邵良杉，周 玉

(遼寧工程技術(shù)大學(xué) 系統(tǒng)工程研究所，遼寧 葫蘆島125105)

0 引言

電子商務(wù)的不斷優(yōu)化使網(wǎng)絡(luò)購物成為一種重要的消費方式，越來越多的消費者通過點評網(wǎng)站對商品進(jìn)行評價[1]。但互聯(lián)網(wǎng)中的商品評論信息內(nèi)容并不規(guī)范且夾雜大量垃圾信息，需借助技術(shù)手段對評論信息進(jìn)行情感分析。因此，如何準(zhǔn)確、高效地對評論文本進(jìn)行情感分析處理，識別出消費者的情感傾向與偏好，成為自然語言處理的重要研究內(nèi)容之一。

傳統(tǒng)的情感傾向性分類采用的技術(shù)路線主要有兩種: 一種是基于情感詞匯語義特征的文本情感分類方法，例如，Maite等[2]提出根據(jù)一系列詳細(xì)的規(guī)則算法來計算文本中單詞、短語、句子的情感極性，并設(shè)置閾值以更精確地判別文本情感傾向；Mohammad等[3]基于遠(yuǎn)程標(biāo)注情感極性的Twitter文本，使用PMI公式學(xué)習(xí)得到適用于社交媒體情感分析的詞典；周紅照等[4]提出抽取與評價對象相關(guān)的七類語義特征及與極性判定相關(guān)的五類語義特征來判定情感極性；王勤勤等[5]提出基于word2vec的跨領(lǐng)域情感分類方法，選取高質(zhì)量的領(lǐng)域共同特征作為種子，并將領(lǐng)域?qū)Ｓ刑卣鲾U(kuò)充到種子中，減小領(lǐng)域間的差異以獲得更高的分類精度。但該類方法利用情感色彩判斷整體句子的情感傾向時，忽略了上下文語義間的相互信息，是一種淺層次的分類方式。

另一種是基于機(jī)器學(xué)習(xí)的文本情感分類方法。例如，Pang等[6]應(yīng)用貝葉斯、最大熵、支持向量機(jī)等經(jīng)典機(jī)器學(xué)習(xí)算法到電影評論情感極性分析中；姜杰等[7]將語義規(guī)則方法融合到機(jī)器學(xué)習(xí)模型中，結(jié)合基于樸素貝葉斯、邏輯斯特回歸和支持向量機(jī)的集成學(xué)習(xí)器分析微博文本情感極性；唐曉波等[8]基于情感本體對情感詞數(shù)量和情感程度進(jìn)行加權(quán)，提出褒義量和貶義量的概念，并以此作為KNN算法的特征向量。機(jī)器學(xué)習(xí)模型可以較準(zhǔn)確地判讀句子整體的情感傾向，但目前常用模型的分類性能很大程度依賴于人工抽取特征。近年來，深度學(xué)習(xí)模型廣泛應(yīng)用于各個領(lǐng)域，并在情感分類方面展現(xiàn)出一定的優(yōu)勢。Tang等[9]對情感詞進(jìn)行研究進(jìn)而有效學(xué)習(xí)情感，開發(fā)出具有選擇功能的深度神經(jīng)網(wǎng)絡(luò)，將情緒評價應(yīng)用到詞級、句子情感分類；Stojanovski等[10]利用無監(jiān)督學(xué)習(xí)獲得的情感詞訓(xùn)練深層卷積神經(jīng)網(wǎng)絡(luò)，并對Twitter文本進(jìn)行情感分析，取得了優(yōu)于句法特征的分類結(jié)果。從整體看，機(jī)器學(xué)習(xí)方法的分類效果優(yōu)于語義規(guī)則方法，但單獨使用機(jī)器學(xué)習(xí)或語義規(guī)則的方法都很難避免方法自身的局限性。

鑒于此，本文嘗試將語義規(guī)則方法與深度學(xué)習(xí)方法相結(jié)合，提出一種基于語義規(guī)則和改進(jìn)遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)的在線評論文本情感傾向分類模型。首先改進(jìn)傳統(tǒng)規(guī)則算法以獲取更有效的情感信息，擴(kuò)展為多維特征向量嵌入到機(jī)器學(xué)習(xí)常用的基本特征模板中。同時，借助Fisher準(zhǔn)則篩選出高效低維的文本特征。最后，利用長短時記憶(Long Short-Term Memory，LSTM)改進(jìn)的RNN模型(LS-RNN)進(jìn)行評論文本情感分類實驗。

