评价对象抽取是从评论文本中获取与评价内容相对应的评价目标,一般是对上下文讨论的主题以及商品属性的识别。随着互联网的普及,我们在网上购物、浏览论坛、查看新闻网站时,面对海量的评论文本信息,迫切需要一种高效的方法来获取有价值的信息内容。本文研究的重点是基于条件随机场抽取评价对象。本文使用条件随机场抽取评论文本中的评价对象,研究内容有两个方面。一是分析在单领域的评论文本数据集中引入不同距离的上下文和使用不同特征时,评价对象抽取结果的变化。二是分析领域相关性对评价对象抽取的影响,包括同一领域不同子类数据集之间的相互影响,以及通过增量混合的方式改变训练集,各项实验指标的变化规律。论文选择淘宝网站的评论文本作为研究对象,评论文本来源于三个不同的领域,并且每个领域选择两种商品的评论作为同一领域下不同子类数据集。首先,使用协同训练算法和朴素贝叶斯分类器,对评论文本进行分词、词性标注、句法分析和语料分类标注的预处理工作,将以句子级的评论文本转换成向量级的特征向量文本。其次,在基线实验的基础上,通过深入分析中文文本的特点提出依赖关系特征、父词词性特征两种附加特征。然后,基于条件随机场算法,训练学习模型,并对测试集中的每个特征向量进行标签分类。最后,对实验结果进行分析。实验结果表明,在单领域情况下,只使用上下文前后各一个单词抽取效果最好。在基础特征中,词特征是最关键的特征,二元特征组合中词特征与词性特征的组合得到最高的F值,三元特征组合中不同领域具有不同的最优组合,在附加特征中,基线实验特征与依赖关系特征、父词词性特征的组合F值最高。在多领域的情况下,同一领域的不同子类的相互影响存在差异,在增量混合中,当源域和目标域相同时,混合比例越高,评价对象抽取的F值越大。