王 濤，劉立波

（寧夏大學(xué) 信息工程學(xué)院，寧夏 銀川 750021）

酒店在線評論文本客觀真實地反映了消費者入住體驗，是消費者對酒店服務(wù)的真實感知，其中包含大量評論觀點，及時有效獲取評論觀點對酒店經(jīng)營具有很高的價值。酒店評論文本觀點抽取是抽取酒店屬性詞與評價詞組合而成的短語。屬性詞通常為描述酒店的某一特征。評價詞是用來表達消費者的觀點態(tài)度，多數(shù)是形容詞，但也有少量具有情感傾向的名詞或動詞[1]。例如酒店評論中的一個評論句子：“服務(wù)專業(yè)熱情，房間設(shè)備干凈整潔完善，自助早餐品種眾多”。其中，“服務(wù)”、“房間設(shè)備”、“自助早餐品種”是屬性詞，“專業(yè)熱情”、“干凈整潔完善”、“眾多”是評價詞，它們分別被用來表達消費者對該酒店“服務(wù)”、“房間”、“自助早餐”滿意的態(tài)度。

目前，評論觀點抽取方法一般分為兩大類：一類是基于傳統(tǒng)自然語言處理技術(shù)的方法，這類方法將詞性、句法依存信息等作為表征句子的特征信息，從而制定觀點抽取規(guī)則抽取評論中觀點。例如，Hu 等[2]首次提出使用關(guān)聯(lián)規(guī)則實現(xiàn)觀點抽取，只能顯式地抽取評論文本中部分觀點；Li 等[3]使用依存關(guān)系從影評中抽取“評價對象－評價意見”單元對；Qiu 等[4]利用依存關(guān)系獲得屬性詞與評價詞之間的關(guān)系模板，從而根據(jù)屬性詞抽取評價詞，根據(jù)評價詞抽取屬性詞。以上基于規(guī)則的方法依賴于領(lǐng)域?qū)＜抑贫ǖ囊?guī)則，規(guī)則多而復(fù)雜，人工構(gòu)造難，且遷移性差，無法抽取規(guī)則之外的屬性。另一類是近幾年流行起來的神經(jīng)網(wǎng)絡(luò)方法，這類方法利用神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)性質(zhì)對句子建模表征后抽取觀點。例如，Liu 等[5]首次將長短期記憶網(wǎng)絡(luò)應(yīng)用于觀點抽取任務(wù)，相較于根據(jù)規(guī)則抽取觀點的方法，該方法取得了更優(yōu)的性能。2016 年，Toh 等[6]提出將雙向循環(huán)神經(jīng)網(wǎng)絡(luò)與CRF相結(jié)合的方法，在SemEval 屬性級情感分析評測任務(wù)中性能達到最優(yōu)。盡管如此，第二類方法需人工標(biāo)注數(shù)據(jù)訓(xùn)練模型，存在評論數(shù)據(jù)量大、標(biāo)注工作繁重等問題，且數(shù)據(jù)集質(zhì)量易受主觀標(biāo)注影響?？傊@兩類方法前期都需人工處理數(shù)據(jù)，耗費了大量的時間和精力。

針對上述問題，該系統(tǒng)基于Web 技術(shù)，以酒店評論文本觀點抽取為研究對象，利用聚類的方法，采用Django 框架對系統(tǒng)功能模塊進行封裝，實現(xiàn)了酒店評論文本觀點的快速抽取。無論是對消費者選擇酒店的效率，還是酒店經(jīng)營者管理酒店的效率，都有很大程度上的提升。

1 數(shù)據(jù)收集

該系統(tǒng)采用的酒店評論數(shù)據(jù)爬取自大眾點評門戶網(wǎng)站，去除用戶名、時間等網(wǎng)頁結(jié)構(gòu)元素后，評論語句數(shù)據(jù)量可達57 805 條，共55 家酒店評論文本，單個酒店評論數(shù)量最多有5 468 條，最少有5 條。為了保證聚類的效果，去除了評論條數(shù)少于10 的酒店。經(jīng)過上述處理后，評論語句文本數(shù)據(jù)總量共57 733 條，共46 家酒店評論數(shù)據(jù)，單個酒店評論數(shù)量最多有5 468 條，最少有11 條，符合實驗要求。