1 在線評論情感傾向分類語義規(guī)則方法

1.1 基于詞典的情感傾向分類語義規(guī)則

借助情感詞典可以將情感詞語從在線評論文本中抽取出來，但單獨對這些詞語進(jìn)行情感極性分析，并不能完全正確地反映文本的真實情感傾向[11]?；谇楦性~典的規(guī)則方法可以借助情感詞典提供的先驗知識，同時考慮文本上下文中改變情感傾向或強(qiáng)度的語義信息，精確反映文本的情感傾向。

傳統(tǒng)的情感規(guī)則方法是對情感詞得分進(jìn)行累加，進(jìn)而得到文本的整體情感傾向。而在線評論文本中用戶情感表達(dá)方式錯綜復(fù)雜，所發(fā)表的評論中常常伴隨著混合觀點，對某一方面給出肯定評價的同時又對其他方面進(jìn)行批評。故本文基于在線評論文本的情感多樣、強(qiáng)烈等特點，在前人類似語義規(guī)則的基礎(chǔ)上進(jìn)行修改和補(bǔ)充，制定出更加適用于在線評論文本的語義規(guī)則。同時，基于大連理工大學(xué)中文情感詞匯本體庫、知網(wǎng)詞典、知網(wǎng)程度詞典和否定詞典、網(wǎng)絡(luò)詞典構(gòu)建情感詞典，對在線評論文本進(jìn)行中文分詞。按照符號“，、”分割子句單元，根據(jù)“？！。；”分割復(fù)句單元。用集合{C1,C2,…,Cj}表示文本劃分后復(fù)句的集合，Cj表示第j個復(fù)句。`針對情感分析時需要考慮的詞語搭配、句型規(guī)則和句間規(guī)則，得到整段評論文本的情感得分Sen。細(xì)化后的情感分析語義規(guī)則見表1，具體計算步驟如下：

表1 情感分析語義規(guī)則

Step1各子句、復(fù)句情感得分初值設(shè)為0；

Step2根據(jù)詞語搭配規(guī)則匹配子句中所出現(xiàn)的情感詞、修飾詞，計算各個子句的情感得分Seni；

Step3在各子句情感得分的基礎(chǔ)上按照句型分析規(guī)則及句間分析規(guī)則計算各復(fù)句的情感得分C_Senj。

Step4對各復(fù)句的情感得分C_Senj進(jìn)行匯總計算，得到整體評論文本的最終情感得分Sen。

規(guī)則方法中，對所有可能影響文本情感得分的規(guī)則進(jìn)行分析并指定規(guī)則，計算過程的范圍由小到大。首先，根據(jù)詞語情感值計算分句情感值。而后，計算復(fù)句情感值。最終，得到整條評論文本的情感值?？紤]范圍更加全面，使文本情感得分更準(zhǔn)確。

1.2 規(guī)則特征融合方法

機(jī)器學(xué)習(xí)方法需要將文本轉(zhuǎn)換為一個合適的形式化表示方法，并在此基礎(chǔ)上建立學(xué)習(xí)模型。向量空間模型(vector space model，VSM)將文檔表示為空間向量進(jìn)行運算，具有較強(qiáng)的可計算性和可操作性。本文采用VSM表示文本，將N-gram特征中正面、負(fù)面類概率值；符號特征(punctuation)中單個感嘆號、問號，多個感嘆號、問號的數(shù)量；語義特征(semantic)中主觀指示詞、虛擬指示詞、語氣詞、否定詞數(shù)量，三類特征串聯(lián)成10維基本特征模板BFT。使用1.1節(jié)中規(guī)則抽取情感特征后，從有強(qiáng)度標(biāo)記的情感詞典，抽取出情感詞得分(Em_Score)、表情得分(Ex_Score)、總得分(Su_Score)、正面/負(fù)面情感詞數(shù)量(Pw_Num/Nw_Num)、正面/負(fù)面情感子句數(shù)量(Ps_Num/Ns_Num)共7維特征。對沒有強(qiáng)度標(biāo)記的情感詞典，情感詞強(qiáng)度默認(rèn)為±1。

