網(wǎng)絡產(chǎn)品評論細粒度意見挖掘研究綜述

顏端武 江 蕊 楊雄飛 鞠 寧(南京理工大學經(jīng)濟管理學院信息管理系，江蘇 南京 210094)

互聯(lián)網(wǎng)的快速發(fā)展推動著人類交流方式的變革，人們越來越熱衷于在網(wǎng)絡媒介上發(fā)表、交流和傳播關(guān)乎社會、政治、經(jīng)濟、文化等不同層面事件的看法，網(wǎng)絡已成為人們發(fā)表口碑信息的主陣地。同時，這些口碑信息中往往蘊含著豐富的個人情感，對其進行監(jiān)測分析有助于企業(yè)或政府部門實時把握輿論態(tài)勢，必要時可及時采取有效措施，避免口碑危機發(fā)生。

意見挖掘技術(shù)的發(fā)展可為網(wǎng)絡口碑的監(jiān)測分析提供有效技術(shù)支撐，近年來得到了較多關(guān)注。所謂意見挖掘(Opinion Mining)又可稱為情感分析，是對人們針對諸如產(chǎn)品服務、組織、個體、事件、主題等實體的觀點、情緒、態(tài)度等做出有效地挖掘和分析，然后進一步對挖掘出來的信息進行歸納和推理的一類技術(shù)。意見挖掘主要采用自然語言處理、文本分析和情感計算等相關(guān)技術(shù)對互聯(lián)網(wǎng)中海量的產(chǎn)品評論、微博、博客和論壇帖子等文本進行意見抽取或情感分類，總的說來，意見挖掘?qū)儆谖谋就诰虻囊粋€細分研究領(lǐng)域[1]。

目前，基于處理文本粒度的不同，意見挖掘可分為篇章級、句子級、短語級等研究層次，而按照分析粒度的不同，可將意見挖掘分為粗粒度意見挖掘和細粒度意見挖掘[2]。粗粒度意見挖掘一般從整體上來判斷文本的情感極性，而細粒度意見挖掘則深入到產(chǎn)品特征層面，能夠提取到評價信息中涉及的評價對象、評價詞以及對應的評價傾向等意見要素[3]。一般情況下，篇章級和句子級的意見挖掘?qū)儆诖至６鹊囊庖娡诰?，但在大?shù)據(jù)時代背景下，這種整體情感傾向性的分析已經(jīng)滿足不了人們的需求，尤其對于企業(yè)和消費者來說，他們開始追求更加細致和精準的分析挖掘。企業(yè)希望從評論中獲取自身產(chǎn)品服務在具體特征或?qū)傩陨系目诒畔?，幫助進行針對性的改善或提高，從而為消費者提供更加滿意的產(chǎn)品和服務，進一步鞏固自身在行業(yè)中的競爭地位，也能避免口碑危機的發(fā)生。消費者則希望從評論中獲取符合自身個性化要求的相關(guān)產(chǎn)品或服務信息，進而做出購買決策。細粒度的意見挖掘相比而言更加能夠滿足企業(yè)和消費者的現(xiàn)實需求，有效幫助他們減輕信息過載和認知成本等問題，因此在近年來得到了學者們的廣泛關(guān)注。本文的研究流程如圖1所示：

圖1 研究流程圖

1 文獻來源及分布

為了從整體上了解產(chǎn)品評論細粒度意見挖掘研究的發(fā)展情況，本文以“細粒度意見挖掘”、“細粒度情感分析”以及“產(chǎn)品評論挖掘”、“產(chǎn)品評論分析”為關(guān)鍵詞在中國知網(wǎng)上進行相關(guān)中文文獻的檢索，分別檢索到相關(guān)文獻75篇和558篇；相應的以“Fine-grained Opinion Mining”、“Fine-grained Sentiment Analysis”以及“Product Reviews Mining”、“Product Reviews Analysis”為關(guān)鍵詞在Web of Science上進行相關(guān)外文文獻的檢索，分別檢索到相關(guān)文獻213篇和804篇。根據(jù)中外相關(guān)文獻的年代分布對比(見圖1)可以看出，產(chǎn)品評論挖掘、細粒度意見挖掘在近年來逐步成為研究熱點，國內(nèi)外的相關(guān)文獻數(shù)量都有著較快增長，其中國外相關(guān)研究的開展起步較早，研究成果也較國內(nèi)更為豐富?？偟膩碚f，該領(lǐng)域研究有著較好的發(fā)展前景，尤其在大數(shù)據(jù)時代愈加受到國內(nèi)外學者的關(guān)注。

