陳永恒，姚桂杰，林耀進(jìn)

（1.閩南師范大學(xué)計(jì)算機(jī)學(xué)院，福建漳州 363000； 2.中國(guó)石油天然氣股份有限公司大港石化分公司，天津 300280）

非監(jiān)督式層次話題情感模型在網(wǎng)絡(luò)評(píng)論主題發(fā)現(xiàn)中的應(yīng)用

陳永恒1，姚桂杰2，林耀進(jìn)1

（1.閩南師范大學(xué)計(jì)算機(jī)學(xué)院，福建漳州 363000； 2.中國(guó)石油天然氣股份有限公司大港石化分公司，天津 300280）

自動(dòng)發(fā)現(xiàn)話題的隱含結(jié)構(gòu)、情感的極性及其關(guān)系，可以方便用戶從海量網(wǎng)絡(luò)評(píng)論集中快速獲得他們關(guān)注的主要觀點(diǎn).提出一種基于非監(jiān)督式的層次話題的情感（Unsupervised Level Aspect－Sentiment，ULAS）模型，利用貝葉斯非參數(shù)性模型作為先驗(yàn)知識(shí)，實(shí)現(xiàn)非監(jiān)督式發(fā)現(xiàn)未標(biāo)記評(píng)論文本集話題的層次結(jié)構(gòu)，分析層次話題的情感極性.實(shí)驗(yàn)結(jié)果表明，相比傳統(tǒng)的JST和ASUM模型，ULAS模型具備較高的分類精確度和較強(qiáng)的模型泛化能力，能夠解決傳統(tǒng)話題情感模型只能在單一粒度話題層進(jìn)行情感分析的問(wèn)題，實(shí)現(xiàn)多粒度話題層的情感分析，滿足用戶對(duì)于評(píng)論對(duì)象不同粒度話題的情感信息需求.

非監(jiān)督式層次話題情感模型；隱藏狄利克雷分配；文本分析；網(wǎng)絡(luò)評(píng)論；主題發(fā)現(xiàn)；主題模型；非參貝葉斯模型

0 引言

網(wǎng)絡(luò)評(píng)論文本集中隱含產(chǎn)品話題及消費(fèi)者情感極性信息，如在筆記本電腦的評(píng)論信息中，一般包含筆記本電腦的質(zhì)量、電池、屏幕及CPU等比較集中的話題信息.在購(gòu)買筆記本電腦前，消費(fèi)者希望通過(guò)查看其他用戶的評(píng)論信息，了解產(chǎn)品各話題的情感信息，主要包括產(chǎn)品是否值得購(gòu)買及產(chǎn)品各話題信息的情感傾向等.面對(duì)海量且無(wú)結(jié)構(gòu)化的網(wǎng)絡(luò)評(píng)論信息，人們難以獲得準(zhǔn)確的產(chǎn)品特征情感信息［1］.近年來(lái)，作為非結(jié)構(gòu)化信息挖掘的一個(gè)新興領(lǐng)域——網(wǎng)絡(luò)評(píng)論的挖掘受到人們關(guān)注［2］.

大部分網(wǎng)絡(luò)評(píng)論挖掘研究忽視話題情感的層次結(jié)構(gòu)，但不論是從消費(fèi)者還是從技術(shù)角度，話題情感的層次結(jié)構(gòu)對(duì)于網(wǎng)絡(luò)評(píng)論挖掘具有重要作用：（1）從消費(fèi)者角度分析，不同消費(fèi)者需要不同粒度的話題情感信息，如有些消費(fèi)者比較關(guān)注屏幕和CPU等較粗粒度的話題信息，有些消費(fèi)者比較關(guān)注CPU主頻和Cache緩存等較細(xì)粒度的話題信息.傳統(tǒng)的話題情感模型只能進(jìn)行單一粒度層的話題情感分析，不能滿足所有消費(fèi)者對(duì)不同粒度層話題的情感信息需求，而且消費(fèi)者需要具有層次結(jié)構(gòu)的話題和情感，找到關(guān)注的話題及情感評(píng)論.（2）從技術(shù)角度分析，層次結(jié)構(gòu)的話題和情感便于情感分析.情感詞的識(shí)別對(duì)于情感分析的精確性非常重要，但不同情感詞在表達(dá)不同話題時(shí)，呈現(xiàn)不同的情感極性［3］，如情感詞“快”，在CPU話題的評(píng)論中具有褒義情感極性，在電池話題的評(píng)論中具有貶義情感極性，該問(wèn)題在基于話題的情感分析模型、尤其是非監(jiān)督模型中常常難以處理.此外，具有明顯情感極性但不依賴話題的一般情感詞，如“好”、“壞”等，對(duì)話題的情感評(píng)價(jià)作用非常有限［2］.現(xiàn)有非監(jiān)督模型通過(guò)分析一般情感詞在某段文本中的共現(xiàn)統(tǒng)計(jì)，將一般情感詞的極性傳遞給話題情感詞，但當(dāng)一般情感詞在話題中出現(xiàn)數(shù)量非常少時(shí)，一般情感詞的極性難以傳遞給話題情感詞［4］.根據(jù)發(fā)現(xiàn)話題及情感極性的層次結(jié)構(gòu)，情感極性可以沿著從一般到特殊的路徑傳遞，進(jìn)而能夠發(fā)現(xiàn)準(zhǔn)確表達(dá)話題情感的情感極性詞.