將情感詞得分、表情得分及總得分三類特征分別與0值進(jìn)行比較，拓展為3個四維特征向量。其中，第一維為得分值，第二至四維為對比結(jié)果標(biāo)識位，依次判定是否滿足大于0、等于0、小于0關(guān)系，滿足條件為1，否則為0。三類特征最終共拓展得到12(3×4)維向量；同理，通過正面、負(fù)面情感詞數(shù)量、正面、負(fù)面子句數(shù)量之間的相互比較，采用兩兩合并拓展的方式拓展為2個五維特征向量。其中，第一、二維分別為正、負(fù)面情感詞數(shù)量，第三至五維為正、負(fù)面情感詞數(shù)量對比結(jié)果標(biāo)識。四類特征兩兩合并拓展為10(2×5)維拓展特征，將上述拓展后的特征按順序排列得到22(12+10)維情感規(guī)則特征模板RFT，并嵌入到10維基本特征模板BFT中形成32維的混合特征模板MFT。具體規(guī)則得分拓展及嵌入過程如圖1所示。

圖1 規(guī)則得分拓展過程

2 基于RNN的在線評論文本情感分類模型

2.1 RNN相關(guān)理論

2.1.1 RNN網(wǎng)絡(luò)模型

RNN是一種帶有環(huán)結(jié)構(gòu)的前饋型人工神經(jīng)網(wǎng)絡(luò)，且具有一定的記憶功能，其輸入既包括當(dāng)前的輸入樣本也包括上一時刻所獲得的信息，使得信息可以在網(wǎng)絡(luò)內(nèi)部進(jìn)行任意時間的循環(huán)[12]。鑒于這一性質(zhì)，RNN更適合應(yīng)用到文本序列的處理中，其一般結(jié)構(gòu)如圖2所示。

圖2 遞歸神經(jīng)網(wǎng)絡(luò)一般結(jié)構(gòu)

2.1.2 長短時記憶

RNN解決了神經(jīng)網(wǎng)絡(luò)無法解決的文本序列前后關(guān)聯(lián)問題，但無法解決長時依賴問題，且訓(xùn)練過程中通常采用的sigmoid激勵函數(shù)經(jīng)過多級乘法運算極易導(dǎo)致梯度爆炸或消失現(xiàn)象。LSTM由記憶單元(Cell)，遺忘門、輸入門、輸出門組成(見圖3)，這些門可以調(diào)節(jié)存儲單元與外部環(huán)境間的相互作用。引入LSTM結(jié)構(gòu)替換RNN中的隱含層，可以實現(xiàn)t到t+1時刻中存儲單元的狀態(tài)保持不變[13]。

圖3 基于LSTM的改進(jìn)遞歸神經(jīng)網(wǎng)絡(luò)

2.2 Fisher特征提取

則第k維特征的Fisher判別值為：

(11)

其中，F(xiàn)(k)值越大說明該特征項包含越多的鑒別信息，對分類的貢獻(xiàn)率越大。

2.3 情感傾向分類過程

對在線評論原始文本進(jìn)行去噪聲、去停用詞等預(yù)處理后得到訓(xùn)練語料集和測試語料集。使用基于情感詞典的語義規(guī)則方法，學(xué)習(xí)得到訓(xùn)練語料集中的情感先驗知識。而后，根據(jù)一定的規(guī)則轉(zhuǎn)化、拓展為新的情感規(guī)則特征模板，與機(jī)器學(xué)習(xí)中常用的基本特征模板BFT相結(jié)合，形成既包含機(jī)器學(xué)習(xí)常用特征，又包括在線評論文本專有情感知識特征的融合特征模板MFT。計算各特征的Fisher判別值，去除Fisher值低于某一閾值的特征。最終，基于篩選后的特征，訓(xùn)練構(gòu)建起的LS-RNN模型。將測試語料集帶入訓(xùn)練好的模型中得到最終文本情感分類結(jié)果，模型具體訓(xùn)練及預(yù)測過程如圖4所示。

圖4 在線評論文本情感傾向性分類的總體框架

2.4 實驗評測指標(biāo)