圖2 中外相關(guān)文獻年代分布

2 相關(guān)研究進展

2.1 意見挖掘

意見挖掘往往又被稱為情感分析，而在實際過程中意見挖掘是在評價要素抽取的基礎(chǔ)上再進一步進行情感分析，因此從嚴格意義上來講，情感分析應屬于意見挖掘的組成內(nèi)容?？偟膩碚f，意見挖掘主要是運用自然語言處理、信息抽取、數(shù)據(jù)挖掘等技術(shù)方法對目標文本信息進行主客觀分析以及進一步對主觀性文本進行情感分析，從而幫助抽取出文本信息中有價值的意見信息或知識。從文本粒度出發(fā)，意見挖掘任務可劃分為篇章級、句子級以及短語級，而根據(jù)挖掘范圍和程度的不同，總體上可以分為粗粒度意見挖掘和細粒度意見挖掘。從挖掘任務來看，產(chǎn)品評論細粒度意見挖掘主要涉及主客觀分類、主題識別、意見評價者識別、情感傾向性分析等方面。

意見挖掘簡言之就是從評論信息中抽取出有價值的意見信息，本質(zhì)上屬于信息抽取的范疇，目前國內(nèi)外學者關(guān)于意見挖掘已經(jīng)開展了一系列研究。國外學者中，Pak等通過建立情感分類模型，從整體上分析Twitter用戶的評論語料的情感傾向，從而獲得用戶針對產(chǎn)品或服務的意見態(tài)度和情感傾向[4]。Taboada等提出了一種基于詞典的方法從文本中提取情感，利用SO-CAL模型進行情感極性分類[5]。Hu等運用關(guān)聯(lián)規(guī)則技術(shù)抽取出評論信息中高頻出現(xiàn)的名詞和名詞性短語并進一步進行冗余過濾，進而識別出語料中受到廣泛關(guān)注的評論對象及其屬性[6]。Somprasertsri等結(jié)合句法特征和語義信息，根據(jù)句子成分間的依存關(guān)系設計了5種抽取模板幫助提取出產(chǎn)品評論中的評價特征和觀點詞對[7]。國內(nèi)學者中，潘艷茜等基于SVM模型提出一種結(jié)合微博和汽車評論語料的分類方法，以解決微博中用戶觀點句和非觀點句不平衡的問題[8]。祝振媛基于特征詞向量空間和關(guān)鍵詞提取，構(gòu)建形成一套基于信息分類的英文網(wǎng)絡書評內(nèi)容挖掘方法體系[9]。根據(jù)對已有研究成果的總結(jié)可以發(fā)現(xiàn)，意見挖掘的研究呈現(xiàn)出從傳統(tǒng)的粗粒度意見挖掘向細粒度意見挖掘發(fā)展轉(zhuǎn)變的趨勢。

在大數(shù)據(jù)背景下，意見挖掘技術(shù)的發(fā)展順應了時代對海量數(shù)據(jù)價值挖掘的需求，因此吸引了大量的研究者對其展開研究。同時，意見挖掘研究也開始逐步面向電商平臺建設、網(wǎng)絡輿情監(jiān)測、網(wǎng)絡口碑分析、競爭情報分析以及新產(chǎn)品市場預測等相關(guān)領(lǐng)域，旨在幫助企業(yè)了解消費者的喜愛偏好、改善企業(yè)經(jīng)營模式以及提高自身產(chǎn)品和服務水平，同時也為消費者做出購買決策提供有效的參考。

