羅凌　陳毅東　曹茂元

摘要：為了從海量的網(wǎng)絡(luò)信息中迅速準(zhǔn)確地獲取評價信息，觀點句識別已經(jīng)成了自然語言處理的一個研究熱點?，F(xiàn)在觀點句識別系統(tǒng)大都是基于機(jī)器學(xué)習(xí)的方法，一般使用機(jī)器學(xué)習(xí)的方法來進(jìn)行分類會受到領(lǐng)域差異性影響。針對這個問題，該文對微博觀點句識別系統(tǒng)是否會受到微博話題影響做了經(jīng)驗性研究，同時為了彌補(bǔ)訓(xùn)練數(shù)據(jù)的不足，該文通過規(guī)則方法自動標(biāo)注網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行了訓(xùn)練集的擴(kuò)充。實驗結(jié)果表明，微博話題間存在差異，進(jìn)行分話題模型訓(xùn)練可以提升微博觀點句識別系統(tǒng)的性能。

關(guān)鍵詞：觀點句識別；機(jī)器學(xué)習(xí)；話題；規(guī)則

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2014）01-0123-05

1 概述

隨著網(wǎng)絡(luò)信息量的日益增長，人們想要從巨大的冗余信息中準(zhǔn)確、迅速地獲取對一個事物或?qū)ο蟮脑u價，這就需要快速的識別出語段中的觀點句。目前，觀點句識別已經(jīng)成為自然語言處理領(lǐng)域中的一個研究熱點，對于觀點句這種不受語言表達(dá)約束的非規(guī)范文本，很難使用規(guī)則方法將觀點句全面地識別出來，機(jī)器學(xué)習(xí)的方法在這方面體現(xiàn)出了一定優(yōu)勢，所以現(xiàn)今的觀點句識別系統(tǒng)大多是基于機(jī)器學(xué)習(xí)的方法來進(jìn)行二元分類[1]。但是，缺乏標(biāo)注訓(xùn)練數(shù)據(jù)和話題間差異性一直都是機(jī)器學(xué)習(xí)分類的研究難點?；跈C(jī)器學(xué)習(xí)的觀點句識別系統(tǒng)也同樣存在著這樣的問題，網(wǎng)絡(luò)上并沒有這種大量用于觀點句識別的標(biāo)注數(shù)據(jù)集，若要進(jìn)行人工標(biāo)注，這需要花費大量的人力和物力。而且由于不同話題間的差異性，使用同一個分類器對不同話題去進(jìn)行觀點句識別，識別效果會有所影響。針對這些問題，我們首先通過一些人工規(guī)則對網(wǎng)絡(luò)上獲取的資源進(jìn)行自動標(biāo)注，然后將這部分自動標(biāo)注的語料加入到原有的少量訓(xùn)練語料中，以擴(kuò)充訓(xùn)練語料，再進(jìn)行分類器分類，并做了一些常用分類器的性能比較。同時為了驗證話題會影響觀點句的識別，我們針對話題做了經(jīng)驗研究，對比了通用分類模型和分話題分類模型的性能。該文中的實驗使用NLP&CC 2012中文微博情感分析評測中的數(shù)據(jù)集， 該數(shù)據(jù)集來自于20個微博話題，實驗中定義的觀點句只限定于對特定事物或?qū)ο蟮脑u價，不包括內(nèi)心自我情感、意愿或心情。實驗結(jié)果表明，加入基于規(guī)則的自動標(biāo)注數(shù)據(jù)，對機(jī)器學(xué)習(xí)分類模型的訓(xùn)練是有幫助的，微博話題間也存在著差異性，分話題模型比通用模型有更好的效果。

