一种用于社会意见挖掘的主观表达抽取方法

摘要

意见矿业在公众舆论监测，商品评估，政府治理等领域发挥着重要作用。意见挖掘的基本任务之一是提取表达元素，其可以进一步分为直接主观表达和表达主观表达。对于主观表达提取的任务，基于神经网络的方法可以自动学习功能，没有详尽的特征工程，并且已被证明是效率的意见挖掘。构建可以编码足够信息的足够输入向量是基于神经网络的方法的挑战。为了应对这个问题，提出了一种结合具有字向量的不同特征的新颖表示方法。然后，我们使用神经网络和条件随机场来训练并预测表达式并对不同方法和特征组合进行比较实验。实验结果表明了拟议模型的性能，以及F在比较实验数据集上，Value方法优于其他方法。本文的工作可为进一步开展意见表达抽取研究提供参考。

1.导言

从社交网络中获取的信息不仅包含事件的客观事实，还包含人们、组织或媒体表达的观点。有时，事件的相关意见比事件本身更有价值。对事件的主要观点通常需要手动跟踪、分析和提取，这既耗时又费力。很难从大量信息中快速定位和提取新闻事件中传达的观点。如果我们能够自动挖掘和提取这些新闻事件的所有相关意见信息，然后挖掘出主要观点，将有助于了解相关方对事件的态度和立场，使舆情监测分析从事实层面深入到观点层面，进一步提高对事件舆情的监测和理解。总之，舆论挖掘对于社会网络中的舆论监测和分析具有重要意义。

意见挖掘的层次可以分为词层、句子层和文本层。词汇水平方法倾向于关注词汇本身所包含的态度、观点和情感极性。常用的机制是根据已有的观点词种子启发式地搜索近似词，扩展原有的观点词典，然后根据词汇量判断观点句。文本级挖掘方法通常通过从文本中提取观点句并合成多个观点句来评价情感倾向。

句子层次的观点挖掘方法不仅可以更好地利用上下文，还可以更详细地找出主观性表达元素、观点持有者、实体、观点内容、情感极性、情感强度等。因此，本文使用句子来进行观点表达抽取的研究。

一般而言，意见句的构成要素包括主观表达要素、意见主体、意见实体、意见内容、情感极性、情绪强度[1］．其中，主观表达是意见的核心;它表达了持意见者对相关事件的个人态度和情绪，由包含情绪性、评估性和思辨性信息的词语或短语组成。在一个意见句中可能有不止一个观点。这些观点具有主观表达元素，具有情感倾向和强烈程度。主观表达要素又可分为直接主观表达和表达主观表达。与主观表达成分相反，客观表达用来陈述客观事实。数字1显示表达式元素的分类。

DSE和ESE之间的关键区别在于前者明确给出了主观表达及其来源，而后者假定了主观表达及其来源，但没有引入它们。例如，“她坚持认为新手机的屏幕很酷”这句话就是典型的DSE。在注释和标识这些元素时，它们需要与上下文紧密结合，以避免忽略更多的隐式元素。

由于语言表达的多样性和观点元素的缺失，识别和提取自由或隐含的主观表达是一个很难解决的问题，主观表达提取的自动识别仍然是一个具有挑战性的任务，需要进一步研究。

本文的主要贡献总结如下:(1）提出了一种基于神经网络和CRF的主观因素提取模型，该模型支持DSE和ESE的提取，在开放数据集上取得了较好的识别效果。(2）本文提出了一种基于词向量的语义表示方法，该方法结合了词汇特征和命名实体特征。它可以捕获句子信息并将其输入到神经网络模型中进行特征识别。（3）对实验数据进行对比实验，充分比较分析不同主观因素提取方法的差异、优缺点，为后续研究提供参考。

文章组织如下。部分2对相关研究作了简要介绍。部分3.重点介绍了本文提出的方法。节4，进行了实验和分析，并在本节给出了结论5．

2.相关工作

新闻报道一般是客观的;它可以描述客观事实，当事人的意见，甚至作者自己的态度和倾向。一般来说，一篇新闻报道可能包括许多观点持有者对不同目标的多种观点。意见挖掘的子任务是提取意见句子，搜索主观表达元素、意见持有者、目标对象、情感极性和强度[2- - - - - -5］．