目前，缺少利用話題的層次結(jié)構(gòu)信息實(shí)現(xiàn)不同粒度層話題的情感分析的相關(guān)文獻(xiàn).筆者提出一種非監(jiān)督式層次話題情感（Unsupervised Level Aspect－Sentiment，ULAS）模型，實(shí)現(xiàn)無(wú)標(biāo)注網(wǎng)絡(luò)評(píng)論文本集中話題情感的層次發(fā)現(xiàn)，克服傳統(tǒng)話題情感模型只能在單一粒度話題層進(jìn)行情感分析的缺點(diǎn).ULAS模型整體結(jié)構(gòu)為一棵樹(shù)，樹(shù)的每個(gè)節(jié)點(diǎn)為一棵兩層節(jié)點(diǎn)樹(shù)，節(jié)點(diǎn)的樹(shù)根代表該節(jié)點(diǎn)的話題，第二層子節(jié)點(diǎn)集合代表該話題的情感極性分布.為了通過(guò)非監(jiān)督形式自動(dòng)發(fā)現(xiàn)語(yǔ)料庫(kù)中隱含的層次樹(shù)，使用非參貝葉斯（Bayesian）（recursive Chinese Restaurant Process，rCRP）模型作為先驗(yàn)，構(gòu)建話題情感樹(shù).

1 層次主題模型

由Lin C等提出的JST（Joint Sentiment／Topic）模型是對(duì)隱藏狄利克雷分布（Latent Dirichlet Allocation，LDA）模型的一種拓展［4－5］.與LDA模型相似，JST模型同樣用于文本分析的概率生成模型并遵循詞袋假設(shè)；不同的是，JST模型除分析文本的主題屬性外，還可以分析文本的情感色彩.通過(guò)對(duì)文本中的主題和情感信息建模，JST模型可以同時(shí)獲得文本中隱含的主題和情感極性［1］.Jo Y等提出層次情感模型（Aspect and Sentiment Unification Model，ASUM），將文本中的句子作為情感表達(dá)的最小單位，句子中包含的詞具有相同的情感極性［6］；與LDA模型不同，ASUM模型和JST模型一樣，可以同時(shí)對(duì)文本中的主題和情感信息建模，并分析文本的主題屬性和情感極性［5］；ASUM模型和JST模型的不同在于，后者中每個(gè)詞可能來(lái)源于不同的語(yǔ)言模型，前者約束一個(gè)單句中的詞來(lái)源于相同的語(yǔ)言模型，因此推測(cè)的每一個(gè)語(yǔ)言模型更注重于在文檔局部范圍內(nèi)共同出現(xiàn)［1］.JST和ASUM模型雖然能夠同時(shí)獲取評(píng)論的主題和主題的情感信息，但不能保證獲取每個(gè)主題的2個(gè)對(duì)立的情感信息［7］.為解決該問(wèn)題，文獻(xiàn)［1］提出主題—對(duì)立情感挖掘模型，采用“文檔—主題—情感—詞”4層產(chǎn)生式結(jié)構(gòu)，實(shí)現(xiàn)每個(gè)主題下2個(gè)對(duì)立的情感信息的挖掘.