文章其他部分安排如下：第二節(jié)將進(jìn)行相關(guān)工作的介紹，對觀點句識別進(jìn)行概述，介紹觀點句的概念和觀點句識別的研究現(xiàn)狀；第三節(jié)將介紹規(guī)則與機(jī)器學(xué)習(xí)相結(jié)合的觀點句識別方法；第四節(jié)，針對微博話題差異性做了經(jīng)驗研究，話題會影響觀點句的識別；第五節(jié)給出在NLP&CC 2012中文微博情感分析評測數(shù)據(jù)集上的實驗數(shù)據(jù)，并進(jìn)行分析討論；第六節(jié)是進(jìn)行總結(jié)和展望。

2 相關(guān)工作

觀點句，即在表達(dá)的過程中帶有某種情感和觀點的句子，它是對特定事物或?qū)ο蟮脑u價，這種觀點可以是作者本人的、引用于他人的、或是某群體、組織發(fā)表的[1]。國外對觀點句的研究起步較早，較有代表性的工作有：Wiebe [2]選擇某些詞類（代詞、形容詞、序數(shù)詞、情態(tài)動詞和副詞）、標(biāo)點和句子位置作為特征，實現(xiàn)對觀點句識別。Riloff [3]等人利用boot-strapping算法學(xué)習(xí)得到主觀性名詞，單獨使用主觀性名詞為特征，采用樸素貝葉斯分類器對觀點句識別。Wiebe和Riloff [4]他們依靠先前研究中確定的主觀特征，分別建立了主觀分類器和客觀分類器，自動從未標(biāo)注的文本中獲得大量主觀句和客觀句，再從這些句子中得到更多主觀性詞語搭配，再用準(zhǔn)確性很高的詞語搭配更新原始的主觀特征。Yu和Hatzivassiloglou[5]利用相似性方法、樸素貝葉斯分類和多重樸素貝葉斯分類等三種統(tǒng)計方法進(jìn)行觀點句識別研究。近幾年，由于微博的興起，針對微博數(shù)據(jù)，Alexander Pak等人[6]選取n-gram和微博中的詞性標(biāo)注作為特征，利用樸素貝葉斯分類器對微博中的觀點句進(jìn)行識別研究，Luciano Barbosa等人[7]采用微博中的詞性信息、詞本身的主觀性、詞的情感極性以及否定詞作為特征，訓(xùn)練分類器，對微博主客觀性進(jìn)行分類。D. Davidiv等人[8]提取Twitter 中的標(biāo)簽和表情符號作為訓(xùn)練集，訓(xùn)練了一個類似KNN的分類器，對微博情感極性進(jìn)行分類。

國內(nèi)較早開始該工作的是姚天昉和彭思威 [9]使用了機(jī)器學(xué)習(xí)的方法進(jìn)行分類識別。葉強(qiáng)等 [10]提出了一種根據(jù)連續(xù)雙詞詞類組合模式（2-POS）自動判斷句子主觀性程度的方法。王根和趙軍 [11]提出了一種基于多重冗余標(biāo)記的CRFs進(jìn)行觀點句識別。蒙新泛和王厚峰 [12]通過對比試驗，分析了上下文信息對于主客觀分類的影響。張博[9]使用模塊串行的方法進(jìn)行觀點句識別。宋樂等人[13]在2009年的第二屆COAE評測中文觀點句抽取的任務(wù)中使用了一種類似最小圖個的方法。在2011年第三屆COAE評測中，徐瑞峰等人[14]提出一種基于圖的句子排序算法SentenceRank。

3 觀點句識別系統(tǒng)框架

3.1 方法概述

對于基于機(jī)器學(xué)習(xí)的觀點句識別系統(tǒng)，需要一定量的標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，如果標(biāo)注數(shù)據(jù)很少，這將會大大降低分類器的性能。針對沒有標(biāo)注訓(xùn)練數(shù)據(jù)這個問題，張文文和王挺[15]通過基于詞典和基于規(guī)則的方法自動構(gòu)造訓(xùn)練樣例，再使用SVM分類器進(jìn)行觀點句識別。我們借鑒了這篇文章的工作，通過一些人工規(guī)則，先對未標(biāo)注的網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行自動標(biāo)注，加入到原始的訓(xùn)練集中以擴(kuò)充訓(xùn)練集，提高分類器的效果。此外，考慮到不同話題的數(shù)據(jù)在分類特征方面可能存在差異，除了通用的分類模型外，該文引入了分話題模型進(jìn)行對比，我們對分類器是否受話題差異性影響做了經(jīng)驗研究，實驗結(jié)果表明話題會影響觀點句識別，分話題模型比通用模型有更好的效果。該文實驗訓(xùn)練和分類流程如圖1所示：