Kim和Hovy首先使用半监督方法挖掘意见词、情绪极性和意见持有者[6］．他们使用WordNet找到具有三种情绪极性的种子词汇表的最接近的同义词，识别文本中的视点单词及其极性，然后使用最大熵分类器根据语法特征来识别视点持有者。他们贡献的另一个工作是通过语义角色标记来识别意见表达要素，意见持有人，以及内容（SRT）[7］．首先，他们总结了这三个要素的语义作用，并构建语料库。然后通过最大熵分类器确定词语在文本中的语义角色，进而确定新闻文本中的三个观点元素。

Weibe等人将新闻文本中的观点句定义为表达观点持有者的私人状态的句子[1］．私有州通常由单词或短语表示，这些单词或短语称为具有某些情感元素，具有某些情感元素，具有某些情感元素。根据该定义，他们标记了多重问题的回答（MPQA）的新闻挖掘新闻文本语料库，并根据MPQA进行了许多后续研究。Breck等人。[8将对视图的主观表达元素的识别转化为顺序标注任务。条件随飞机场结合词特征、词性特征、词汇特征和WordNet来识别主观表达元素。研究发现，WordNet的特点在提高召回率方面起着重要作用，主观表达因素经常出现在一堆。

杨和卡迪[5]采用半马尔可夫条件随airport (Semi-Markov Conditional Random Field, Semi-CRF)识别句子中的主观表达成分，在处理短语层面而非词层面上具有创新性。Semi-CRF允许从子句序列中获取特性。该方法能较好地处理边界，但时间复杂度较高。

后来的研究扩展到多种意见要素，不仅包括主观表达要素的识别，还包括情感极性、情感强度、意见持有者、目标实体等要素的识别。细粒度元素提取进一步深化了意见挖掘的研究层次。Johansson和Moschitti结合句法和语义特征来识别主观表达元素及其极性[9］．随着对多意见元素提取的研究越来越多，提出了许多联合提取方法。崔等人[10，11提出了两种方法:一种是将CRF与整数线性规划(ILP)相结合，另一种是采用CRF的分级参数共享技术。

随着深度学习在自然语言处理领域的突破，研究者将其应用于意见挖掘。Irsoy等人引入递归神经网络(RNN)来识别主观表达元素、观点持有者和目标对象。实验结果表明，双向递归神经网络与双向递归神经网络的结合能够更好地处理多个子任务。然后建立多层循环神经网络模型[4]来识别主观表达元素，发现相对狭窄和深度循环神经网络表现更好。

Wang等[12利用双向长短期记忆(BiLSTM)识别主观表达要素，探讨长短期记忆(LSTM)的内在机制。结果表明，LSTM比常规RNN具有更好的上下文适应性。Du等采用多层BiLSTM模型结合注意机制[13以检测主观表达因素。实验表明，注意机制有助于信息在语境中的链接。Zhang等[14]提出了一种基于编码器-解码器的联合挖掘意见元素之间关系的模型。

与传统机器学习方法相比，基于神经网络的意见元素提取方法通常直接使用词向量作为特征，不需要人工构造大量复杂的特征，从而减少了模型对人工构造特征的依赖。本文基于双向长短期记忆网络与条件随机场的复合模型，结合两者的优点，提取更准确的主观表达元素。

综上所述，无论是基于CRF、神经网络模型，还是结合不同层次的词汇和句法特征，主观性表达提取都面临着全面性和准确性不足的问题。如何充分利用各种方法的优势和更丰富的特征来提高提取性能还需要进一步研究。

3.主观表情提取模型

在这一部分中，我们深入探讨了主观表达提取模型的构建，利用BiLSTM和CRF的组合以及多种特征，根据文档中每个句子的上下文预测意见元素的最佳标记序列。流程图如图所示2.分为四个步骤，描述如下：(1）文本预处理:利用斯坦福大学的CoreNLP自然语言处理工具对语料库中的文档进行句子切割、标记化、词干化等处理。(2）特征构建:我们采用预先训练的词向量、词性(PoS)和命名实体识别(NER)作为句子特征进行语义表示。利用CoreNLP工具识别文本中单词的PoS和NER类型，并将其转换为相应的特征向量。本文使用谷歌Word2vec发布的300维词向量，其训练语料库是包含数千亿词的谷歌News数据集。（3）目标向量构造：我们将主观表情提取任务视为一个顺序标注问题，输入向量通过三个特征的串联保持句子的顺序信息。通过对每个特征进行数字矢量编码，我们可以将每个文本的句子转换为目标向量进行模型训练。（4）模型训练：我们使用构造的特征和目标向量来拟合模型，并通过迭代获得最佳参数。然后，获得最优模型，并可用于表达式提取任务。

