Извлечение аспектов товаров или услуг из отзывов потребителей с использованием модели условных случайных полей
Аннотация
Описана система, принимавшая участие в соревновании SentiRuEval-2015 по автоматическому извлечению аспектов из отзывов и оценке этих аспектов по тональности. В основе разработанной системы лежит алгоритм условных случайных полей (CRF), она использовалась в решении двух подзадач и тестировалась на двух предметных областях: рестораны и автомобили. Для обеих задач и обеих предметных областей показаны высокие показатели метрики полноты. Это означает, что система может вполне успешно находить аспектные термины. Вместе с тем, полученный низкий показатель точности свидетельствует о том, что система принимает за аспектные достаточно много терминов, которые аспектными не являются. В целом же система показала сравнительно хорошие результаты по сравнению с другими участниками соревнования.
Об авторах
Ю. В. Рубцова
Институт систем информатики им. А.П. Ершова СО РАН
Россия
Россия
С. А. Кошельников
Институт систем информатики им. А.П. Ершова СО РАН
Россия
Россия
Список литературы
1. Turney P.D. Thumbs up or thumbs down?: semantic orientation applied to unsupervised classification of reviews // Proceedings of the 40th Annual Meeting on Association for Computational Linguistics. Association for Computational Linguistics, 2002. P. 417-424.
2. Pang B., Lee L., Vaithyanathan S. Thumbs up?: sentiment classification using machine learning techniques // Proceedings of the ACL-02 Conference on Empirical Methods in Natural Language Processing. Association for Computational Linguistics, 2002. V. 10. P. 79-86.
3. Рубцова Ю.В. Разработка и исследование предметно независимого классификатора текстов по тональности // Труды СПИИ РАН. 2014. Т. 5, № 36. С. 59-77.
4. Wilson T., Wiebe J., Hoffmann P. Recognizing contextual polarity: an exploration of features for phrase-level sentiment analysis // Computational linguistics. 2009. V. 35, No 3. P. 399-433.
5. Liu B. Sentiment analysis and opinion mining // Synthesis Lectures on Human Language Technologies. 2012. V. 5, No 1. P. 1-167.
6. Zhang L., Liu B. Aspect and entity extraction for opinion mining // Data Mining and Knowledge Discovery for Big data. Springer Berlin Heidelberg, 2014. P. 1-40.
7. Marrese-Taylor E., Velásquez J.D., Bravo-Marquez F. A novel deterministic approach for aspect-based opinion mining in tourism products reviews // Expert Systems with Applications. 2014. V. 41, No 17. P. 7764-7775.
8. Loukachevitch N., Blinov P., Kotelnikov E., Rubtsova Yu.V., Ivanov V.V., Tutubalina E. SentiRuEval: testing object-oriented sentiment analysis systems in Russian // Proceedings of International Conference Dialog–2015. 2015. P. 3-9.
9. Hu M., Liu B. Mining and summarizing customer reviews // Proceedings of the tenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2004. P. 168-177.
10. Popescu A.M., Etzioni O. Extracting product features and opinions from reviews // Natural Language Processing and Text Mining. Springer London, 2007. P. 9-28.
11. Moghaddam S., Ester M. ILDA: interdependent LDA model for learning latent aspects and their ratings from online product reviews // Proceedings of the 34th International ACM SIGIR Conference on Research and Development in Information Retrieval. ACM, 2011. P. 665-674.
12. Jin W., Ho H.H., Srihari R.K. OpinionMiner: a novel machine learning system for web opinion mining and extraction // Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2009. P. 1195-1204.
13. Jakob N., Gurevych I. Extracting opinion targets in a single-and cross-domain setting with conditional random fields // Proceedings of the 2010 Conference on Empirical Methods in Natural Language Processing. Association for Computational Linguistics, 2010. P. 1035-1045.
14. Titov I., McDonald R. Modeling online reviews with multi-grain topic models // Proceedings of the 17th International Conference on World Wide Web. ACM, 2008. P. 111-120.
15. Brody S., Elhadad N. An unsupervised aspect-sentiment model for online reviews // Human Language Technologies: The 2010 Annual Conference of the North American Chapter of the Association for Computational Linguistics. Association for Computational Linguistics, 2010. P. 804-812.
16. Hofmann T. Unsupervised learning by probabilistic latent semantic analysis // Machine learning. 2001. V. 42, No 1-2. P. 177-196.
17. Blei D.M., Ng A.Y., Jordan M.I. Latent Dirichlet allocation // Journal of Machine Learning Research. 2003. V. 3. P. 993-1022.
18. Zhao W.X. et al. Jointly modeling aspects and opinions with a MaxEnt-LDA hybrid // Proceedings of the 2010 Conference on Empirical Methods in Natural Language Processing. Association for Computational Linguistics, 2010. P. 56-65.
19. Mukherjee A., Liu B. Aspect extraction through semi-supervised modeling // Proceedings of the 50th Annual Meeting of the Association for Computational Linguistics: Long Papers-Volume 1. Association for Computational Linguistics, 2012. P. 339-348.
20. Sutton C., McCallum A. An introduction to conditional random fields for relational learning // Introduction to Statistical Relational Learning. 2006. P. 93-128.
21. McCallum A.K. MALLET: A Machine Learning for Language Toolkit. 2002.
22. Serge Sharoff, Mikhail Kopotev, Tomaz Erjavec, Anna Feldman, Dagmar Divjak. Designing and evaluating a russian tagset // LREC. 2008.
Рецензия
Для цитирования:
Рубцова Ю.В., Кошельников С.А. Извлечение аспектов товаров или услуг из отзывов потребителей с использованием модели условных случайных полей. Электронные библиотеки. 2015;18(3-4):203-221.
For citation:
, Extraction of aspects of goods and services from consumers reviews using conditional random fields model. Russian Digital Libraries Journal. 2015;18(3-4):203-221. (In Russ.)
Просмотров:
21
Послать статью по эл. почте 