圖 1 規(guī)則與機(jī)器學(xué)習(xí)相結(jié)合的觀點句識別方法流程圖

可以看到，系統(tǒng)的主體采用了機(jī)器學(xué)習(xí)的方法，但為了彌補(bǔ)分類器訓(xùn)練集大小的不足，在訓(xùn)練前，我們利用規(guī)則模塊對從網(wǎng)絡(luò)中自動挖掘的微博數(shù)據(jù)進(jìn)行標(biāo)注以擴(kuò)充訓(xùn)練集。在通用分類模型中，我們將規(guī)則自動標(biāo)注的補(bǔ)充數(shù)據(jù)和原來的標(biāo)注數(shù)據(jù)融合在一起作為通用分類模型的訓(xùn)練數(shù)據(jù)，再由分類訓(xùn)練模塊訓(xùn)練分類模型，再對評測數(shù)據(jù)進(jìn)行分類；在分話題模型中，我們將規(guī)則自動標(biāo)注的補(bǔ)充數(shù)據(jù)按話題分類，在各自加上原始的標(biāo)注集去分別作為相應(yīng)分類子模型的訓(xùn)練數(shù)據(jù)，由分類訓(xùn)練模塊訓(xùn)練出分類子模型，然后把測試集也按話題分類，再使用相應(yīng)的分類子模型進(jìn)行分類，得出分類結(jié)果。

3.2基于規(guī)則的自動訓(xùn)練集標(biāo)注

如前所述，在本系統(tǒng)中，使用了規(guī)則方法對從網(wǎng)絡(luò)中挖掘的微博數(shù)據(jù)進(jìn)行自動觀點句識別。通過對標(biāo)注數(shù)據(jù)的分析，我們制定了如下的規(guī)則來進(jìn)行觀點句識別。在規(guī)則中需要用到情感詞典，該詞典來源于HowNet情感詞典和清華褒貶義詞典去重合并而得，共16007個詞。

觀點句規(guī)則：

l…+（代詞|人名|地名|專有名詞）+….+是+名詞+….

l…+（代詞|人名|地名|專有名詞）+….+副詞+形容詞+….

l...+副詞+情感詞+（代詞|人名|地名|專有名詞）

l...+比較詞+（代詞|人名|地名|專有名詞）+情感詞

l（代詞|人名|地名|專有名詞）+比較動詞+（代詞|人名|地名|專有名詞）

l（代詞|人名|地名|專有名詞）+指示性動詞+（代詞|人名|地名|專有名詞）+...+情感詞

非觀點句規(guī)則：

l僅包含hashtag，表情符合，標(biāo)點符號的句子判定為非觀點句。

l僅包含網(wǎng)址，無實際信息。

l不滿足觀點句規(guī)則且以動詞開頭的短句。

l只包含愿望詞。

l在單句中不含網(wǎng)絡(luò)新聞，且不是反問句式判定為非觀點句。

我們對從網(wǎng)絡(luò)上挖掘的微博數(shù)據(jù)進(jìn)行規(guī)則匹配，凡是滿足上面規(guī)則的句子我們將其抽取出來進(jìn)行標(biāo)注，作為訓(xùn)練語料的補(bǔ)充。