在線評論文本情感傾向分類模型性能評價中常用的指標(biāo)包括查準(zhǔn)率(Precision)、召回率(Recall)、正確率(Accuracy)及F值(F-measure)。本文僅將在線評論文本分為正面評論文本和負(fù)面評論文本。正面評論文本和負(fù)面評論文本的預(yù)測情況可具體分為TP(實際正面，預(yù)測正面)，F(xiàn)P(實際正面，預(yù)測負(fù)面)，F(xiàn)N(實際負(fù)面，預(yù)測正面)，TN(實際負(fù)面，預(yù)測負(fù)面)四種，各評價指標(biāo)的計算如式(12)～式(15)所示。

3 實驗與分析

3.1 數(shù)據(jù)收集及處理

本文采用Python爬蟲程序從京東網(wǎng)站爬取有關(guān)oppoR11s手機(jī)的6 000條評論作為語料庫。語料庫中包括評論者、評論時間及評論內(nèi)容等信息，本文僅選取評論內(nèi)容作為在線評論情感分類的數(shù)據(jù)源。京東在線評論作為一個個體性較強(qiáng)的評論平臺，評論信息無特殊限制，使得評論中存在較多的噪聲數(shù)據(jù)。為保證實驗質(zhì)量，需對文本進(jìn)行預(yù)處理。

文本預(yù)處理過程主要包括兩部分內(nèi)容: 一是噪聲數(shù)據(jù)的過濾，二是將長文本評論變?yōu)槎涛谋驹u論分句。本文采用中國科學(xué)院計算技術(shù)研究所研發(fā)的漢語分詞系統(tǒng)(NLPIR)對文本進(jìn)行自動分詞，并借助VSM處理文本。首先，使用R語言編程對原始評論文本進(jìn)行去噪聲處理，去除垃圾評論128條，得到有效評論5 872條。從中按3∶1的比例隨機(jī)抽取得到訓(xùn)練語料集和測試語料集，采用機(jī)器自動標(biāo)注方法將訓(xùn)練語料集分為正面文本和負(fù)面文本兩類。最終，確定訓(xùn)練語料集中正面評論文本為2 415條，負(fù)面評論文本為1 989條。

3.2 RNN模型參數(shù)選擇

為提高LS-RNN模型的情感傾向分類效果，本次實驗采用三層隱含層網(wǎng)絡(luò)結(jié)構(gòu)，優(yōu)化函數(shù)選取SGD算法，目標(biāo)函數(shù)使用交叉熵。模型主要有以下參數(shù)：隱層節(jié)點數(shù)n，SGD算法的學(xué)習(xí)率α。采用網(wǎng)格搜索的方法確定這些參數(shù)，隱含層的節(jié)點數(shù)n在{250, 500, 750, 1 000, 1 250, 1 500}中取值；SGD算法的學(xué)習(xí)率在{1, 0.5, 0.1, 0.05, 0.01}中取值，通常在此范圍內(nèi)取值可以取得比較好的實驗結(jié)果。采用5折交叉驗證的方法確定RNN網(wǎng)絡(luò)最優(yōu)參數(shù)組合，實驗結(jié)果見圖5?？梢?，在不同的學(xué)習(xí)率下，隱層節(jié)點數(shù)n為1 000時模型均具有較高的Accuracy和F-measure值，且當(dāng)學(xué)習(xí)率α取0.1時，模型分類效果最優(yōu)，故確定實驗最優(yōu)參數(shù)為n=1 000，α=0.1。

3.3 情感分類特征抽取

相關(guān)研究表明特征集合中各特征對分類準(zhǔn)確率的貢獻(xiàn)不同，只有小部分特征對分類具有積極意義[15]。本文借助Fisher準(zhǔn)則來提取低維高判別性的特征，并將提取后的特征標(biāo)記為F-MFT。按照式(11)計算各特征的Fisher判別值，并將其作為各特征權(quán)重。根據(jù)權(quán)重大小對特征進(jìn)行降序排列，計算不同特征維數(shù)下模型的F-measure值，測試結(jié)果如圖6所示。

圖5 不同參數(shù)組合預(yù)測結(jié)果對比

圖6 不同特征維度對應(yīng)F-measure值

可以看出，當(dāng)抽取前27維特征時，文本情感傾向分類結(jié)果的F-measure值達(dá)到最高，再增加維度反而會導(dǎo)致F-measure值的下降；另外，隨著特征維度的增高，實驗所消耗的時間也隨之增加。綜合，考慮后選取前27維特征作為F-MFT。