2.2 粗粒度意見挖掘

粗粒度意見挖掘主要是對文本進行整體的情感傾向性分類，即首先判斷出文本是否具有傾向性，再對具有傾向性的文本進行極性分類，一般分為正面和負面，或者是褒義、中性和貶義等。國內(nèi)外學者分別從不同角度開展了一些具體的研究。國外研究中，Yu等提出了一個貝葉斯分類器用于新聞評論的正負面觀點分類，實驗證明其分類性能非常高，精確度和召回率高達97%[10]。Jiang等運用五折交叉驗證的方法對推文進行主客觀分類，然后擴展情感詞典對主觀推文進行情感分類，取得了較好的實驗結(jié)果[11]。國內(nèi)研究中，丁晟春等借助SVM模型，使用句式特征、句內(nèi)特征和隱性特征對中文微博文本進行主客觀識別和情感傾向性分析，并通過實驗證明了所提方法的可行性和有效性[12]。李本陽等將篇章級的情感傾向性分析劃分成兩層，在分析過程中引入句子級的情感傾向性分析，利用交叉驗證進一步構(gòu)建了單層標注級聯(lián)模型[13]。

在粗粒度意見挖掘相關(guān)研究中可以發(fā)現(xiàn)，很多研究者嘗試將文本分類器應用到文本的情感分類上，但實際分類效果存在一定的差異，同時分類器的分類性能除了與分類特征的選擇有關(guān)，與領(lǐng)域文本特征也有很大關(guān)系。

2.3 細粒度意見挖掘

粗粒度的意見挖掘只能從整體上判斷文本的情感傾向性，而不能深入挖掘用戶對于具體評論對象及其相關(guān)屬性的情感態(tài)度。以產(chǎn)品為例，產(chǎn)品往往存在不同的特征屬性，消費者對其整體的情感傾向不能代表消費者對其局部特征屬性方面也持有相同的情感傾向，同時消費者在對產(chǎn)品進行評價或進行同類型產(chǎn)品對比時，往往會從具體的產(chǎn)品特征及屬性的角度發(fā)表觀點意見。不管是消費者還是企業(yè)都希望在了解產(chǎn)品的整體情感傾向的同時，對于自身所關(guān)注的產(chǎn)品特征的情感傾向也能有所掌握?；谶@樣的現(xiàn)實需求，細粒度意見挖掘成為意見挖掘領(lǐng)域的新熱點，并且主要應用于企業(yè)產(chǎn)品或服務評論的分析挖掘。

細粒度意見挖掘在粗粒度意見挖掘的基礎(chǔ)上進一步深入，具體到產(chǎn)品的特征層面，運用信息抽取技術(shù)抽取出評論文本中的評論主體、評價特征、評價詞以及文本情感傾向等意見要素，為現(xiàn)實應用提供有價值的細節(jié)信息[3]。目前，面向產(chǎn)品評論的細粒度意見挖掘主要涉及產(chǎn)品特征抽取、評價詞識別、評價特征與評價詞搭配抽取、情感計算等方面研究內(nèi)容。隨著細粒度意見挖掘研究的興起，國內(nèi)外學者從不同的角度出發(fā)開展了各自的研究工作，取得了一定的研究成果，下文將從主要任務和關(guān)鍵技術(shù)兩個方面對相關(guān)研究成果分別進行總結(jié)。

3 細粒度意見挖掘的主要任務和關(guān)鍵技術(shù)

3.1 細粒度意見挖掘的主要任務

Medhat等認為基于產(chǎn)品評論的細粒度意見挖掘具體包括4個步驟，分別是情感識別、產(chǎn)品屬性選擇、情感分類和情感極性識別，從而總結(jié)出細粒度意見挖掘的主要任務是特征識別和情感分類[14]。徐冰等指出細粒度意見挖掘的主要任務是分析提取情感傾向以及與之相關(guān)聯(lián)的各要素，包括評價對象、傾向極性和強度等[15]。萬琪等指出評價對象識別，抽取情感的表達、觀點持有者等是細粒度意見挖掘的主要任務[16]。