3.1。特征结构

3.1.1。词向量特征

经过文本预处理后，每个句子由单词序列组成 ， 代表我句子中的单词，句子中的总单词数为n. 通过映射单词向量矩阵，将单词序列转换为单词向量序列 ．计算词汇表中第一个单词的单词向量如下:

矩阵用size表示语料库词汇表中所有的单词向量 ；每一列表示的词向量j300维度词汇表中的第一个词;向量有大小吗 ，除了索引位置j的对应的词汇量为1;其他的行是0，这是一个热点向量。将单词向量矩阵表示为模型的参数，该参数在对模型进行训练时即可得到，将训练前的单词向量表示为初始单词向量矩阵，使单词在一个句子中被转换成词向量以上述方式。

但是，并非文档中的所有单词都包含在词汇中。这种现象被指出，如词汇（OOV）。这些额外的单词的初始字向量将由统一的UNK字矢量表示。在本文中，用正常分布随机生成300维文字矢量[-0.01,0.01]以表示UNK单词。在培训模型的过程中，语料库中的所有字向量都被培训和微调为模型参数。

3.1.2. POS和NER功能

利用大规模语料库训练词向量，可以有效地捕捉词的特征。此外，预训练的词向量包含一定程度的上下文信息，因为预训练的词向量模型通常选择上下文词作为输入，如CBOW模型[15］．但受语料库和训练方法的限制，很难表示足够的语义信息，因此需要引入额外的特征进行推广，然后进行实验，确定是否需要以及哪些需要引入其他特征向量。

词性根据上下文信息决定一个词是动词、名词、形容词还是另一个词性。在本文中，CoreNLP (http://stanfordnlp.github.io/CoreNLP/POS标签使用斯坦福大学的注释器工具对语料库文本中每个单词的POS标签进行标注。桌子1显示了MPQA语料库中主观表达成分和观点持有者成分的词汇信息。从表1，可以看出，DSE主观表达要素的词汇部分所占比例高达动词的一半。ESE的主观表达成分约占动词、形容词和副词的40%。因此，采用POS来识别意见要素是合理的。

每个单词的POS标签是从数据集的POS标记结果获得的。例如，“布什去年3月拒绝了京都PACT”被标记为 ．我们的研究实际上使用了45种POS标签。

利用一次热点表示将每个词的词性标签转换为特征向量。假设一个词对应的词性特征向量是

矢量各维数的计算如下图所示:

将每个词的命名实体标签转换为命名实体特征向量，采用一次性表示方法。与该词对应的命名实体的特征向量是 ，向量的每个维度的方式如下所示:

NER可以识别代表特定类型实体的文本片段，如人、地点、机构和专有名词[16］．持意见者是表达他们意见的人或组织，所以他们的词更有可能属于指定的实体。利用CoreNLP NER工具对语料库中的命名实体进行识别，统计MPQA语料库中意见持有者的命名实体类型的统计比例，并对结果进行编号。

可以发现，近一半的意见持有者被命名为实体。因此，将命名实体类型作为词的特征，有利于对持意见要素的认定，是一种合理的推测。本文实际使用了24种命名实体类型。

该表表示命名实体类型的数量，在本文中取值为24。句子的命名实体特征序列表示为 ．

将每个词的三个词汇特征、词向量、词性特征和NER串联起来，构建出该词的特征。通过这样做，一个句子被表示为一个特征序列。

３.２．目标向量建设

在本文中，主观表达抽取被认为是一个顺序标注问题。句子表示一个序列，其中每个单词都有一个对应于opinion元素的标签，而非观点元素有它们的标签“o”。大多数观点元素是短语甚至从句;因此，视点元素的标签不仅标识了类别，还标识了单词在元素中的位置。本文采用BIO标记方法[17用来表示单词的标签。标签的类型有b -前缀(表示意见元素的第一个词)和i -前缀(表示意见元素的非标题词)。数字3.为DSE主观表达元素识别中句子的词序列对应的BIO标签序列，将其转换为目标向量序列。“地球之友日本”组织的中岛正明说，这句话的顺序是:“美国采取消极立场非常令人遗憾。”“采取了一种消极的立场”和“说”是内镜下动态慢动作影像的主观表达元素,而整个句子标记序列”O, O, O, O, O, O, B-DSE, I-DSE, I-DSE, I-DSE, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, B-DSE。”