3.3基于機(jī)器學(xué)習(xí)方法的觀點句識別

觀點句識別可以看成一個二元分類問題，我們使用成熟的機(jī)器學(xué)習(xí)分類算法進(jìn)行分類。我們在進(jìn)行分類訓(xùn)練時采用了通用和分話題兩種訓(xùn)練方法。通用模型是通過將所有話題的訓(xùn)練數(shù)據(jù)全部拿給分類器訓(xùn)練出一個通用模型；話題模型是通過該話題相關(guān)的訓(xùn)練數(shù)據(jù)給分類器分別訓(xùn)練出20個話題模型。這兩種方法我們采用的特征都是在姚天防[5]，張博[9]使用的特征基礎(chǔ)上，加入了主題相關(guān)的人名特征，并進(jìn)行了特征組合實驗，最終選取了如下的特征：

1.情感詞，我們整合了知網(wǎng)和清華的情感詞典，總共約16000個詞。

2.指示性動詞，我們使用了張博論文[9]中的指示性動詞表和根據(jù)數(shù)據(jù)集自己添加的一些動詞，總共約100個詞。

3.人稱代詞、專有名詞、人名、地名。

4.嘆詞和語氣詞。

5.副詞。

6.主題中的對象名。

7.標(biāo)點符號。

8.N-POS，N-POS是指語句中N個連續(xù)詞性的順序組合，系統(tǒng)中我們采用了1-pos和2-pos。

我們進(jìn)行了不同分類器的效果對比實驗，實驗中使用了以下5種分類器進(jìn)行了結(jié)果分類：（1）樸素貝葉斯分類算法（Na?ve Bayes）（2）支持向量機(jī)分類算法（SVM）（3）用于支持向量分類的連續(xù)最小優(yōu)化算法（SMO）（4）隨機(jī)森林算法（Random Forest）（5）分類與回歸樹算法（Classification Via Regression）。

4 話題差異性

領(lǐng)域適應(yīng)性問題一直是自然語言處理領(lǐng)域的一個研究重點，在文本分類，問答系統(tǒng)，自動文摘，機(jī)器翻譯，文本情感分析等都存在領(lǐng)域適應(yīng)問題。因為不同的領(lǐng)域數(shù)據(jù)會有不同的特點，使用同一個模型去處理不同領(lǐng)域的同一個問題，效果也并不理想。對于領(lǐng)域適應(yīng)性問題，在不同的方向已經(jīng)有了很多相關(guān)研究。在文本情感分類研究中，相同的詞語在不同的領(lǐng)域中可能指示著不同的情感傾向，已經(jīng)有許多研究證明了情感文本分類在分類的精確率上是會受到領(lǐng)域的影響，研究者們也提出了一些方法來解決此類問題[16]。觀點句識別作為文本情感分類的基礎(chǔ)工作，我們認(rèn)為也是存在領(lǐng)域差異性的。

本次實驗使用的測試數(shù)據(jù)來自于20個微博話題，我們根據(jù)分類器提取的特征對數(shù)據(jù)進(jìn)行觀察和對比，發(fā)現(xiàn)不同話題間的數(shù)據(jù)是存在著差異性的，下面我們通過對微博話題數(shù)據(jù)的舉例分析來說明這個問題。

1）在不同的話題中，情感傾向偏向不同，導(dǎo)致情感詞在不同的話題中分布是不一致的。比如，在話題“90后當(dāng)教授”里面，總共有觀點句123句，其中110句是正面的情感，13句是負(fù)面的情感，里面“聰明”、“佩服”、“崇拜”等正面的情感詞出現(xiàn)的比較多。而在話題“90后暴打老人”里面，總共有觀點句97句，其中3句是正面的情感，94句是負(fù)面的情感，里面“畜牲”、“失敗”、“流氓”等負(fù)面的情感詞出現(xiàn)的比較多。由于話題的情感傾向性有差異，有的話題偏向正面情感，有的話題偏向負(fù)面情感，那么對于情感詞的分布就有所不同。

