用户评论上细粒度话题情感分析方法研究

In today's e-commerce platforms and online social networks, the volumes of user reviews are increasing quickly. This project focuses on the research of sentiment analysis in the topic level over user reviews. The research can be decomposed into three parts, including: 1) Sentiment analysis based on fine-grained topic modeling. We plan to propose a novel joint topic-sentiment model, which is based on the fine-grained analysis of word types and sentiment types. Further, we will propose a corresponding non-parametric topic-sentiment model. 2) Fine-grained topical sentiment analysis based on word correlation. User reviews have several characteristics, such as short length and words diversity, which are likely to lead to poor topic quality. We plan to employ the word correlation to fix such issues, with two techniques. 3) Fine-grained topical sentiment analysis in recommender systems. Since user reviews are closely related to ratings, we plan to propose a joint generative model for fine-grained topic-sentiment-rating prediction. The research of this project has the potential to improve the quality of topical sentiment analysis, and promote the progress of sentiment analysis.

目前在电子商务平台与在线社交网络中，用户评论文本的规模在快速增长，扮演的作用也越来越大。本项目针对用户评论中话题层面的情感分析问题进行研究，具体围绕以下三个方面展开：1) 基于细粒度话题划分的情感分析方法。本项目综合词语类型与情感类型两种建模思路，并对词语类型进行细致分类，建立对应的情感话题模型，包括有参数模型与非参数模型。2) 基于词关系的细粒度话题情感分析。本项目针对评论文本长度短、用词多样等特点，利用词之间的已知关系，分别以词簇与条件随机场两种方式，建立对应的情感话题模型。3) 面向推荐系统的细粒度话题情感分析。考虑到用户评论在推荐系统中与评分等反馈数据的关联，建立情感话题与评分联合生成的话题模型。本项目的研究将会提高话题情感分析的质量，细化分析的粒度，推动情感分析技术的发展。

电子商务平台、在线社交网络、新闻博客站点、在线社区网络中，积累了大量的评论、帖子等文本，这些评论文本在推荐系统、信息检索、问答系统、人机交互等任务中起到了非常重要的作用。本项目针对评论文本中话题层面的情感分析问题进行了研究，具体围绕以下三个方面展开了研究：1) 基于细粒度话题划分的情感分析。本项目综合词语类型与情感类型两种建模思路，对词语类型进行了细致分类，建立起了对应的情感话题模型，包括有参数模型与非参数模型。2) 基于词关系的细粒度话题情感分析。本项目针对评论文本长度短、用词多样等特点，利用词之间的已知关系，分别以词簇与条件随机场两种方式，建立起了对应的情感话题模型。3) 面向推荐系统的细粒度话题情感分析。考虑到用户评论在推荐系统中与评分等反馈数据的关联，本项目建立起了情感话题与评分联合生成的话题模型。针对所建立的模型，本项目设计了基于吉布斯采样与变分推断的参数求解方法。本项目的研究提高了话题情感分析的质量，细化了分析的粒度，推动了情感分析技术的发展。