通常情況下，細粒度意見挖掘?qū)嶋H分為3個步驟進行：①評論文本的主客觀分類；②評論對象的特征或?qū)傩约皩楦性~的識別；③評論對象特征或?qū)傩缘那楦袠O性分類，即依據(jù)事先定義的情感詞的極性值進行情感傾向分類，例如分類為正向極性或負向極性[17]。因此，細粒度意見挖掘的主要任務可以具體總結(jié)為：①文本的主客觀分類；②評價對象、評價詞及兩者間搭配等評價要素的抽??；③面向評價對象的情感極性計算這3個方面。其中，評價要素的抽取是細粒度意見挖掘的關(guān)鍵任務。

3.2 細粒度意見挖掘的關(guān)鍵技術(shù)

3.2.1 主客觀分類

網(wǎng)絡文本可分為主觀性文本和客觀性文本，其中客觀性文本只是針對評論對象的客觀性描述，往往不帶有感情色彩，而主觀性文本是對評論對象的意見觀點的集合，帶有個人的主觀情感[18]。換句話說，主觀性文本是真正意義上的評論句，也是意見挖掘的主要對象，因此，在對文本進行意見挖掘時，首先需要對評論文本進行主客觀分類，即識別出其中的主觀性文本，從而幫助縮小范圍，減少干擾。

主客觀分類的主要目的是幫助提高評價要素抽取的效率和準確性，為此，國內(nèi)外學者嘗試不同的方法實現(xiàn)評論文本的主客觀分類。Toprak等人基于詞語特征、詞性特征以及詞典信息特征(主要是情感詞典)，利用SVM分類器實現(xiàn)基于監(jiān)督學習模型的文本主觀性分類，實驗發(fā)現(xiàn)詞典信息特征能夠顯著幫助提高分類任務的召回率[19]。Lambov等人在構(gòu)建跨領(lǐng)域的分類模型時，提出和評估了一種融合高層次特征(如情感詞的極性強度)和低層次特征(如TF-IDF信息)的協(xié)同訓練方法，其實驗結(jié)果的精度水平達到了86.4%，表明了該方法能夠顯著提高主觀分類的準確率[20]。對于中文文本的主客觀分類問題，郭云龍等人根據(jù)構(gòu)建的詞語字典與詞性字典，分析支持向量機、樸素貝葉斯、K最近鄰等分類模型，并利用證據(jù)理論結(jié)合多分類器對中文微博的觀點句進行識別[21]。張博等人基于SVM分類器對中文句子主客觀分類的特征選擇進行了研究，提出了情感詞、指示性動詞、指示性副詞、語氣詞及語氣標點符號等語義層面的特征，還對N-POS、N-Gram等語法層面的特征加以探討，通過選擇不同的特征維數(shù)，找到了使性能達到最優(yōu)的特征組合形式，最終達到了令人滿意的分類結(jié)果[22]。

總的來說，主客觀文本的分類目前主要是以情感詞為主，結(jié)合文本類型和文本特征表示方法加以實現(xiàn)，如何從更深層次的角度選取評論文本特征以幫助提高分類的準確性是眾多學者正在尋求突破的地方。

3.2.2 評價要素抽取

1)評價特征的識別

評價特征的識別往往也被稱為評價對象的抽取。國外學者中，Hu等根據(jù)評價特征往往以高頻詞或短語的形式出現(xiàn)的規(guī)律，采用基于關(guān)聯(lián)規(guī)則的挖掘方法識別出評論句中的評價特征[6]。Goldensohn等運用基于統(tǒng)計和規(guī)則的方法幫助識別餐館、酒店等服務評論語料中的評價特征[23]。Qiu等采用雙向傳播的方法進行觀點詞擴充和評價特征的識別[24]。一些研究者還將主題計算模型引入到意見挖掘研究中。Titov等利用LDA模型獲取到產(chǎn)品特征，在此基礎(chǔ)上對相似的特征進行主題聚合[25]。Zhai等提出了帶約束的LDA模型來實現(xiàn)商品特征抽取及分組[26]。彭云等根據(jù)產(chǎn)品評論詞語間的語義關(guān)系，提出語義關(guān)系約束的主題模型SRC-LDA，以發(fā)現(xiàn)細粒度特征詞、情感詞及之間的語義關(guān)聯(lián)性[27]。游貴榮等使用詞性路徑匹配模板檢測評論中的評價句，并加入自定義評價詞詞典進行評價特征識別工作[28]。王榮洋等則基于CRFs模型提出了一種面向產(chǎn)品評論的評價特征識別方法[29]。