2 系統(tǒng)設(shè)計

該系統(tǒng)采用B/S 架構(gòu)，共分導(dǎo)航層、后臺離線分析層、前端展示層和數(shù)據(jù)層4 層。導(dǎo)航層主要作用是為用戶提供清晰的導(dǎo)航，方便用戶操作；后臺離線分析層和前端展示層采用后臺離線分析-前端延遲查詢的方法，旨在消除后臺耗時分析操作對用戶體驗的影響。其中，后臺離線分析層由評論文本預(yù)處理、構(gòu)建句向量、降維和聚類、冗余觀點合并5 個模塊組成。數(shù)據(jù)層存儲由后臺離線分析得到的數(shù)據(jù)，為前端展示延遲查詢提供數(shù)據(jù)支持，系統(tǒng)流程見圖1。

圖1 系統(tǒng)流程

3 系統(tǒng)實現(xiàn)

3.1 文本預(yù)處理

數(shù)據(jù)預(yù)處理主要分為數(shù)據(jù)清洗及長句切分2 個部分。（1）數(shù)據(jù)清洗：去除評論語句中的網(wǎng)頁標(biāo)簽、表情等特殊字符、非中文字符（不包括標(biāo)點符號）、停用詞，旨在消除數(shù)據(jù)噪聲對實驗結(jié)果的影響[7—9]。（2）長句切分：由于一條評論語句中包含了消費者對酒店不同屬性的評價，如“服務(wù)專業(yè)熱情，房間設(shè)備干凈整潔完善，自助早餐品種眾多”，該評論語句中包含了消費者對酒店“服務(wù)”、“房間設(shè)備”、“自助早餐品種”等屬性的評價，為了完整地提取出評論語句中不同的觀點，按標(biāo)點符號將長句切分為短句，并記錄下由原始評論語句索引、短句在原評論語句中的位置索引及短句內(nèi)容組成的三元組，示例見表1。

表1 長句切分結(jié)果表

3.2 構(gòu)建句向量

計算機無法直接對文本進行計算，需將文本轉(zhuǎn)化為向量表示才能計算文本中的信息。構(gòu)建句向量分為以下3 步：

（1）對于一個待抽取短句S={w1，w2，…，wn}，初始化每個詞的分布式表示；

（2）采用word2vec 模型訓(xùn)練詞向量wi={wv1，wv2，…，wv300}（i=1，2，3，…，n）作為詞義的分布式表示；

（3）由于一個短句中包含多個詞語，因此可將各個短句中每一個詞向量求和取平均數(shù)，如式（1）所示，構(gòu)建一維度為300 的短語句向量SV={ v1，v2，…，v300}。

式（1）中：SV 為短語句向量；wi為詞向量；n 為短語句中的單詞數(shù)。

3.3 降維和聚類

為了提升酒店評論文本觀點的抽取速率，通過對中文評論文本觀點抽取方法的研究，采用降維和聚類的方法對觀點進行抽取。降維聚類流程見圖2。首先，采用t-SNE 算法（T 分布和隨機近鄰嵌入算法）將300 維短語句向量降至2 維，緩解了維度災(zāi)難導(dǎo)致觀點提取速度慢的問題；然后，采用DB-SCAN聚類算法（具有噪聲的基于密度的聚類算法）對2維短語句向量進行聚類。為了使聚類效果達到最佳，采用Calinski-Harabasz 系數(shù)作為評價指標(biāo)，用網(wǎng)格搜索法設(shè)置DB-SCAN 聚類算法的參數(shù)值：樣本的鄰域距離閾值和樣本的距離閾值內(nèi)的鄰域中樣本個數(shù)閾值，作DBSCAN 聚類參數(shù)調(diào)整圖（圖3），取離散點個數(shù)少、Calinski-Harabasz 系數(shù)高位置所在的參數(shù)作為DBSCAN 聚類算法的參數(shù)；接著，經(jīng)式（2）計算每一簇中一向量與其余向量的歐式距離之和di：

圖2 降維聚類流程圖

圖3 DBSCAN 聚類參數(shù)調(diào)整圖

式中，n 為每一簇中短句的數(shù)量；（xi，yi）為短語句向量，取距離之和最小者min(d1，d2，d3，…，dn) 作為中心句。最后，統(tǒng)計每一簇中心句所對應(yīng)類別的數(shù)量。

3.4 冗余觀點合并

因為聚類得到的類別“長尾”現(xiàn)象嚴(yán)重，即觀點冗余度大，如“交通方便”與“交通便利”、“早餐豐盛”與“早餐豐富”、“服務(wù)很好”與“服務(wù)優(yōu)”等觀點相關(guān)度很大，所以需要對冗余的觀點進行合并處理。首先，計算觀點間的Pearson 相關(guān)系數(shù)，然后設(shè)定Pearson 相關(guān)系數(shù)的閾值，將大于設(shè)定閾值的觀點合并，并選擇對應(yīng)評論語句數(shù)量較多的觀點作為冗余觀點的中心句，累加冗余觀點的數(shù)量，合并公式：