LDA、JST和ASUM模型能夠提高網(wǎng)絡(luò)評(píng)論文本話題情感分析性能，但沒(méi)有考慮話題本身固有的層次結(jié)構(gòu).人們研究層次主題模型，如Blei D M和Kim J H等分別提出基于rCRP的分層主題模型［8－9］，能夠發(fā)現(xiàn)文本中隱含主題的層次結(jié)構(gòu)，但是該模型沒(méi)有建立主題與情感極性的關(guān)聯(lián)，進(jìn)而應(yīng)用到情感分析中.

2 層次話題情感模型

根據(jù)網(wǎng)絡(luò)評(píng)論語(yǔ)料庫(kù)中隱含話題和情感的層次結(jié)構(gòu)，定義用于表述該層次結(jié)構(gòu)的話題情感樹(shù)T，將層次結(jié)構(gòu)自動(dòng)組織成層次結(jié)構(gòu)樹(shù)，層次結(jié)構(gòu)樹(shù)中每個(gè)節(jié)點(diǎn)由話題和情感極性組成，利用非參貝葉斯方法從文本集中學(xué)習(xí)和構(gòu)建T.

圖1 話題情感樹(shù)Fig.1 Subject emotional tree

2.1 話題情感樹(shù)

話題情感樹(shù)中每個(gè)節(jié)點(diǎn)為一棵二層樹(shù)，稱為話題情感節(jié)點(diǎn).每個(gè)話題情感節(jié)點(diǎn)由話題及話題情感極性組成，話題情感極性為情感詞字典的多項(xiàng)式分布.根據(jù)話題情感節(jié)點(diǎn)的遞歸定義，話題情感樹(shù)區(qū)分話題（話題情感節(jié)點(diǎn)的根節(jié)點(diǎn)）和依賴話題的情感極性（話題情感節(jié)點(diǎn)包含的子節(jié)點(diǎn)集合），實(shí)現(xiàn)主題從粗粒度到細(xì)粒度的情感極性表達(dá)（見(jiàn)圖1）.由圖1可以看出，T中每個(gè)節(jié)點(diǎn)θi為一顆二層樹(shù)，樹(shù)的根節(jié)點(diǎn)為節(jié)點(diǎn)θi的話題，集合｛，，…｝為話題的情感極性詞分布，其中S為情感極性詞的數(shù)量.

2.2 文本生成

層次話題情感模型為分層貝葉斯網(wǎng)絡(luò)模型，由網(wǎng)絡(luò)評(píng)論文本、話題、情感和詞組成.對(duì)于每篇評(píng)論文本d，通過(guò)參數(shù)η的Dirichlet先驗(yàn)分布得到其情感分布π，η為π的超參數(shù).在ULAS模型的分層貝葉斯網(wǎng)絡(luò)模型中，文本、句子和詞條件相互獨(dú)立，其概率圖模型見(jiàn)圖2.其中Nd為評(píng)論文本集包含的文本數(shù)量，Ns為文本包含句子的數(shù)量，Nw為文本包含詞的數(shù)量，γ和β分別為T、的超參數(shù).利用（S＋1）×∞表示無(wú)限個(gè)詞的情感分布.每個(gè)詞在確定3個(gè)參數(shù)，即詞所在句子的情感極性s、話題情感節(jié)點(diǎn)c及詞的主觀標(biāo)識(shí)p的前提下，通過(guò)分布獲取.

ULAS模型的生成過(guò)程為概率抽樣過(guò)程，對(duì)于網(wǎng)絡(luò)評(píng)論語(yǔ)料庫(kù)中網(wǎng)絡(luò)評(píng)論文本d∈｛d1，d2，…dNd｝的每個(gè)句子i，di為評(píng)論文本集中的第i個(gè)文本，生成過(guò)程為

