基于双层HHMM的产品评论特征和情感分类.docx

基于双层HHMM的产品评论特征和情感分类
摘要：
产品评论的特征和情感分类对于产品销售和用户满意度评估具有重要意义。本文基于双层HHMM提出了一种产品评论特征和情感分类方法。该方法将评论切分为若干个子句，对每个子句进行情感分类，并根据子句之间的转移概率确定整个评论的情感。实验结果表明，该方法能够有效地提高情感分类的准确度，并能够准确地提取出评论中的关键特征。
关键词：产品评论，双层HHMM，情感分类，特征提取
引言：
随着电子商务的兴起，越来越多的消费者倾向于在网上购物。在购物过程中，产品评论成为了消费者了解产品质量和服务质量的重要手段。因此，产品评论的特征提取和情感分类成为了研究的热点之一。传统的基于机器学习的情感分类方法存在着一些问题，比如需要大量的训练数据、特征选择的难度等问题。因此，一些基于无监督学习的情感分类方法逐渐得到了人们的关注。
本文提出了基于双层HHMM的产品评论特征和情感分类方法。该方法能够将评论分为若干个子句，对每个子句进行情感分类，并根据子句之间的转移概率确定整个评论的情感。该方法具有以下几个优点：
1、提高了情感分类的准确度。
2、能够准确地提取出评论中的关键特征。
3、具有一定的无监督学习特性。
本文的结构安排如下：第二部分介绍了相关工作；第三部分详细描述了该方法的实现过程；第四部分给出了实验结果和分析；最后在第五部分总结了全文。
相关工作：
随着深度学习的发展，许多基于卷积神经网络（CNN）、递归神经网络（RNN）和长短时记忆网络（LSTM）等模型的情感分类方法被提出。但是，这些方法通常需要大量的标注数据才能获得最好的效果。与此同时，一些基于无监督学习的方法也被提出，比如基于情感词典和基于深度学习的无监督情感分类方法。
在特征提取方面，一些传统的基于词袋模型和TF-IDF等技术的方法已经被广泛应用于文本挖掘任务。但是，这些方法忽略了单词之间的语法和上下文信息，容易出现歧义。因此，一些基于词性标注和依存句法分析的方法也被提出。然而，这些方法通常需要大量的人工标注，难以用于大规模语料库的处理。
本文提出的双层HHMM方法克服了一些传统方法的局限性，可以在未标注的语料库中进行情感分类和特征提取。
方法描述：
本文提出的双层HHMM方法将评论切分为若干个子句，对每个子句进行情感分类。具体地，我们首先使用中文分词工具对评论进行分词处理，然后使用依存句法分析工具提取出每个子句的主干部分。每个子句即为由主干部分和附加部分组成的句子。接下来，我们使用情感词典和情感词引导算法对每个子句进行情感分类。最后，我们使用双层HHMM模型根据子句之间的转移概率确定整个评论的情感。
情感词典和情感词引导算法：
本文使用了情感词典SentiWordNet来标注每个单词的情感得分。SentiWordNet是一个包含情感得分的英文单词词典，其中的每个单词都被赋予了一个情感分类，包括前向情感（Pos）、中性情感（Neut）和负向情感（Neg）。SentiWordNet被广泛应用于情感分析、文本分类等任务中。
在使用SentiWordNet进行情感分类时，本文根据情感得分对每个单词进行分类，即Pos得分大于Neut得分且大于Neg得分，则该单词被分类为前向情感词；Neg得分大于Pos得分且大于Neut得分，则该单词被分类为负向情感词；否则该单词被分类为中性情感词。
情感词引导算法的思想是使用情感词来引导情感分类。具体地，我们使用情感词作为中心词，在上下文中查找具有情感倾向的词汇，并根据它们的情感得分来确定情感分类。对于每个评论中的子句，我们将其中所有情感词作为Seed词，利用情感词库及其同义词库中的词来引导情感分类。
在进行情感分类之前，我们需要对每个子句进行预处理。预处理包括去停用词、过滤掉重复的单词和过滤掉不在词库里的单词等步骤。在利用情感词引导算法对子句进行情感分类时，我们基于情感得分的加权平均值计算一个子句的情感得分。情感得分越大，子句的情感越偏向于前向情感；情感得分越小，子句的情感越偏向于负向情感。
双层HHMM模型：
本文采用双层的隐马尔可夫模型（HHMM）将每个子句的情感分类结果合并，从而确定评论的情感分类。第一层是对每个子句的情感进行分类，第二层是计算子句之间转移概率，从而确定评论的情感。对于第一层，我们使用情感词引导算法对子句进行情感分类；对于第二层，我们使用HHMM模型利用子句之间的转移概率计算评论的情感分类结果。
HHMM模型是一种可以建模时序数据的统计模型，由两层隐马尔可夫模型堆叠而成。第一层的隐状态表示每个子句的情感分类结果，第二层的隐状态表示不同子句之间的情感转移概率。给定一条评论X，其情感分类结果Y可以表示为：
Y=argmaxP(Y|X)
其中，P(Y|X)是基于双层HHMM模型计算得到的评论情感概率。具