式中，Nview為觀點對應(yīng)的評論語句數(shù)量；Nviewi為除觀點view 外其他觀點viewi對應(yīng)的評論語句數(shù)量；P=Pearson（view，viewi）（view≠viewi）為觀點view 與其余觀點viewi的Pearson 相關(guān)系數(shù)；th 為閾值；最后，將原始評論語句索引、短句在原評論語句中的位置索引、簇標(biāo)簽存入MySQL 數(shù)據(jù)庫，為觀點標(biāo)注和展示作準(zhǔn)備。

3.5 觀點標(biāo)注和展示

觀點標(biāo)注和展示即標(biāo)注出所有觀點在評論語句中出現(xiàn)的位置和展示觀點抽取的結(jié)果。為了能直觀展示觀點標(biāo)注和抽取結(jié)果，首先，采用HTML5 語言對前端界面進行設(shè)計，并使用AmazeUI 對界面進行美化；然后，前端采用延遲查詢的方法從MySQL數(shù)據(jù)庫中查找上傳評論文本對應(yīng)的觀點、觀點對應(yīng)評論數(shù)量、原始評論語句索引、短句位置索引、簇標(biāo)簽等屬性，將其組織成json 數(shù)據(jù)，通過Django 框架中的request 對象將json 數(shù)據(jù)傳遞到前端，采用JavaScript 語言解析并展示前端界面。

4 系統(tǒng)測試

4.1 冗余觀點合并測試

該次測試是通過人工分析使用Pearson 相關(guān)系數(shù)合并冗余觀點后的結(jié)果，判斷經(jīng)冗余觀點合并處理后是否解決了觀點冗余度大的問題，部分冗余觀點合并結(jié)果見表2。中心句“服務(wù)很好”對應(yīng)的“服務(wù)熱情”、“服務(wù)好”等觀點都在語義上一致，因此冗余觀點合并效果良好。

表2 冗余觀點合并結(jié)果表

4.2 界面測試

界面測試主要測試界面的2 個方面：①界面一致性，測試使用HTML 語言設(shè)計編寫并使用AmazeUI 美化的界面是否和預(yù)期的界面一致；②數(shù)據(jù)處理正確性，測試jsp 代碼是否能正確處理后臺傳遞到前端的數(shù)據(jù)。界面測試結(jié)果見圖4。界面設(shè)計能達到預(yù)期要求，且數(shù)據(jù)顯示正常。

圖4 界面測試結(jié)果圖

4.3 性能測試

為了測試系統(tǒng)的負(fù)載承受能力，防止系統(tǒng)在處理大量數(shù)據(jù)時出現(xiàn)系統(tǒng)崩潰或“假死”現(xiàn)象，選取評論數(shù)量最多的酒店評論文本，共5 468 條酒店評論語句進行觀點抽取性能測試，測試系統(tǒng)運行時間、CPU占用率、內(nèi)存消耗。性能測試結(jié)果見表3，對5 468 條評論語句，該系統(tǒng)平均能在0.03 s 內(nèi)完成每條評論語句觀點的抽取，觀點抽取速度快，所耗資源少。相較于人工標(biāo)注尋找評論觀點的方式，效率明顯提升。

表3 性能測試結(jié)果表

5 結(jié)論

本文設(shè)計的基于Web 的酒店評論文本觀點抽取系統(tǒng)采用聚類的方法，避免繁重的數(shù)據(jù)處理工作，實現(xiàn)了酒店評論文本觀點的快速抽取。實驗結(jié)果表明，對于5 468 條評論，該系統(tǒng)能在157.81 s 內(nèi)完成酒店評論觀點的抽取，相較于人工構(gòu)建抽取規(guī)則及標(biāo)注數(shù)據(jù)集訓(xùn)練模型的方式，效率顯著提升，滿足實際需求。

然而，該系統(tǒng)尚處于開發(fā)測試階段，仍存在一些不足：一是忽視了隱性冗余觀點的合并，“交通便利”與“靠近火車站”等在潛在語義上冗余的觀點也需要進行合并，以提升系統(tǒng)的可靠性；二是對評論數(shù)量較少的酒店，該系統(tǒng)只是做了簡單的去除操作，對系統(tǒng)泛化能力有一定的影響。今后工作將圍繞這兩個不足展開，提出良好的解決方法，打造更加完美的酒店評論文本觀點抽取系統(tǒng)。