（1）根據(jù)話題情感樹(shù)T獲取句子i的話題情感節(jié)點(diǎn)c，即c～T，其中T～rCRP（γ）；

（2）根據(jù)情感分布π的多項(xiàng)式分布獲取情感極性s，即s～Multinomial（π）；

（3）通過(guò)超參數(shù)α的Beta分布得到句子i的情感主觀分布θ，即θ～Beta（α）；

（4）對(duì)于句子i中每個(gè)詞j，獲取j的主觀標(biāo)識(shí)p，即p～Binomial（1，θ）；

ULAS模型將句子作為情感極性分配的最小單位，每個(gè)句子都具有一個(gè)情感極性.對(duì)于具有情感極性s的句子i包含的每個(gè)單詞w，在獲得w的主觀標(biāo)識(shí)p的基礎(chǔ)上，模型利用s×p得到w的情感極性.主觀標(biāo)識(shí)p用于表示單詞是否具有主觀情感，其中p∈｛0，1｝，如在負(fù)情感極性的句子中情感詞“glare”的主觀標(biāo)識(shí)p為1，該單詞由歸屬的話題情感極性產(chǎn)生；非主觀情感詞“screen”的主觀標(biāo)識(shí)p為0，在任何情感極性的句子中都由話題產(chǎn)生.

3 模型推理和學(xué)習(xí)

直接求解ULAS模型困難，采用相對(duì)簡(jiǎn)單的基于馬爾科夫鏈蒙特卡羅（MCMC）方法的吉布斯抽樣（Gibbs Sampling）算法進(jìn)行求解.該算法由多元概率分布（兩個(gè)或多個(gè)隨機(jī)樣本的聯(lián)合概率分布）中獲取一系列隨機(jī)樣本組成一個(gè)馬爾科夫鏈［10］，可以降低推導(dǎo)復(fù)雜度，將參數(shù)計(jì)算轉(zhuǎn)化為簡(jiǎn)化的計(jì)算和抽樣過(guò)程.

首先，由吉布斯抽樣算法估計(jì)目標(biāo)文本中采樣詞的情感極性的后驗(yàn)分布.設(shè)采樣詞w包含于文本d的第i個(gè)句子di中，則為i分配情感極性k的概率為

其次，由吉布斯抽樣算法估計(jì)目標(biāo)文本中采樣詞的主觀性的后驗(yàn)分布.設(shè)采樣詞w為文本d中第i個(gè)句子的第j個(gè)詞dij，由話題節(jié)點(diǎn)θk生成s的主觀性值p，則為pdij分配主觀性的概率為

最后，采用rCRP采樣方法為每個(gè)句子關(guān)聯(lián)話題.目標(biāo)文本中每個(gè)句子都包含情感極性和詞的主觀性信息，在為句子分配話題過(guò)程中可以維持信息.設(shè)當(dāng)前話題節(jié)點(diǎn)為θk，則文本d中第i個(gè)句子關(guān)聯(lián)話題存在3種可能的分配方案：

child（θk）函數(shù)表示話題情感樹(shù)中某一節(jié)點(diǎn)的遞歸子節(jié)點(diǎn)；p（childnew）表示創(chuàng)建一個(gè)新節(jié)點(diǎn)的概率；Mc表示分配給節(jié)點(diǎn)c及其子節(jié)點(diǎn)的句子數(shù).

其中文本d句子i中詞w的生成概率為

式中：Γ為伽馬函數(shù).

4 實(shí)驗(yàn)

為驗(yàn)證ULAS模型的分類精確度及泛化能力，利用實(shí)驗(yàn)測(cè)試ASUM、JST及ULAS模型.

4.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)數(shù)據(jù)集為Epinions產(chǎn)品評(píng)論數(shù)據(jù)集，包含10個(gè)主要領(lǐng)域的產(chǎn)品評(píng)論，文中采用臺(tái)式PC產(chǎn)品評(píng)論數(shù)據(jù)集訓(xùn)練和測(cè)試層次話題情感模型.在刪除停用詞、標(biāo)點(diǎn)符號(hào)及詞頻較低詞后，語(yǔ)料庫(kù)中包括2 847篇文本和24 219個(gè)互異詞匯.設(shè)置ULAS模型中初始值α＝10.0，β＝｛10－7，0.01，2.5｝，η＝1.0，r＝0.1.2種情感極性詞（正、負(fù)）的主觀值為1；話題主題的主觀值為0.情感種子詞在Paradiams［11］、Mutual Information（MI）［12］和MPQA情感詞典［13］中選取，其情感極性詞數(shù)量見(jiàn)表1.