2）在不同的話題中，與主題相關(guān)的人名、地名、專有名詞和人稱代詞有明顯的差異。觀點句是對一個對象的評價，所以與主題相關(guān)的人名、人稱代詞作為觀點句分類系統(tǒng)中的特征是有比較大意義的，但是不同的話題，圍繞的對象是不同的，比如在話題“瘋狂的大蔥”里，“大蔥”，“物價局”等出現(xiàn)得比較頻繁，而在話題“名古屋市長否認(rèn)南京大屠殺”里，“名古屋市長”、“日本”等出席得比較頻繁。不同的話題評價的對象是不同的。

3）在不同的話題中，使用的句式是有比較大的區(qū)別的，所以N-POS在不同話題中是存在著差異的。比如在話題“90后當(dāng)教授”中，觀點句的句式大多是對這個90后的贊揚(yáng)，“人才！”，“像劉路學(xué)習(xí)?！?，“牛人！”等多是些名詞性的短句。而在“彭宇承認(rèn)撞了南京老太”話題中，多是“說實話，我不太信。”，“這件事絕對不是這樣，很可能就是南京市政府搞的鬼！”，“面對政治壓力，我覺他是不得已才這樣做?！钡葘@件事的一個看法和評論，基本都是多詞性的復(fù)合句式。由于在不同話題中表達(dá)的句式不一樣，抽取出來的N-POS也就存在著很大的差異。

根據(jù)上面對測試集數(shù)據(jù)的分析，可以看出觀點句分類器要抽取的文本特征，在不同的話題中，數(shù)據(jù)分布是存在著差異的，如果我們把所有標(biāo)注訓(xùn)練數(shù)據(jù)一起用來訓(xùn)練一個通用的分類器，然后對所有話題進(jìn)行觀點句識別，可能會由于這些數(shù)據(jù)差異，導(dǎo)致特征稀疏，影響分類器的精確度。針對該問題，我們根據(jù)不同的話題，使用相應(yīng)的話題訓(xùn)練數(shù)據(jù)去訓(xùn)練話題子模型，對相應(yīng)的測試集進(jìn)行觀點句識別，以解決話題間差異性的問題，后面的實驗結(jié)果也表明話題間是存在差異的，我們的分話題訓(xùn)練也是對觀點句識別有幫助的。

5 實驗結(jié)果及討論

5.1 實驗設(shè)置

本文實驗使用了由中國計算機(jī)學(xué)會主辦的NLP&CC 2012中文微博情感分析評測中任務(wù)一的數(shù)據(jù)集，還有我們從網(wǎng)絡(luò)上爬取的與評測數(shù)據(jù)相關(guān)主題的微博數(shù)據(jù)，并與測試集去重后作為補(bǔ)充數(shù)據(jù)。具體數(shù)據(jù)信息如下：

1.標(biāo)注數(shù)據(jù)：NLP&CC 2012中文微博情感分析評測提供的標(biāo)注數(shù)據(jù)。共包含已標(biāo)注毀容案話題約240句和Ipad話題約220句。

2.測試數(shù)據(jù)：NLP&CC 2012中文微博情感分析評測提供的測試數(shù)據(jù)，共包含菲軍艦惡意撞擊、瘋狂的大蔥等20個話題，每個話題約200句。

3.補(bǔ)充數(shù)據(jù)：從騰訊微博上爬取的與評測數(shù)據(jù)相關(guān)主題的微博。共包含菲軍艦惡意撞擊、瘋狂的大蔥等20個話題，每個話題約2000句。接著使用基于規(guī)則的方法對其進(jìn)行了自動標(biāo)注，標(biāo)注后每個話題約600句。

本文使用了weka平臺中的機(jī)器學(xué)習(xí)分類算法來進(jìn)行實驗[17]。

本文的實驗設(shè)置如下：

1. 規(guī)則與機(jī)器學(xué)習(xí)實驗。在標(biāo)注數(shù)據(jù)集中，使用毀容案話題數(shù)據(jù)集作為訓(xùn)練集，Ipad話題數(shù)據(jù)集作為測試集，進(jìn)行只使用毀容案直接分類和加入補(bǔ)充數(shù)據(jù)后再進(jìn)行分類的對比實驗。以驗證本文提出的基于規(guī)則對機(jī)器學(xué)習(xí)數(shù)據(jù)集補(bǔ)充的有效性。