已有研究中進行評價特征識別的方法主要有基于頻率、基于模板規(guī)則、基于圖論、基于條件隨機場、基于深度學習等諸多方法。其中，基于頻率的方法較為常見，但只能抽取頻繁出現(xiàn)的評價特征，對于非頻繁出現(xiàn)的評價對象還需要采取其他技術(shù)手段；基于規(guī)則模板的方法無需大量標注語料且算法時間復雜度低，但受限于句法分析器的性能而表現(xiàn)差強人意；基于圖論的方法假設評價特征為名詞或名詞性短語和評價詞為形容詞，利用評價特征和評價詞的共現(xiàn)強化來實現(xiàn)兩者的聯(lián)合抽取，但在句子中無形容詞性的評價詞的情況下存在一定的問題；基于條件隨機場的方法可以較為精確地抽取出評價特征，但是該方法需要大量的訓練集，對語料標注的質(zhì)量要求也比較高；基于深度學習的方法近年來深受歡迎，其避免了大量特征方面的工程工作，能在一定程度上從語義角度分析評價對象，但是在實際研究中面臨模型訓練時間復雜度高和領(lǐng)域遷移困難等問題。

2)評價詞的識別

評價詞即評論中帶有觀點色彩的詞，部分研究者也將其稱為情感詞。目前大部分研究都采用基于詞典的方法和基于語料庫的方法進行評價詞的識別?；谠~典的方法常通過計算候選詞與情感種子集中的情感詞的關(guān)聯(lián)度來進行評價詞識別，如國外Kim等通過構(gòu)建種子詞語，使用WordNet計算新詞的情感傾向性[30]，國內(nèi)朱嫣嵐等利用HowNet對中文詞匯語義的傾向性進行計算[31]。Turney等基于評論語料庫，通過點互信息方法計算出候選詞與種子詞在語料庫中的PMI值，進而分析出候選詞的傾向性[32]。王振宇等則將情感詞典和語料庫兩種方法相結(jié)合，用以計算出新詞的傾向性[33]。

總體來看，目前評價詞識別技術(shù)的效果取決于情感詞典和語料庫的詞匯收錄規(guī)模和情感標注質(zhì)量，因此存在很大的局限性，尤其是在進行領(lǐng)域遷移時面臨很大的問題。部分研究者開始嘗試從句子本身出發(fā)，通過分析句子成分間的依賴關(guān)系和詞性特征識別出評價詞，如王娟等從評價詞的詞性出發(fā)，找出其在句子中可能的句法位置，利用評價詞與其他句子成分間的依存關(guān)系制定了一系列抽取規(guī)則，幫助識別出評價詞[34]。

3)評價對象與評價詞的搭配抽取

過往的評價對象與評價詞搭配的抽取常采用基于窗口的方法，以評價對象或者評價詞為中心，在特定范圍查找識別出相應的評價詞或評價對象，進而實現(xiàn)兩者搭配的抽取。目前，部分研究者嘗試通過其他方法來實現(xiàn)對評價搭配的抽取工作。國外研究中，Lakkaraju等利用機器學習并結(jié)合依存句法分析，使用HMM模型實現(xiàn)評價搭配的抽取[35]。Feng等基于人工標注評價對象和評價詞，然后根據(jù)句法分析制定句法規(guī)則并根據(jù)規(guī)則抽取評價搭配[36]。Somprasertsri等在句法及語義分析基礎(chǔ)上提出基于依存關(guān)系模板的評價搭配抽取方法[7]。國內(nèi)研究中，郭沖等則利用情感本體樹和先驗知識模板匹配算法幫助識別出評論句中的評價搭配[3]。方明等采用基于最大熵模型的方法實現(xiàn)對酒店評論文本中的評價搭配抽取[37]。

