[发明专利]一种旅店评论文本的属性描述提取方法

说明书

本发明提供了一种旅店评论文本的属性描述提取方法，对评论文本进行预处理；利用向量组合方法得到评论子句的向量表示；计算评论子句间的余弦相似度；利用无参聚类方法对评论子句数据集进行文本聚类，得到相似评论簇；计算每个评论簇的中心特征向量，选取中心评论子句；对每个中心评论子句进行依存分析，并根据依存分析关系规则提取属性描述，得到属性评论短语集合。本发明利用无监督的机器学习和自然语言处理技术自动生成产品或服务的属性评论描述，联合属性词和评论词的提取，无需单独构造属性词候选集合和评论词候选集合，利用依存分析技术自动解决属性词和评论词的搭配问题，无需人工知识的引入，简单有效地自动实现属性评论描述的生成。

技术领域

本发明属于信息处理技术领域，尤其涉及一种旅店评论文本的属性描述提取方法。

背景技术

随着电子商务的流行，更多的消费者习惯在商务网站或论坛上留下对产品或服务的观点态度。多数消费者在购买产品前大多会了解别人对产品或服务的意见，从而做出消费决策。人工浏览这些海量评论文本是非常耗时的，因此，在非结构化的产品评论中提取或标注出相关的属性词和评论词显得尤为重要。消费者可以通过直接浏览属性评论短语(由属性词和评论词构成)即可获得其他消费者对相关产品或服务的总体评论，从而节省大量的浏览时间。

现有技术中商家或平台根据产品或服务的特点定制属性评论短语，将这些短语看成已有的分类标签，采用分类模型为每条评论文本分配标签，但其却存在如下问题：方案要求领域专家事先定制产品或服务属性词以及评论词；因有人工知识的引入，故分类标签的设计带有一定的主观性；该技术为分类模型，在为每条评论文本分配标签时须采用有监督的学习方式，其要求之一就是须有已标注的评论文本作为训练语料。现有技术中还采用无监督的方法依次进行属性词提取、评论词提取和搭配关系识别。在属性词的提取上，大多利用词频技术提取名词或名词短语作为候选；在评论词提取部分，利用情感词典匹配的方式来得到评论词候选；在搭配关系识别上，则利用属性词和评论词的距离或互信息来构造属性评论短语。其存在如下问题：采用流水线的方式进行属性词提取和评论词提取，丢失了候选属性词和候选评论词的语义信息；搭配关系识别的性能一定程度上影响属性评论描述的语法正确性和流畅性。

发明内容

针对现有技术中的上述不足，本发明提供的一种旅店评论文本的属性描述提取方法，实现了采用无监督的机器学习方法自动发现不同的属性评论簇，并为每个簇提取对应的属性评论描述。

为了达到以上目的，本发明采用的技术方案为：

本方案提供一种旅店评论文本的属性描述提取方法，包括如下步骤：

S1、获取旅店评论文本的数据集，并利用分词工具对所述数据集中的每条评论进行预处理；

S2、根据所述预处理结果利用Word2Vec模型得到词嵌入向量，并利用向量组合方法得到评论子句的向量表示；

S3、根据所述评论子句的向量表示计算得到评论子句间的余弦相似度；

S4、根据所述评论子句间的余弦相似度利用无参聚类方法DBSCAN对评论子句的集合进行文本聚类处理，得到相似评论簇；

S5、根据所述相似评论簇计算得到每个簇的中心特征向量，并根据所述中心特征向量得到中心评论子句；

S6、利用中文依存分析方法对每个所述中心评论子句进行依存分析，并根据依存关系规则提取中心评论子句的属性描述，从而完成对旅店评论文本属性描述的提取。

进一步地，所述步骤S1包括如下步骤：

S101、获取旅店评论文本的数据集，并去除旅店评论文本数据集中每条评论的空格、HTML和特殊字符；

S102、将每条评论的长句切分成评论子句得到评论子句集合；