2. 通用模型和分話題模型實驗。使用標(biāo)注數(shù)據(jù)和補(bǔ)充數(shù)據(jù)一起作為訓(xùn)練集，測試數(shù)據(jù)作為測試集，進(jìn)行實驗比較通用模型和分話題模型的性能。

3. 分類器性能實驗。使用不同的分類器進(jìn)行前面2個實驗，對比不同分類器在該問題上的性能。

5.2 實驗結(jié)果

本文進(jìn)行了多個分類器比較，為了方便下面用標(biāo)號來表示各個分類器：（1）標(biāo)準(zhǔn)概率樸素貝葉斯分類算法（NB）（2）支持向量機(jī)分類算法（SVM）（3）用于支持向量分類的連續(xù)最小優(yōu)化算法（SMO）（4）隨機(jī)森林算法（RF）（5）分類與回歸樹算法（CVR）

在進(jìn)行分類器訓(xùn)練時，由于提供的標(biāo)注訓(xùn)練語料過少，這會影響到分類結(jié)果，我們通過上面提出的規(guī)則方法自動標(biāo)注了從網(wǎng)絡(luò)中挖掘的微博數(shù)據(jù)，并將這部分?jǐn)?shù)據(jù)作為擴(kuò)充語料加入到原來的標(biāo)注集里作為訓(xùn)練集進(jìn)行分類器的訓(xùn)練。為了證明我們加入這些規(guī)則方法自動標(biāo)注的語料對分類器訓(xùn)練是有幫助的，我們按照實驗設(shè)置1做了下面的實驗。我們用原來標(biāo)注集中的毀容案話題數(shù)據(jù)作為訓(xùn)練，和加上了自動標(biāo)注的擴(kuò)充數(shù)據(jù)作為訓(xùn)練，對同樣的Ipad話題測試集進(jìn)行測試，得到了如下各個分類器的對比結(jié)果，見表1：

表1 加入擴(kuò)充數(shù)據(jù)后對比結(jié)果

[標(biāo)號＼&正確率＼&召回率＼&F值＼&+/-＼&NB＼&0.645＼&0.396＼&0.491＼&＼&NB+Extra＼&0.578＼&0.515＼&0.545＼&+0.084＼&SVM＼&0.560＼&0.782＼&0.653＼&＼&SVM+Extra＼&0.575＼&0.762＼&0.655＼&+0.002＼&SMO＼&0.578＼&0.515＼&0.545＼&＼&SMO+Extra＼&0.583＼&0.733＼&0.649＼&+0.104＼&CVR＼&0.538＼&0.624＼&0.578＼&＼&CVR+Extra＼&0.570＼&0.802＼&0.667＼&+0.089＼&RF＼&0.560＼&0.644＼&0.599＼&＼&RF+Extra＼&0.549＼&0.782＼&0.645＼&+0.046＼&]

沒有“Extra”表示訓(xùn)練集中只包含了毀容案的標(biāo)注數(shù)據(jù)，“+Extra”表示在原來毀容案的標(biāo)注數(shù)據(jù)上，還加入了使用規(guī)則自動標(biāo)注的Ipad話題補(bǔ)充數(shù)據(jù)。

從表1的結(jié)果我們可以看出加入了自動標(biāo)注的擴(kuò)充數(shù)據(jù)進(jìn)行訓(xùn)練后，基本每個分類器都有或多或少的提升，其中SMO分類器提高的最多，提高了0.104，而CVR分類器在所有分類器中表現(xiàn)最好，F(xiàn)值達(dá)到0.667，這表明我們加入的這部分自動標(biāo)注數(shù)據(jù)，對訓(xùn)練集數(shù)據(jù)缺乏的分類器訓(xùn)練是有很大幫助的。