傳統(tǒng)的評價搭配抽取方法對于一些句式表達較為復雜或特殊的句子難以保證抽取的準確率，借助依存句法分析，根據(jù)句子成分間的語義依賴關(guān)系進行評價搭配的抽取能夠進一步提高抽取結(jié)果的準確率，因此在近年來得到了較多研究者的關(guān)注。

3.2.3情感極性計算

早期的評論情感計算主要實現(xiàn)情感傾向的定性判斷，即識別出評論句的感情色彩是正面還是負面，或者是褒義、貶義還是中性，一般常采用分類器實現(xiàn)文本的傾向分類。后來部分研究者又進一步嘗試在定性判斷的基礎(chǔ)上實現(xiàn)定量計算，即計算出情感傾向的強度值，如用[-1，1]區(qū)間內(nèi)的值來表示強度值大小。目前，國內(nèi)外學者在不同方面上都取得了一定的研究成果。國外研究中，Wang等基于無監(jiān)督的學習方法，利用EM算法和樸素貝葉斯分類器優(yōu)化進行文本傾向分類，實驗結(jié)果表明分類正確率較高[38]。Socher等提出基于遞歸自動編碼的半監(jiān)督情感句分析模型，構(gòu)建短語樹并提取短語節(jié)點特征預測句子情感極性[39]。國內(nèi)研究中，萬常選等認為影響句子情感傾向值的詞性包括形容詞、動詞、副詞和名詞，其通過分析句子成分間的不同依存關(guān)系對句子情感值的影響，設計了6種情感計算的規(guī)則，結(jié)合實驗證明了規(guī)則的有效性[40]。王中卿等則設計開發(fā)了一種用于抽取中文觀點句和識別情感極性的系統(tǒng)—Suda_SAM_OMS系統(tǒng)，取得不錯的效果[41]。

總的說來，情感計算的研究由最初的定性判斷逐步向定量計算發(fā)展，不再局限于情感傾向的二分類，即正面和負面，開始嘗試更細粒度的極性值計算。一方面，研究者們在構(gòu)建情感詞典時嘗試賦予情感詞一個量化的情感值，對于影響情感值的副詞、否定詞等賦予相應的影響因子；另一方面，根據(jù)句子成分的依存關(guān)系等特征設計具體計算規(guī)則，得到具體的情感強度數(shù)值。

4 總結(jié)和展望

本文圍繞網(wǎng)絡產(chǎn)品評論細粒度意見挖掘這一主題對國內(nèi)外研究成果進行了研究綜述。首先，對意見挖掘的基礎(chǔ)理論進行介紹，包括基本概念、主要內(nèi)容及分類，并按照粒度層次，對粗粒度意見挖掘和細粒度意見挖掘的研究現(xiàn)狀分別進行論述；在此基礎(chǔ)上，著重針對細粒度意見挖掘的主要任務和關(guān)鍵技術(shù)方法進行研究梳理。通過對已有研究成果的總結(jié)可以發(fā)現(xiàn)，細粒度意見挖掘作為網(wǎng)絡產(chǎn)品評論挖掘的重要發(fā)展方向，已經(jīng)受到來自情報學、計算機科學、管理學等不同背景學者越來越多的研究關(guān)注。

目前，國內(nèi)外學者在網(wǎng)絡產(chǎn)品評論細粒度意見挖掘方面已經(jīng)取得相當不錯的研究成果。但是，由于自然語言的復雜性、文字表述的多樣性和靈活性，如何提升細粒度意見挖掘的性能是目前該領(lǐng)域研究面臨的重要問題。從研究發(fā)展趨勢來看，如何將多來源的、異構(gòu)同性的產(chǎn)品評論進行匯聚和對比，結(jié)合細粒度意見挖掘開展比較意見挖掘研究，以幫助企業(yè)和消費者更好的進行市場和購物決策，是目前值得進一步研究的課題；在技術(shù)應用方面，目前的研究大多以方法模型和實驗研究為主，加快實施和大力推進網(wǎng)絡產(chǎn)品評論細粒度意見挖掘在口碑監(jiān)測、市場分析、客戶服務等方面的實際應用，無疑具有重要現(xiàn)實意義。