新闻评论评价对象抽取是挖掘网民观点的一种重要技术,该任务旨在对新闻评论文本进行分析,抽取出其中包含的评价对象。新闻评论可以方便的获取到对应的正文内容,新闻正文内容和评论具有很高的相关性。基于上述特点,本文充分利用新闻正文内容,提出融合新闻正文的评价对象抽取模型。针对现有评价对象抽取模型需要大量训练样本而数据集样本较少的问题,本文提出基于外部知识辅助数据集扩充的评价对象抽取方法。具体研究工作包含以下内容:1.融合正文信息的评价对象抽取。本研究结合新闻评论的特点,首先将新闻正文通过中心命名实体识别获取候选评价对象,然后利用获取的候选评价对象构造对应的特征向量,接着将候选评价对象对应的特征向量和评论文本的向量融合输入循环神经网络学习到文本和候选评价对象的特征,最后输入到条件随机场进行序列标注抽取出评论中的评价对象。实验结果表明,融合新闻正文信息后抽取效果有显著提升,表明该方法在融合正文信息后可以更好的抽取新闻评论中的评价对象。2.外部知识辅助数据集扩充的评价对象抽取。针对现有深度学习模型需要大量训练样本才能充分训练而数据集样本少的问题。本文提出一种基于外部知识辅助数据集扩充的评价对象抽取方法。首先,将从正文中获取的候选评价对象和相关评论已标注的评价对象结合,构造一个候选评价对象知识库;然后,利用该知识库,使用远程监督的方法来自动标注样本,在远程监督方法标注中,本文提出直接匹配和分类器匹配两种算法。实验结果表明,使用本文提出的方法扩充数据集之后,评价对象抽取F1值有了显著的提升。表明采用基于外部知识辅助数据集扩充的评价对象抽取方法的有效性。3.评价对象抽取系统与应用。本文基于前面提出的研究在业务系统中进行了实现,介绍在实现系统中用到的技术和实现的方法,通过在业务系统中的应用来验证本文提出模型的有效性,通过应用效果体现了本工作的研究价值。通过上述研究和系统实现工作,本文充分利用新闻评论的特点,融合新闻正文信息,提出了融合正文信息的深度学习模型。针对现有深度学习模型需要大量训练样本才能充分训练而数据集样本少的问题,进一步提出利用外部知识辅助数据集扩充的评价对象抽取方法来扩充数据集提升模型效果。最后本文开发实现了评价对象抽取系统,通过在业务场景中的使用验证了工作的有效性。