為了實驗話題間是否存在差異性，比較通用模型和分話題模型的性能差異。我們按照實驗設(shè)置2做了下面的實驗，這次實驗使用標(biāo)注數(shù)據(jù)和補(bǔ)充數(shù)據(jù)一起作為訓(xùn)練集，測試數(shù)據(jù)作為測試集，對于通用模型，我們直接使用訓(xùn)練集訓(xùn)練出1個通用模型，然后對所有測試集直接進(jìn)行分類，得出結(jié)果；對于分話題模型，我們將補(bǔ)充數(shù)據(jù)按照20個話題進(jìn)行分類，每個話題補(bǔ)充集加上原來的標(biāo)注集作為改話題的訓(xùn)練集，分別訓(xùn)練20個話題子模型，然后測試集也分成同樣的20個話題，分別使用相對應(yīng)的子模型進(jìn)行分類，得出結(jié)果在合并起來進(jìn)行評測。為了以示區(qū)分，我們在分類器簡寫前加ALL-表示通用模型結(jié)果，加Topic-的表示分話題模型的結(jié)果，實驗結(jié)果如表2：

表2 通用模型和話題模型對比結(jié)果

[標(biāo)號＼&正確率＼&召回率＼&F值＼&ALL-NB＼&0.742＼&0.376＼&0.499＼&Topic-NB＼&0.744＼&0.432＼&0.547＼&ALL-SVM＼&0.735＼&0.675＼&0.704＼&Topic-SVM＼&0.735＼&0.682＼&0.708＼&ALL-SMO＼&0.737＼&0.609＼&0.667＼&Topic-SMO＼&0.747＼&0.623＼&0.679＼&ALL-RF＼&0.727＼&0.657＼&0.690＼&Topic-RF＼&0.728＼&0.684＼&0.705＼&ALL-CVR＼&0.720＼&0.657＼&0.687＼&Topic-CVR＼&0.725＼&0.720＼&0.722＼&]

從表2結(jié)果可以看出分話題進(jìn)行訓(xùn)練得到的分類結(jié)果都比通用模型的分類結(jié)果要好，最高的是NB分類器，高出了0.048個點，但是和其他分類器相比，NB比其他分類器低了很多，可能是由于特征選擇的問題，導(dǎo)致了NB分類器的性能比較差。所以分類器中CVR分類器性能最好，分話題模型的F值為0.722比通用的高出了0.035。這些實驗數(shù)據(jù)說明領(lǐng)域間存在著話題差異，使用分話題的訓(xùn)練模型比通用模型更能體現(xiàn)出話題的差異，在性能上也有更好的表現(xiàn)。

6 總結(jié)與展望

本文針對基于機(jī)器學(xué)習(xí)的觀點句識別系統(tǒng)存在訓(xùn)練語料不足的問題，引人了基于規(guī)則的方法，通過使用規(guī)則的方法對從網(wǎng)絡(luò)上挖掘的數(shù)據(jù)進(jìn)行了自動標(biāo)注來擴(kuò)充訓(xùn)練數(shù)據(jù)，經(jīng)過實驗證明，加入使用我們規(guī)則自動標(biāo)注的數(shù)據(jù)對訓(xùn)練分類模型有很大幫助，這解決了在機(jī)器學(xué)習(xí)訓(xùn)練過程中語料不足的問題。實驗中使用的數(shù)據(jù)分了20個話題，我們針對話題進(jìn)行了分話題模型的訓(xùn)練，5種分類算法結(jié)果都表明分話題模型比通用模型分類的結(jié)果要理想，這說明了話題間的分類特征是存在差異的，使用分話題模型比通用模型效果更好。