4.2 模型分類精確度

比較采用不同情感字典時(shí)3種模型的分類精確度（見(jiàn)表2）.由表2可以看出，使用包含21個(gè)正、負(fù)情感極性詞的Paradiams情感字典，JST和ASUM模型在臺(tái)式PC產(chǎn)品評(píng)論數(shù)據(jù)集的分類精確度為67.85%和71.85%；ULAS模型的分類精確度高于JST和ASUM模型的.結(jié)合Paradiams和MI情感字典在臺(tái)式PC數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，JST和ASUM模型的分類精確度提高7%；ULAS模型的分類精確度提高12%，為86.5%，優(yōu)于JST和ASUM模型的.3種模型分類精確度的提高與同情感詞字典的增加呈非正比關(guān)系.在MPQA情感字典上測(cè)試3個(gè)模型的分類精確度，基于臺(tái)式PC產(chǎn)品評(píng)論數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，3種模型的分類精確度分別降低3%、4%和7%，但ULAS模型的分類精確度好于其他2種模型的（見(jiàn)表2）.

表1 情感字典的情感極性詞數(shù)量Table 1 The number of emotional polarity word in the emotional dictionary

表2 采用不同情感字典的模型分類精確度Table 2 The model classification accuracy with different emotional dictionary

在臺(tái)式PC產(chǎn)品評(píng)論數(shù)據(jù)集上，分析ULAS模型采用不同情感詞典時(shí)話題數(shù)量和模型分類精確度的關(guān)系，結(jié)果見(jiàn)圖3.由圖3可以看出，當(dāng)話題的數(shù)量為1時(shí)，ULAS模型變?yōu)榫哂蠸個(gè)主題的LDA層次模型，并且忽略話題和情感極性詞之間的關(guān)系.采用Paradigm、Paradigm和MI情感詞典的ULAS模型的平均分類精確度為上升曲線，當(dāng)話題數(shù)量為1時(shí)，模型分類性能最差.采用MPQA情感詞典的ULAS模型的平均分類精確度，當(dāng)話題數(shù)量小于85時(shí)為上升曲線，當(dāng)大于85時(shí)為下降曲線，當(dāng)話題數(shù)量為60時(shí)模型分類性能最差.實(shí)驗(yàn)結(jié)果表明，不同情感詞典的話題數(shù)量影響ULAS模型的分類精確度.

4.3 模型泛化能力

泛化能力是衡量模型對(duì)未知數(shù)據(jù)的預(yù)測(cè)能力，為研究語(yǔ)言主題模型過(guò)程中的重要指標(biāo)，將語(yǔ)言主體模型中評(píng)判準(zhǔn)則困惑度（perplexity）作為評(píng)價(jià)模型泛化能力的標(biāo)準(zhǔn)［14］.通過(guò)perplexity評(píng)價(jià)ULAS模型，即由訓(xùn)練數(shù)據(jù)中學(xué)習(xí)的層次話題情感模型在測(cè)試集上建模的泛化能力.已知訓(xùn)練集合Dtrain，測(cè)試文本d∈Dtest包含的詞匯wd的perplexity定義為

圖3 ULAS模型采用不同情感詞典時(shí)話題數(shù)量和分類精確度關(guān)系Fig.3 The relationship between number of topics and classification accuracy when using different emotional dictionary in ULAS model

一般情況下，perplexity越小模型泛化能力越強(qiáng).訓(xùn)練時(shí)，為保證模型收斂，每次訓(xùn)練迭代次數(shù)為1 000次［15］.在臺(tái)式PC產(chǎn)品評(píng)論數(shù)據(jù)集中抽取2 000篇文本作為訓(xùn)練集合，抽取847篇作為測(cè)試集，測(cè)試集包括7 236個(gè)互異詞匯.perplexity測(cè)試結(jié)果見(jiàn)圖4.由圖4可以看出，ULAS模型比JST和ASUM模型具有更低的perplexity值，即ULAS模型比JST和ASUM模型具有更強(qiáng)的泛化能力.說(shuō)明ULAS模型在JST和ASUM模型的基礎(chǔ)上，將非參貝葉斯（Bayesian）模型rCRP作為先驗(yàn)，細(xì)化話題分類，能夠構(gòu)建話題情感樹(shù)，提高模型預(yù)測(cè)的準(zhǔn)確性.