3.4 分類性能測試及對比試驗

采用測試集文本對基于語義規(guī)則和LS-RNN的融合模型進(jìn)行分類性能測試。測試集文本數(shù)量為1 468條，經(jīng)機(jī)器自動標(biāo)注確定正面評價為845條，負(fù)面評價為623條，正負(fù)面評價文本數(shù)量較為均衡。以下分四個實驗測試模型的分類性能。

實驗一驗證結(jié)合語義規(guī)則方法和LS-RNN模型的融合模型的情感傾向分類效果。網(wǎng)絡(luò)模型采用三層隱含層結(jié)構(gòu)，RNN中隱層節(jié)點數(shù)為1 000，優(yōu)化函數(shù)使用SGD算法，學(xué)習(xí)率α取0.1。對比情感語義規(guī)則方法、LS-RNN模型及情感分析中常用的幾類深度學(xué)習(xí)方法，具體結(jié)果如表2所示。

表2 測試集分類結(jié)果(%)

模型PrecisionRecallF-measureAccuracy語義規(guī)則方法79.5377.8777.6975.20卷積神經(jīng)網(wǎng)絡(luò)80.3778.4477.8178.67循環(huán)神經(jīng)網(wǎng)絡(luò)81.0178.9178.0879.33RNN模型80.7678.5677.6478.79LS-RNN模型81.4280.5678.0080.99融合模型91.6090.4291.0189.58

由實驗結(jié)果可知，單純的機(jī)器學(xué)習(xí)方法相對于語義規(guī)則方法具有更好的分類準(zhǔn)確率。經(jīng)改進(jìn)的LS-RNN模型分類準(zhǔn)確率提高得更多，而結(jié)合情感規(guī)則方法與機(jī)器學(xué)習(xí)模型的融合模型在評論文本情感傾向分類中表現(xiàn)最佳，其查準(zhǔn)率、召回率和F值都有明顯的提高。主要原因是LSTM改進(jìn)RNN模型后，使得網(wǎng)絡(luò)可以充分地利用歷史信息，學(xué)習(xí)到文本間的關(guān)聯(lián)關(guān)系。融合模型根據(jù)語義從多個角度并結(jié)合上下文情感關(guān)系提取評論文本特征，可以實現(xiàn)分類模型與語義規(guī)則方法的優(yōu)勢互補(bǔ)，在整體上提升分類性能。

實驗二不同特征選擇方法比較。對比基本特征模板、情感規(guī)則特征模板、混合特征模板及降維特征模板應(yīng)用到LS-RNN模型中的分類準(zhǔn)確率，測試混合特征模板及降維特征模板對模型分類準(zhǔn)確率的提升能力，實驗結(jié)果如圖7所示。

圖7 基于不同特征模板的模型分類效果

由圖7可知，基于Fisher準(zhǔn)則的降維特征模板應(yīng)用到LS-RNN模型后使得各評價指標(biāo)均取得較高數(shù)值。其中，TP=774，TN=541，模型整體分類正確率為89.58%，同等條件下相對于基本特征模板、情感規(guī)則模板和混合特征模板的分類正確率分別提高了11.72%、14.85%、3.48%。特征融合后，模型的分類準(zhǔn)確率要明顯高于僅使用基本特征模板或僅使用特征規(guī)則模板，其考慮情感詞詞性的同時，還考慮了文本上下子句間的聯(lián)系，是一種有效的特征構(gòu)建方法。特征空間維數(shù)簡約過程中，F(xiàn)isher準(zhǔn)則法將混合特征模板的維數(shù)由32降維至27維，其特征簡約率約為28.13%。由此可知，F(xiàn)isher準(zhǔn)則可以有效地提取低維的高判別性特征向量，進(jìn)而提高RNN的分類效果。是一種高效的特征降維方法。

實驗三對比不同模型的情感傾向性分類效果。為深入驗證本文構(gòu)建的融合模型的有效性，本文設(shè)計了不同分類模型之間的對比實驗，對比支持向量機(jī)(SVM)、RNN與LS-RNN三種模型的分類效果，為確保模型之間的可比性，RNN與LS-RNN模型均采用三層隱含層結(jié)構(gòu)。每層包含1 000個激活單元，特征模板采用降維混合特征模板，50次重復(fù)試驗后，得到各模型的平均預(yù)測正確率。如圖8所示。

