東北林業大學本科生畢業論文模板-資料下載頁

　　

【正文】 以往實驗 從對比實驗結果的比較中發現：對于華碩臺式電腦，本文實驗的準確率與召回率相對于以往實驗分別提高了9%%；對于蘋果iPhone4S手機，本文實驗的準確率與召回率相對于以往實驗分別提高了7%%；%%。本文實驗的準確率、召回率以及值均高于以往實驗結果，表明本文的算法性能要強于以往實驗，推進了基于統計規則方法對中文產品特征進行挖掘實驗的進步。 實驗誤差分析按照本文的實驗步驟，對于實驗的誤差總結分析如下：（1）人工挖掘產品特征的誤差。在本文的實驗中，對于正確產品特征的獲取是采用人工挖掘并進行多人投票的方式進行的，盡管多人投票能夠在一定程度上避免單人進行人工挖掘的主觀性，但是人工挖掘產品特征仍然避免不了主觀態度以及相對誤差，影響著正確產品特征集的建立。（2）分詞及詞性標注誤差。本文采用張華平博士研發并最新發布NLPIR/ICTCLAS 2015分詞系統對評論語料進行分詞及詞性標注，盡管該軟件目前在國內國際評測中排名第一，但是仍然存在分詞及詞性標注的誤差。例如“前置的耳麥插口比較方便”這一評論語句經過分詞及詞性標注后為“前/f 置/v的/u 耳/n 麥/n 插口/n 比較/d 方便/a”，很明顯產品特征“耳麥”被分詞工具分割為兩個獨立的名詞，在之后構建事務文件并提取頻繁規則項時將會被過濾掉，類似這樣分詞的情況造成了實驗結果的誤差。此外，例如“感覺服務還不錯”這一評論語句經過分詞及詞性標注后為“感覺/n 服務/v 還/d 不錯/a”，很明顯“服務”這一產品特征經過詞性標注為動詞，直接在構建事務文件時被剔除，這種詞性標注的誤差也對實驗結果造成了影響。（3）形容詞鄰近度剪枝算法誤差。在形容詞鄰近度剪枝算法中，本文設定了最小限制值，當候選產品特征與形容詞的詞語距離大于該值時，就將其從候選產品特征集中移除。但是，在評論語句中，有些產品特征名詞或名詞短語附近并不存在修飾其的形容詞，在經歷形容詞鄰近度算法步驟后就會被過濾掉，使實驗結果的召回率降低，對實驗結果造成了誤差。（4）常規非產品特征剪枝算法誤差。與人工挖掘產品特征的誤差類似，常規非產品特征集合的構建也是采用人工挖掘以及多人投票的方式進行的，這就導致了非產品特征集合的產生受到一定程度的主觀影響，非產品特征集合的不同構建導致了最終產品特征集的不同，影響著實驗的準確率。 本章小結本章為本文最重要的一個部分，即進行用戶評論中產品特征的挖掘實驗。本章首先介紹了實驗評論語料的來源及獲取方法，同時對算法性能評估方法進行了說明，做好了實驗前的準備工作。之后按照前兩章對于相關算法的介紹，分別進行基于關聯規則挖掘算法的產品特征挖掘得到候選產品特征，以及候選產品特征的剪枝得到最終準確的產品特征集。本章還對冗余性剪枝和形容詞鄰近度剪枝兩個算法的閾值進行了參數實驗，得到了實驗效果最佳的參數設置值；并將本文的方法與之前學者的研究方法進行了對比實驗，得到了增加形容詞鄰近度剪枝后挖掘效果更佳的結論。最后，本章對實驗中可能出現誤差的原因進行了分析與總結。 學習好幫手. . . .. .結論產品特征挖掘是觀點挖掘的第一步，具有舉足輕重的作用，為后續情感分析對用戶觀點的極性及強度的判斷做鋪墊。同時，產品特征挖掘對消費者購買產品、商家判斷哪些產品特征是用戶最為關注、代銷商決定進貨產品及數量都具有重要意義。本文采用Apriori關聯規則挖掘算法對評論語料進行產品特征挖掘，算法生成的頻繁項集即為候選產品特征集合。候選產品特征剪枝是本文的關鍵步驟，本文依次進行包含單字剪枝、頻繁三項集剪枝的基礎剪枝，以往研究中較成熟的鄰近規則剪枝、冗余性剪枝，以及本文在以往算法基礎上新增加的形容詞鄰近度剪枝，最終進行頻繁非產品特征剪枝得到最終的產品特征集合。本文選取華碩臺式電腦、蘋果iPhone 4S手機、佳能6D套機三種商品的用戶評論作為本文實驗的評論語料集，以準確率、召回率、值為評價指標，對于獨立支持度與形容詞鄰近度的最小限制值進行了剪枝算法參數實驗，發現當獨立支持度限制值一定時，隨著形容詞鄰近度限制值的增加，值整體呈增長趨勢，實驗挖掘效果增強；其次，對于獨立支持度與形容詞鄰近度限制值的9種不同組合中，當限制獨立支持度2，形容詞鄰近度3時，值最大，即此時產品特征挖掘結果最佳，實驗效果最好。此外，本文將本文的產品特征挖掘方法與以往研究中的方法進行對比實驗，%%，即本文增加形容詞鄰近度剪枝算法后挖掘效果更佳。實驗后本文還對實驗的誤差進行了總結分析，發現誤差主要存在于人工挖掘產品特征、分詞及詞性標注、形容詞鄰近度剪枝算法、常規非產品特征剪枝算法四方面。因此，如何進一步避免誤差使算法性能增強是今后產品特征挖掘研究的重點。此外，對于隱性產品特征挖掘以及后續觀點極性以及強度判斷的研究也是以后研究的方向。參考文獻[1] 第35次中國互聯網絡發展狀況統計報告[J]. 互聯網天地,2014,07:7189.[2] 郗亞輝,張明,袁方,[J].山東大學學報(理學版),2011,05:1623+38.[3] 伍星,何中市,[J].計算機工程與應用,2008,36:3741.[4] ZHUANG Li,JING Feng, ZHU Xiaoyan. Movie review mining and summarization [C]//Proceedings of the 2006 ACM CIKM International Conference on Information and Knowledge Management. New York: ACM Press,2006:4350.[5] MENG X,WANG H. Mining user reviews: from specification to of the ACLIJCNLP 2009 Conference Short Papers, Singapore,2009:177180.