferenceonChineseComputing[C].Wuhan,2007迭代训练的方法构建一个面向电子商务应用的褒贬性[11]SiLi,HaoZhang,WeiranXu,情感词典,包括一些流行的网络词汇(即非规范词汇[C],2009),进行商品评论的极性判断。构建程度词词典,对[12]AciarS,ZhangD,SimoffS,商品评论的极性强度进行计算。上述均是本文提出的UtilizingConsumerProductReviewsThroughTextMining[A].In:可能的研究思路,详细的研究方案要进一步深入研究Proceedingsof2006IEEE/WIC/ACMInternationalConferenceon中继续扩展。WebIntelligenceandIntelligentAgentTechnology,Workshops未来商品主观评论倾向性分析的研究将重点在这Proceedings[C],2006:37-40些方面得到关注:提高自动抽取商品特征和商品评论[13]JaeseokMyung,DongjooLee,意见词的准确率和召回率;动态极性词的获取及多义ReviewAnalysisSystemUsingaSemi-AutomaticallyConstructed性问题SemanticDictionary,JournalofKISS:SoftwareandApplications;解决非规范词汇的识别以及非规范文本的褒[J],2008(6),35(6):392-403贬极性判断。[14]TianfangYao,鄄参考文献workInformalChineseWords[A].InProceedingof10thChinese[1]摇S-MKim,[A].NationalConferenceonCompuationalLinguistics[C],2009In:ProceedingsofCOLING-04,theConferenceonComputational[15]XiaY,WongKF,鄄Linguistics(COLING-2004)[C].Geneva,Switzerland:2004:pusWithaTwo-StageIncrementalAnnotationApproach[A].In1367-1373:ProceedingofLREC爷06[C],2006[2]摇姚天昉,程希文,徐飞玉,汉思·乌思克尔特,王睿.文本意见[16]左维松,红摇英,张坤丽等.规则和统计相结合的情感分析研挖掘综述[J].中文信息学报,2008(5),22(3):71-80究[A].第五届信息检索会议学术论文集[C],2009[3]摇PeiliangTian,YuanchaoLiu,MingLiu,[17]刘鸿宇,赵妍妍,秦摇兵等.评价对象抽取及其倾向性分析RankingTechnologyBasedonOpinionMining[A].In:Proceed鄄[J].中文信息学报,2010(1):84-88ingsof2009SecondInternationalConferenceonIntelligentCom鄄[18]王摇根,赵摇军.基于多重标记CRF的句子情感分析研究putationTechnologyandAutomation(ICICTA)[C],2009,4:239[J].中文信息学报,2007,21(5):51-55-43[19]TurneyPD,:Infer鄄[4]摇ZhengY,YeL,WuG,[J].ACMTansla鄄ChineseCustomerReviews[A].In:Proceedingsof20083RDIn鄄tionsonInformationSystems,2003,21(4):315-346ternationalConferenceonIntelligentSystemandKnowledgeEngi鄄[20]ZhangZQ,LiYJ,YeQ,鄄neering[C],2008,1-2:285-290neseProductReviewsUsinganUnsupervisedInternet-based[5]摇SomprasertsriG,[A].In:Proceedingsof2008InternationalConferenceonProductFeatureExtractioninOnlineCustomerReviews[A].In:ManagementScience&Engineering(15TH)[C],2008,1andProceedingsof2008IEEEConferenceonCyberneticsandIntelli鄄2:3-9gentSystems[C],2008,1-2:786-791[21]朱嫣岚,闵摇锦,周雅倩等.基于HowNet的词汇语义倾向计算[6]摇BoWang,[J].中文信息学报,2006,20(1):14-20andOpinionWordsFromChineseReviewsWithCross-Training[22]姚天昉,聂青阳,李建超等.一个用于汉语汽车评论的意见挖[A].In:Proceedingsof2007IEEE/WIC/ACMInternational掘系统[A].中国中文信息学会二十五周年学术会议论文集ConferenceonWebIntelligence[C],2007,259:62[C],2006:260-281[7]摇BinShi,KuiyuChang,MiningChineseReviews[A].In:Proceed鄄[23]WeiCP,YangCS,:ASemantic-basedSentimentClassificationWorkshops[C],2006(5)Approach[A].In:ProceedingsofPcificAsiaConferenceonInfor-[8]摇BalahurA,(下转第48页)MiningandClassification[A].In:Proceedingsof2008Interna鄄蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚蕚
摇第12期摇摇摇摇摇摇摇摇摇摇摇摇文摇能,等:商品主观评论信息的倾向性分析综述·75·(上接第74页)定[J].江南大学学报,2009,9(5)摇摇mationSystems2006[C],2006,1-8:600-613[27]YangJY,MyungJ,LeeSG,TheMethodforaSummarizationof[24]HatzivassiloglouV,'sOpinion[A].In:ProceedingsofGradabilityonSentenceSubjectivity[A].InProceedingsoftheInternationalConferenceonInformation,Process,andKnowledge18thconferenceonComputationallinguistics[C],2000:299-305Management:Eknow2009[C],2009:84-89[25]WangWP,ZhouYZ,E-BusinessWebsitesEvaluationBasedon[28]JiamingZhan,HanTongLoh,鄄OpinionMining[A].In:ProceedingsofECBI:2009InternationalcernsFromOnlineProductReviews-aTextSummarizationAp鄄ConferenceonElectronicCommerceandBusinessIntekkigenceproach,ExpertSystemswithApplications[J],2009(3),36(2):[C],2009:87-902107-15[26]王海朋,商摇琳,戴新宇等.文本情感分析中褒贬分界点的确(责编:白燕琼)