在获取句子的标签序列之后，通过以与POS特征向量和NER特征向量构造的方式将序列转换为目标向量后，我们可以获取模型的目标输出。每个单词都表示为一个热量矢量 ，句子的目标向量序列可以表示为一个热向量。DSE主观表达元素和ESE主观表达元素被视为三类注释问题，因此长度设置为3。

3.3. 模型构造

我们提出的意见提取模型基于神经网络和条件随机场，其结构如图所示4．本文主要研究特征向量 是用来表示句子的 ．文本的语境信息往往是双向的，目标词不仅与前一篇文章相关，而且与后一篇文章相关。在许多任务中，BiLSTM比单向长、短期记忆网络更强大。前向LSTM网络接收到的特征序列的顺序，并输出时间t是 反向LSTM网络以相反的顺序接收特征序列的输入和时间的输出t是 ．

BiLSTM在时刻的输出t是 获得的系列。BiLSTM网络的输出序列为 ．然后以sigmoid为激活函数，通过线性层提取上下文特征序列，公式如下:

在通用BiLSTM模型的输出层中，输出的时间t是由当前隐藏的单位决定的吗和输入而是独立于其他时间的输出。的时刻t，模型期望找到最可能的标签基于当前输入和上下文信息。然而,标签在其他时候对标签没有影响 ．如果存在强依赖关系（例如，B-DSE应该是B-DSE之后的I-DSE），BiLSTM无法对此类约束进行建模，其最终效果将受到限制，因此引入线性CRF来研究标签序列之间的关系。

Line-CRF可以有效地捕捉输出序列中相邻元素之间的关系。此外，它可以找到一个序列 最大的可能性基于 优化。结果是一个最优的输出序列，而不是每个时刻的最优拼接，这在递归神经网络中是不可用的。我们的模型结合了两者的优点。

线性crf在输入特征序列和目标向量序列条件下的条件概率定义如下:

的 是线性CRF的特征函数，代表这一点我目标向量序列中的第一个目标向量 ，和 为预测的输出序列。在训练阶段，采用最大似然估计，使公式(6)．在预测时，我们使用Viterbi算法寻找最可能的标签序列，然后得到句子意见元素预测的输出序列。

模型的超级参数设置如下：BiLSTM的隐藏单元数为25，隐藏层丢失为0.5，线性层单元为25。这些参数通过多次重复实验进行优化。迭代轮数设置为50；我们使用早期停止方法进行监控，以防止过度拟合和随机梯度下降优化算法。

4.实验结果与分析

4．1.MPQA语料库的介绍

实验使用的数据集是由匹兹堡大学和康奈尔大学联合构建的MPQA1.2意见挖掘语料库。它包含来自多个媒体来源的535篇新闻文章，关于发生在2001年至2002年的新闻事件。每个文档的文本片段都被标记为多种类型的标记。

以下4.4.1。语言库分析

在进行实验之前，我们研究了语料库中的主观表达元素。桌子2显示他们的一些统计信息。DSE表示DSE的主观表达元素，ESE表示ESE的主观表达元素。

DSE和ESE主体性成分约占句子总数的一半。可见，新闻语料库确实传达了相当多的主观意见。观点句中DSE的主观成分平均为1.56个，一般观点句中有一半以上的DSE成分在一个以上。我们发现，一个句子往往通过言语事件来传递其观点信息，所以一个观点句子中的DSEs数大于1。ESE的表达方式灵活，单词长度在1 ~ 40之间。表达形式越丰富、越自由，需要解决的问题就越多。

