论文部分内容阅读
评论是一种评判事物价值的重要主观信息,其已被广泛应用于现有的商品属性抽取、偏好学习以及情感分析和挖掘。然而,评论自身也存在价值层次,能否精准高效地自动评估评论的价值(如“专家”级评论或“垃圾”评论),对基于评论信息的各类研究和应用都具有重要价值。针对这一全新问题,本文将其看作分类和排序问题,分类即将评论划分为“高质量”和“低质量”评论,而排序则是对同一个商品的评论按其质量从高到低排列。传统上,分类与排序都属于有监督学习方法,由此,本文在特征抽取和评论质量模型构建两个方面完成了一些研究工作。在特征提取方面,本文从用户意图角度出发,考察影响评论的因素。由于评论质量的高低直接来自用户的判定,因此从用户的角度考察评论的质量是从根源上探索反映评论质量的因素,同时此类特征具有较强的通用性。从用户意图角度,本文提出了三类反映评论质量的因素:评论的信息满足性、评论的情感与观点和评论的可信度。对于每一种因素,本文分别提出了相应的度量指标和挖掘算法。实验结果表明,本文提出的基于用户意图的特征在评论质量评估中有较好的效果,将本文特征与前人工作中采用的特征融合后取得了更好的性能。在评论质量模型构建方面,本研究从不同的角度构建了三个评论质量模型,分别为:时间质量模型、信息过载质量模型和话题质量模型。这三个模型分别考察了评论发表时间、商品内部评论相似度和商品间评论相似度对评论质量的影响。这三个模型相互独立,是对三类不同评论局部环境的描述,具有一定的自适应性。最后将这三个模型用于评论质量排序系统的调整,取得了较好的效果。