本次實驗使用的數(shù)據(jù)來自于NLP&CC 2012中文微博情感分析評測，處理的數(shù)據(jù)都是來自于微博，微博的最大特點是簡短，不規(guī)范，里面不僅包含了大量的網(wǎng)絡(luò)術(shù)語，表情，還有很多錯別字，病句，這對我們進(jìn)行分詞，提取特征都有很大的影響。如今，由于網(wǎng)絡(luò)的迅速發(fā)展，微博等形式的網(wǎng)絡(luò)數(shù)據(jù)大量出現(xiàn)，對微博這種網(wǎng)絡(luò)文本如何進(jìn)行更有效的處理，需要我們更深入的研究。通過多個分類器的性能比較，發(fā)現(xiàn)各個分類器有各自的特點，如何利用他們自己的特點，進(jìn)行融合以提高觀點句識別的效果，也是我們未來的工作。

參考文獻(xiàn)：

[1] 張博. 基于SVM的中文觀點句抽取[D]. 北京：北京郵電大學(xué)計算機(jī)學(xué)院，2011.

[2] Wiebe J， Bruce R， Bell M， et al. A corpus study of evaluative and speculative language[C]. acm， 2001.

[3] Riloff E， Wiebe J， Wilson T. Learning Subjective Nouns using Extraction Pattern Bootstrapping[C]. CoNLL-03， 2003：25-32.

[4] Riloff E， Wiebe J. Learning Extraction Patterns for Subjective Expressions[C]. EMNLP-03， 2003：105-112.

[5] Hong Yu， Hatzivassiloglou V. Towards Answering Opinion Questions： Separating Facts from Opinions and Identifying the Polarity of Opinion Sentences[C]. EMNLP， 2003.

[6] Alexander P， Patrick P. Twitter as a Corpus for Sentiment Analysis and Opinion Mining[C]. Proceedings of International Conference on Language Resource and Evaluation. Lisbon， 2010：1320-1326.

[7] Barbosa Luciano， Feng Junlan. Robust Sentiment Detection on Twitter from Biased and Noisy Data[C]. Proceedings of the 23rd International Conference on Computational Linguistics. Beijing， 2010：36-44.

[8] Davidiv D，Tsur O，Rappoport A. Enhanced Sentiment Learning Using Twitter Hashtags and Smileys[C]. Proceedings of the 23rd International Conference on Computational Linguistics. Beijing， 2010：241-249.

[9] 姚天昉，彭思威. 漢語主客觀文本分類方法的研究[C]. 第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集， 2007：117-123.

[10] 葉強(qiáng)，張紫瓊，羅振雄. 面向互聯(lián)網(wǎng)評淪情感分析的中文主觀性自動判別方法研究[J]. 信息系統(tǒng)學(xué)報， 2007，1（1）：79-91.

[11] 王根，趙軍. 基于多重冗余標(biāo)記CRFs的句子情感分析研究[J]. 中文信息學(xué)報， 2007，21（5）：51-55

[12] 蒙新泛，王厚峰.主客觀識別中的上下文因素的研究[C]. 中國計算機(jī)語言學(xué)研究前沿進(jìn)展（2007-2009）， 2009：594-599

[13] 徐睿峰，王亞偉，徐軍，等. 基于多知識源融合和多分類器表決的中文觀點分析[C]. 第三屆中文傾向性分析評測會議（COAE）， 濟(jì)南， 2011：77-87.

[14] 宋樂，何婷婷，王倩，等. 中文情感詞句識別及文本觀點抽取研究[C]. 第二屆中文傾向性分析評測會議（COAE）. 上海， 2009：30-37.

[15] 張文文，王挺. 不規(guī)范文本的無監(jiān)督觀點句抽取[J]. 計算機(jī)與數(shù)字工程， 2013，41（1）：64-68.

[16] 任德斌. 主觀性文本的情感極性分析研究[D]. 東北大學(xué)信息科學(xué)與工程學(xué)院， 2009.

[17] 李德有，李凌霞，郭瑞波. 基于Weka平臺的機(jī)器學(xué)習(xí)方法探究[J]. 電腦知識與技術(shù)，2012，8（10）：2334-2337.