4.1.2.语料库划分

本文将535篇文章分为400个训练验证集和135个测试集[13］．训练验证集按9:1的方式分为训练集和验证集10次。测试集用于模型的评价效果，由十倍交叉验证模型的平均值计算得出。

4．2．评价方法

本文采用意见挖掘领域广泛使用的测量方法对模型的性能进行了评价。在MPQA语料库标注过程中，标注者发现意见元素的边界不能被严格确定[8］．布雷克等人[9约翰逊和Moschitti [17]提出了两个软指标:二元重叠和比例重叠。与常用的标签边界匹配测量方法相比，这两种方法在评价提取效果方面更有效。

在二进制重叠度量中，如果预测标记和手动标记的边界重叠，则这是正确的标记。二进制重叠的准确度、召回率和F-度量值通过以下公式计算：

其中,C和P，分别表示手动标注的正确标签集和模型预测的标签集，| |表示每个集合中某个表达式元素的标签数。

比例重叠测量比二元重叠测量更关注预测和金标记重叠的比例。首先测量两个标记之间的cvrg重叠程度年代和年代：

在这里,|年代|表示标记字的长度。然后，计算两个标签集的重叠率CVRG年代和年代的计算:

最后，准确率、召回率和F比例重叠测量值由

在公式(12)和(13)，每个集合中特定元素的标记数表示为| |。

4．3．Multifeature对比实验

我们通过实验比较各个特征对每个意见元素识别的效果，寻求适合于每个意见元素识别的有效特征组合。本文简要介绍了以下实验中一些单词和符号的含义:(1）+预训练词向量:以预训练词向量为特征的模型。(2）+微调预训练词向量:使用预训练词向量作为特征，但在模型训练阶段，词向量作为模型参数进行更新。（3）+词性特征:添加词性特征的模型。（4）+实体特性:模型包含命名实体特性。

4.3.1。DSE的主观表达元素识别

首先，将该模型应用于DSE主观表达元素的识别。桌子3.给出了结合词向量、词性特征、命名实体特征和词性实体特征的二元重叠和属性重叠的结果。粗体数字代表一种评估方法的最高分。

通过进一步查看Table4，我们比较每个功能的影响，如下所示。(1）微调词向量的影响：没有微调的情况下，预训练词向量的准确率较高，但召回率较低，微调会产生相反的效果，召回率较高，准确率较低。而在DSE识别任务中，微调词向量的表现略好于没有微调的情况。因此，在DSE识别任务中，微调词向量的准确率较低在以后的实验中，结合其他特征对训练好的单词向量进行了微调。(2）词性特征的影响:在对预先训练的词向量进行微调和添加词性特征后，两种测量方法的特征组合中召回率最高的是词性特征组合F在二元重叠测度下的F值最高，比例重叠测度下的F值次之。词性特征提高了DSE元素的识别效果。（3）命名实体特征的影响:经过微调训练前的词向量和添加命名实体特征，召回率和F在这两种措施下，价值略有提高。与词性特征相比，它的作用不那么重要。（4）言论和命名实体部分的组合的影响：在微调预先调整的单词矢量和添加部分语音和命名实体特征之后，召回速率在两种测量下略有增加，比例重叠下的F值是最高的，二进制重叠下的F值是第二个最高的。它类似于部分语音的功能。

通常，微调预测字向量和语音部分的组合在识别DSE主观表达元素中是足够的。词汇和实体特征的组合类似于个人词汇特征的组合，而命名实体特征对DSE识别几乎没有影响。此外，考虑到模型的复杂性，识别DSE主观表达元素中的附加特征仅是语音特征。假设DSE元素通常较短，而且语音的一部分更为明显，因此语音功能的一部分在添加后是有效的。