圖8 不同模型分類效果對比圖

圖8中，各模型均取得較好的分類準(zhǔn)確率，表明降維混合特征可以在一定程度上有效提高模型的分類性能。SVM在小規(guī)模訓(xùn)練樣本的情況下可以表現(xiàn)出較好的預(yù)測性能，而RNN模型使得獲得的信息在網(wǎng)絡(luò)內(nèi)部不斷循環(huán)，在文本序列處理中表現(xiàn)優(yōu)異，且結(jié)合語義規(guī)則方法進(jìn)行特征提取，可以多角度、更好、更全面地獲取到影響文本情感傾向的主要特征。與SVM相比，RNN與LS-RNN具有更高的分類準(zhǔn)確率，進(jìn)一步驗證文本序列內(nèi)部的關(guān)聯(lián)性也是情感傾向分類的一個重要依據(jù)。而對文本中情感信息的重復(fù)利用可以克服部分商品評論較少，數(shù)據(jù)集規(guī)模小的影響，在小樣本分類問題中仍表現(xiàn)出較好的性能；LS-RNN模型的表現(xiàn)是以上所有模型中最優(yōu)的，驗證了其對在線評論文本情感傾向分類的有效性。

實驗四對比融合模型與復(fù)雜神經(jīng)網(wǎng)絡(luò)的分類效果。為驗證融合模型對復(fù)雜知識的學(xué)習(xí)能力，采用訓(xùn)練集樣本訓(xùn)練融合模型、基于詞注意機(jī)制的多層神經(jīng)網(wǎng)絡(luò)及基于自注意機(jī)制的LS-RNN模型并對測試集樣本進(jìn)行預(yù)測，重復(fù)實驗10次后對預(yù)測結(jié)果取均值，實驗結(jié)果如表3所示。

表3 不同模型預(yù)測能力對比

由表3可見，三類模型的分類性能指標(biāo)值均較高，這表明三類模型對于復(fù)雜知識的學(xué)習(xí)能力均較優(yōu)。但實驗過程中復(fù)雜神經(jīng)網(wǎng)絡(luò)的預(yù)測時間成本較高，多層神經(jīng)網(wǎng)絡(luò)易產(chǎn)生梯度擴(kuò)散問題導(dǎo)致模型失效。10次實驗中出現(xiàn)2次模型失效現(xiàn)象，且多層神經(jīng)網(wǎng)絡(luò)不含時間參數(shù)，對信息的重復(fù)利用性不高，預(yù)測性能受樣本規(guī)模大小影響較大。而帶有自注意機(jī)制的LS-RNN模型與融合模型分類效果相差不多。融合模型分類效果更佳的主要原因是基于自注意機(jī)制的深度學(xué)習(xí)模型中對文本中的重疊的冗余情感信息未能進(jìn)行甄別，在一定程度上影響了最終的分類準(zhǔn)確率。實驗四進(jìn)一步證明了本文中結(jié)合語義規(guī)則與深度學(xué)習(xí)的融合模型可以取得在限定資源下最優(yōu)的分類效果。

4 結(jié)語

本文對互聯(lián)網(wǎng)在線評論文本的情感傾向進(jìn)行分析研究。在傳統(tǒng)語義規(guī)則方法的基礎(chǔ)上進(jìn)行改進(jìn)，提出一種將結(jié)合情感詞典的語義規(guī)則方法與改進(jìn)的RNN深度學(xué)習(xí)模型的在線評論文本情感傾向分類模型；借助Fisher準(zhǔn)則對得到的新型混合特征模板降維，參照網(wǎng)格搜索思想確定RNN模型的最優(yōu)參數(shù)組合為 (1000，0.1)。以網(wǎng)絡(luò)爬取的手機(jī)評論文本作為數(shù)據(jù)源進(jìn)行實驗。實驗結(jié)果表明，將語義規(guī)則方法與機(jī)器學(xué)習(xí)模型相融合可以從多層次全面分析文本的情感粒度，有效提升文本情感分類準(zhǔn)確率，為在線評論文本情感分類研究提供了一種新的參考方案。

本文將語義規(guī)則方法與機(jī)器學(xué)習(xí)模型相融合應(yīng)用到在線評論文本中只是初步嘗試。在今后的研究中，將通過更準(zhǔn)確、更深入的規(guī)則方法，挖掘更多的先驗情感信息，并在主題挖掘方面進(jìn)行深一步的研究。