特征词提取方法整理

ni,j 代表词 i 在文档 dj 中出现的频率； 率。|D|表示语料库中的文件总数。
ቤተ መጻሕፍቲ ባይዱ������
������������ ,������ 代表文档 dj 中所有单词出现的频
TFIDFij=tfij*idfi TF-IDF 倾向于过滤掉常见的词语，而保留重要的词语。为了进一步改进试
验效果，在此基础上选出 IFIDF 大于阈值的特征词。 7. 《基于观点挖掘的产品可用性建模与评价》中，作者提出特征观点对抽取算 法，即抽取产品评论中产品特征(Feature)和相应观点词(Opinion)组成的特征 观点对(F,O)。该算法的优势在于不需要人工标注任何数据。 1) 首先利用分词技术得到分词及词性标注，根据评论语料库来统计词语的 词频，来生成词典； 2) 抽取产品评论中产品特征(Feature)和相应观点词(Opinion)组成的特征观 点对(F,O)。
观点挖掘流程图如下所示：
其中 f 代表候选特征词，d 代表某种关系的指示词。Hits 代表搜索引擎的命 中个数，PMI 越高，f 与某产品的指示关系 d 程度越高。 5. [9]首先利用 Penn Treebank[18]提取出基础名词短语（BNP） ，将这些 BNP 作 为候选特征词，接下来分别用混合模型（Mixture Model）和可能性测试模型 （Likelihood Test）进行特征选择。 6. 我们利用 TF-IDF 提取 TD-IDF 值大于阈值的特征词作为特征词集合。 TF-IDF 公式如下：
3) 利用词语相似度来计算观点词的情感倾向。 通过计算观点词 Oi 和正面词 汇集P − words = {p������1 , … … , p������������ }以及负面词汇集N − words = {n������1 , … … , n������������ }的相似度来判断， 正面词汇集和负面词汇集选择的是 《知 网》提供的情感分析用语词语集。相似度计算方法是利用大规模语料库 进行计算，从信息论的角度利用互信息计算词语的相似度，而观点词 Oi 的情感的分等于它和正面词汇的相似度减去和负面词汇的相似度：
1. 最简单的方法是利用词性进行特征提取。利用 NLP 分词及词性标注技术对 用户评论进行解析，从中提取名词或名词短语来作为候选特征词。此方法的 优点是处理速度快，但缺点同样很明显，受限于 NLP 固有缺陷，分词准确 率不高，导致这种方法的准确率也不够理想。 2. 为进一步提高准确性，除了词性，我们还可以利用一些固定模式进行特征词 提取。[14]提供了一种基于规则的半自动化方法，人为选出几种模式，得到 候选的特征词，再进行人工选择，剔除非特征词。这种方法的优点是可以在 仅利用词性的基础上进一步提高准确率，且方法简易实现；缺点是准确率严 重依赖模式的选择。 3. LiuBing[1]提出基于关联分析的特征提取方法。首先对语料库进行词性标注， 提取出每个句子中所有名词或名词短语作为一个 transaction，而其中每个名 词或短语作为一个 item，利用关联分析方法，得到频繁集。再删除不是特征 词的频繁集。利用关联分析法可找到频率较高的特征词，但找不到低频率的 特征词。基于上述思想，利用高频特征词找到对应的观点词，然后利用观点 词找出附近低频特征词，可以提高召回率。 4. 文献[13]提出一种利用互信息（PMI）的特征提取方法。该方法首先提取出 频率高于某一阈值的名词或名词短语来作为候选特征词，然后利用搜索引擎 计算出候选特征词与产品的互信息（PMI，Point-wise Mutual Information） ， 依此确定特征词与该产品的相关性。PMI 如下所示：