4.3.2。ESE主观表达因素识别

本文将该模型与多种特征组合相结合，应用于ESE主观表情元素的识别。桌子3.显示了当模型与词向量、词性和命名实体特征相结合以识别ESE主观表达元素时，使用二进制重叠和比例重叠度量的效果。粗体数字表示评估方法的最高分数。如表所示5，可以看到每个特性的影响变化。(1）微调词向量的影响:未经微调的预训练词向量的准确率更高，召回率更低，微调则相反。从两测度的F值来看，ESE特征识别任务的微调词向量比非微调任务略高约3个百分点和2个百分点，召回率提高约6 ~ 7个百分点。对训练前的词向量进行微调，提高了ESE元素的识别效果。因此，经过训练的词向量与其他特征相结合进行了微调。(2）词性特征的影响:在对预先训练的词向量进行微调和添加词性特征的基础上，两种测量方法的准确率仅提高了约1个百分点，而其他方法的准确率则有所下降。没有必要单独添加词性特征。（3）命名实体特征的影响:在对训练前的词向量进行微调、添加命名实体特征的基础上，两种测量方法的准确率仅提高了约1个百分点，而其他测量方法的准确率则有所下降。没有必要单独添加命名实体特性。（4）的影响结合词性和命名实体特点:微调pretraining词向量后,添加词性和命名实体特征,准确率、召回率,和F值两项措施的改进,和F值是最高的功能组合。

一般来说，在ESE主观表达元素识别中，对训练前的词向量、语音部分和命名实体进行微调是一种有效的特征。ESE元素通常很长，包含隐式表达意见的子句。这些长句可能有多种类型的词性和命名实体短语的出现，可以丰富语境信息;我们认为这就是为什么命名实体和词性特征能够有效地协同工作的原因。

4.4。与其他方法进行对比实验

4.4.1。基线模型

本文选择了四种方法作为基准模型，具体如下:(1）CRF-OE: Breck等[8利用条件随机场来解决提取主观表达式元素的问题。使用了词特征(热点向量)、句法特征和语义特征(WordNet词典)。(2）递归文:Irsoy和Cardie [18使用结构递归神经网络识别意见持有者元素。（3）BSRNN: Irsoy和Cardie [4]采用多层双向递归神经网络(RNN)来解决主观表达元素的提取问题。除了将双向RNN的层数设为三层外，还保留了超参数和词向量，并保留了本文的方法。（4）Wang等人[12]使用BiLSTM网络模型提取两个主观表达元素，超参数和词向量保持不变。

4.4.2.对比分析

在识别相应的意见元素时，将深度神经网络模型与基线模型进行了比较。结果如表所示5．

实验结果表明，所提出的模型对DSE的识别效果最好，而BLSTM、BSRNN和CRF-OE的识别效果较差。结果表明，该模型在识别嵌套意见句中DSE元素方面优于BSRNN模型。BSRNN模型有时会省略部分DSE元素，将ESE元素误判断为DSE元素。

在ESE识别中，最有效的是我们的模型和BSRNN。该模型在比例重叠度量上高于BSRNN，在二进制重叠度量上低于BSRNN。BLSTM模型的性能比前两种模型差。与BLSTM和BSRNN模型相比，该模型能够正确识别ESE元素，而BSRNN和BLSTM在将短ESE识别为DSE元素方面具有优势。

与其他模型相比，本文略有改进。因此，通过对多个模型的识别结果进行分析，发现该模型识别的意见元素数量多于其他模型。但其长度明显长于BSRNN，更接近人工标注的结果。结果表明，当所识别的视点元素数量相近时，该模型识别的视点元素质量较高。结果表明，该模型的边界判定效果优于BSRNN和BLSTM模型。

虽然该模型在意见表达提取方面优于基线模型，但识别性能仍有待提高。与语料库的人工标注相比，总结出几个问题:(1）可以合并类似的ESE主观表达元素(2）较短的表达因子容易被忽略（3）DSE鉴定的一些主观性表达元素比手工标记的短

结论

本文研究了主观表达元素的提取方法，提出了一种基于多特征深度神经网络和条件随机场的复合模型。然后我们描述了模型中使用的各种特征，选择这些特征的原因，以及特征构建的方法。在主观性表达元素(DSE和ESE)上进行了多特征组合实验，测试了每种特征组合模式对对应子任务的影响，并推荐了适合于对应子任务模型的特征组合。

实验结果表明，所提出的观点元素提取模型能够有效地提取观点元素，具有较好的准确率、召回率和一致性F价值。但实验也表明，当意见元素较短且相似时，模型的提取效果会受到限制，这一点我们将在未来的工作中继续进行。总之，我们的工作可以为后续提取主观表达元素的研究提供参考。