圖4 不同情感模型的模型泛化能力Fig.4 The generalization ability of the model with different emotional model

5 結(jié)束語(yǔ)

文中提出基于一種非監(jiān)督式層次話題情感（ULAS）模型，實(shí)現(xiàn)情感、層次話題、句子和詞之間的關(guān)聯(lián)關(guān)系.該模型利用非參貝葉斯（Bayesian）模型實(shí)現(xiàn)話題的層次分類，將模型應(yīng)用到句子級(jí)的情感模型中，實(shí)現(xiàn)網(wǎng)絡(luò)評(píng)論文本話題情感的隱含層次結(jié)構(gòu)的發(fā)現(xiàn).相比JST和ASUM模型，ULAS模型能夠提高層次話題情感模型分類的精確度，并且具有較高的模型泛化能力.

（References）：

［1］ 張倩，瞿有利.用于網(wǎng)絡(luò)評(píng)論分析的主題—對(duì)立情感挖掘模型［J］.計(jì)算機(jī)科學(xué)與探索，2013，7（7）：620－629.

Zhang Qian，Qu Youli.Topic－opposite sentiment mining model for online review analysis［J］.Journal of Frontiers of Computer Science and Technology，2013，7（7）：620－629.

［2］ Moghaddam S，Ester M.Aspect－based opinion mining from online reviews［C］.Tutorial at SIGIR Conference，2012.

［3］ Li F，Huang M，Zhu X.Sentiment analysis with global topics and local dependency［C］.Proceedings of the Twenty－Fourth AAAI Conference on Artificial Intelligence，2010：1371－1376.

［4］ Lin C，He Y.Joint sentiment／topic model for sentiment analysis［C］.Proceedings of the 18th ACM Conference on Information and Knowledge Management，2009：375－384.

［5］ 單斌，李芳.基于LDA話題演化研究方法綜述［J］.中文信息學(xué)報(bào)，2010，24（6）：43－49.

Shan Bin，Li Fang.A survey of topic evolution based on LDA［J］.Journal of Chinese Information Processing，2010，24（6）：43－49.

［6］ Jo Y，Oh A H.Aspect and sentiment unification model for online review analysis［C］.Proceedings of the Fourth ACM International Conference on Web Search and Data Mining，2011：815－824.

［7］ Mukherjee A，Liu B.Aspect extraction through semi－supervised modeling［C］／／Proceedings of the 50th annual meeting of the association for computational linguistics.Jeju：Association for Computational Linguistics，2012：339－348.

［8］ Blei D M，Griffiths T L，Jordan M I.The nested chinese restaurant process and Bayesian nonparametric inference of topic hierarchies［J］.Journal of the ACM，2010，57（2）：7.

［9］ Kim J H，Kim D，Kim S，et al.Modeling topic hierarchies with the recursive chinese restaurant process［C］.ACM：Proceedings of the 21st ACM International Conference on Information and Knowledge Management，2012：783－792.

［10］ Blei D M.Probabilistic Topic Models［C］／／Communications of the ACM.ACM，2012，55（4）：77－84.

［11］ Pang B，Lee L，Vaithyanathan S.Thumbs up：sentiment classification using machine learning techniques［C］／／Proceedings of the 2002conference on Empirical methods in natural language processing.Morristown：Association for Computational Linguistics，2002：79－86.

［12］ Maes F，Collignon A，Vandermeulen D.Multimodality image registration by maximization of mutual information［J］.IEEE Trans.on Medical Imaging，1997，17（16）：187－198.

［13］ Wilson T，Wiebe J，Hoffmann P.Recognizing contextual polarity in phrase－level sentiment analysis［C］／／The conference on human language technology and empirical methods in natural language processing.Vancouver：ACL，2005.

［14］ Hu P F，Liu W.Latent topic model for audio retrieval［J］.Pattern Recognition，2014，3（47）：303－315.

［15］ Pang Bao，Lee Lillian.Opinion mining and sentiment analysis［J］.Foundations and Trends in Information Retrieval，2008，2（1／2）：1－135.

DOI 10.3969／j.issn.2095－4107.2015.01.015

TP181；TP301.2

A

2095－4107（2015）01－0112－06

2014－12－23；編輯：張兆虹

國(guó)家自然科學(xué)基金項(xiàng)目（60373099，60973040，61303131）；福建省教育廳科技A類項(xiàng)目（JA13196）

陳永恒（1980－），男，博士，副教授，主要從事機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘和推薦系統(tǒng)方面的研究.

book=117,ebook=120