[6] KOBAYASHI N,INUI K, MATS11M0T0 Y,et al. Collecting evaluative expressions for opinion extract ion[C]. Natural Language Processing IJCNLP 2004. Springer,2005:596605.[7] 張陽. 基于產品評論的觀點挖掘研究[D].西北大學,2014.[8] HU M, LIU B. Mining and summarizing customer reviews[C].Proceedings of the tenth ACM SIGKDD international conference on Knowledge discovery and data mining, Seat le,2004:168177.[9] HU M,LIU B. Mining opinion features in customer reviews[C]. Proceedings of the National Conference on Artificial Intelligence, San Jose, 2004:755760.[10] POPESCU A_M,ETZI0NI 0, Extracting product features and opinions from reviews[C],Natural language processing and text mining, Springer, 2007:928.[11] MEI Q, LING X, W0NDRA M, et al. Topic sentiment mixture: modeling facets and opinions in weblogs[C]. Proceedings of the 16th international conference on World Wide Web, Raleigh, 2007:171180.[12] WANG Bo, WANG Houfeng. Bootstrapping both product properties and opinion words from Chinese reviews with crosstraining [C].Proceedings of the IEEE/WIC/ACM International Conference on Web Intelligence. Washington: IEEE Computer Society, 2007:259262.[13] JIN W,HO H H, SRIHARI R K. OpinionMiner: a novel machine learning system for web opinion mining and extraction [C]. Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining, Paris, 2009:11951204.[14] 李培. 產品評論挖掘的觀點抽取和分類技術研究[D]. 重慶: 重慶大學計算機學院, 2009[15] 李實. 中文網絡客戶評論中的產品特征挖掘方法研究[D].哈爾濱工業大學,2009.[16] 李實,葉強,李一軍,羅嗣卿. 挖掘中文網絡客戶評論的產品特征及情感傾向[J]. 計算機應用研究,2010,08:30163019.[17] XIA Yunqing, XU Ruifeng, WONG Kam The unified collocation framework for opinion mining [C] / /Proceedings of the 6th International Conference on Machine Learning and Cybernetics. Washington: IEEE Computer Society, 2007: 844850.[18] [D]. 重慶:重慶大學計算機學院, 2009.[19] [D].大連理工大學,2013.[20] 王永,張勤,楊曉潔. 中文網絡評論中產品特征提取方法研究[J]. 現代圖書情報技術,2013,12:7073.致謝隨著這篇本科畢業論文的完成，我大學四年的學習生活即將畫上句點。在過去的四年中，有太多的人想要感謝。首先，我要向我畢業論文的指導教師王名揚副教授表達我衷心的感謝。王老師從論文選題、開題、到論文成稿，都為我提供了大量的建議與指導。她對待科研嚴謹認真的態度、對待工作勤奮負責的作風、對待學生尊重耐心的師表對我產生了潛移默化的巨大影響。使我在撰寫畢業論文期間對待實驗數據等也都養成一絲不茍的態度，并在解決問題的過程中對科研工作逐漸產生了興趣，這些收獲對我今后研究生的學習生活也受益匪淺。 另外，還要感謝李實老師、于鳴老師在畢業論文開題答辯中對我論文選題及具體過程提出的改進意見，老師的意見一針見血，對我后來畢業論文具體過程的修改產生了積極的作用。感謝在論文選題過程中給我鼓勵的張謹、張晶同學，她們在我選題遇到困難時的鼓勵使我能夠堅持在規定時間完成開題任務；感謝撰寫論文期間與我共同討論實驗過程中遇到的問題，并試圖幫我解決的張謹同學，在討論中使我從誤區中走出，有了更加清晰的思路。最后，感謝父母對于我學習上的鼓勵與信任，生活上的關心與照顧。感謝四年的大學學習生活中所有教誨我的老師和關心鼓勵我的同學們！寧可累死在路上，也不能閑死在家里！寧可去碰壁，也不能面壁。是狼就要練好牙，是羊就要練好腿。什么是奮斗？奮斗就是每天很難，可一年一年卻越來越容易。不奮斗就是每天都很容易，可一年一年越來越難。能干的人，不在情緒上計較，只在做事上認真；無能的人！不在做事上認真，只在情緒上計較。拼一個春夏秋冬！贏一個無悔人生！早安！—————獻給所有努力的人.千萬不要刪除行尾的分節符，此行不會被打