数据可用性

实验是在开放数据集MPQA意见语料库v1.2上进行的，该语料库可在http://mpqa.cs.pitt.edu/corpora/mpqa_corpus/mpqa_corpus_1_2/．

利益冲突

提交人声明有关本文的出版物没有利益冲突。

致谢

这项工作部分由中国国家自然科学基金（NSFC）授予，第61272447号和第61802271号资助，部分由中央大学资助的SCU2018D018和SCU2018D022基础研究基金资助。

参考文献

1. J. Wiebe, T. Wilson，和C. Cardie，《在语言中注释意见和情绪的表达》，语言资源与评价，第39卷，第2-3号，第165-210页，2005年。视图:出版商的网站|谷歌学者
2. L. Wang, H. Raghavan, C. Cardie et al.，“针对用户生成内容的以查询为中心的意见总结:”，在第25届计算语言学国际会议论文集2014年8月，爱尔兰都柏林。视图:谷歌学者
3. B. Yang和C. Cardie，“意见表达抽取和属性分类的联合建模”，计算语言学协会汇刊，第二卷，第505-516页，2014年。视图:出版商的网站|谷歌学者
4. O.Irsoy和C.Cardie，“深度递归神经网络的意见挖掘”，年2014年自然语言处理经验方法会议记录（EMNLP），卡塔尔多哈，2014年10月。视图:出版商的网站|谷歌学者
5. B.Yang和C.Cardie，“用半马尔可夫条件随机场提取意见表达式”，年2012年自然语言处理与计算自然语言学习经验方法联合会议论文集，韩国济州岛，2012年7月。视图:谷歌学者
6. S.-M Kim和E. Hovy，“识别和分析判断意见”北美北美洲章节章节协会的北美章节会议主要会议的诉讼程序，美国纽约州纽约市，2006年6月。视图:出版商的网站|谷歌学者
7. S. Kim和E. Hovy，“提取在线新闻媒体文本中表达的观点、观点持有者和话题”文本中的情感与主体性研讨会论文集2006年7月，澳大利亚悉尼。视图:出版商的网站|谷歌学者
8. E. Breck, Y. Choi，和C. Cardie，“在语境中识别意见表达”，在第20届国际人工智能联合会议论文集，印度海得拉巴，2007年1月。视图:谷歌学者
9. R. Johansson和A. Moschitti，“提取意见表达及其极性——管道和连接模型的探索”计算机语言学协会第49届年会论文集:人类语言技术2011年6月，俄勒冈州波特兰。视图:谷歌学者
10. Y. Choi, E. Breck，和C. Cardie，“联合提取实体和关系的意见识别”，刊于2006年自然语言处理经验方法会议论文集2006年7月，澳大利亚悉尼。视图:出版商的网站|谷歌学者
11. Y. Choi和C. Cardie，“提取意见及其属性的层次顺序学习”，在2010年ACL会议论文集2010年7月，瑞典乌普萨拉。视图:谷歌学者
12. 王兴国，“基于意见表达抽取的递归神经网络的门控操作理解”，熵，第18卷，第8号，p。294, 2016.视图:出版商的网站|谷歌学者
13. 杜俊杰、桂立群和徐瑞敏，“用神经注意提取意见表达”，发表于社交媒体处理会议录：第五届全国会议，SMP2016年10月，中国南昌。视图:谷歌学者
14. 张敏，王强，傅国栋，“基于过渡模型的端到端神经网络意见抽取”，信息系统，第80卷，第56-63页，2019。视图:出版商的网站|谷歌学者
15. 陈国华，“基于向量空间的单词表示的有效估计”，2013，http://arxiv.org/abs/1301.3781．视图:谷歌学者
16. G. Lample, B. Miguel, S. Subramanian et al.，“命名实体识别的神经架构”全国有色人种协进会会议记录， 2016年6月，美国加州圣地亚哥。视图:谷歌学者
17. E. F. Sang和J. Veenstra，“代表文本块”，在计算语言学协会欧洲分会第九次会议论文集1999年6月，挪威卑尔根。视图:谷歌学者
18. O. Irsoy和C. Cardie，“基于结构的符号级标记的双向递归神经网络”，2013，http://arxiv.org/abs/1312.0493．视图:谷歌学者

版权

版权所有©2020殷明勇等。这是一篇发布在知识共享署名许可协议如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。