[发明专利]一种中英文混合的网络用户评论的推荐度评分方法

权利要求书

1.一种中英文混合的网络用户评论的推荐度评分方法，其特征在于包括以下步骤：

1)获取中英文混合的网络用户评论，完成混合评论的预处理，该预处理包括中英文纠错、语言选择、中英文翻译三个步骤；具体流程是：给定中英文混合用户评论R，分三个步骤处理：其一中英文纠错，首先将用户评论拆分成中文部分和英文部分，然后应用现有的中英文纠错技术，分别对中文部分和英文部分纠错；其二语言选择，针对评论的中文部分和英文部分，分别统计其中汉字和英文单词的数量，选择数量多的语言为目标语言；其三中英文翻译，如果选出的目标语言是中文，则将评论中的英文部分翻译为中文，反之将中文部分翻译为英文，获得单一语言组成的用户评论；

2)以句子为单位，构建语法树，基于已制备并公开的情感词库，计算句子的情感评分；具体处理流程是：对于步骤1)处理后获得的单一语言组成的用户评论R，首先将R分割为句子序列，即：R＝<S1,S2,…,Sm>，其中S代表一个句子，m表示R中包含的句子总数；然后针对每一个句子S，第一步基于语法分析技术构建S的上下文无关语法树：如果评论选定为中文，则构建中文语法树，如果是英文则构建英文语法树；第二步对语法树的树叶节点，即单词，进行分类；第三步根据词的类别，按照语法树结构自底向上逐层计算句子S的情感评分；

上述的上下文无关语法树包含以下基本结构：

1.简单从句，由逗号、分号、叹号或句号等分割的从句；

2.名词短语，由名词和/或形容词构成的短语，通常为主语或宾语；

3.动词短语，由动词和/或副词构成的短语，通常为谓语或连接词；

上述基本结构按树型逐层组织：通常以根节点代表整个“句子”，其下是“从句”作为树枝节点；“从句”进一步分解为“子从句”、“名词短语”和“动词短语”，作为下一个层次的树枝节点，最后分解为单词，包括名词、动词、形容词、副词、连接词，作为树叶节点；

3)针对待评分的目标用户评论，根据单个句子的情感得分，结合句子在评论中的位置，采用加权法完成目标评论的推荐度评分。

2.根据权利要求1所述的中英文混合的网络用户评论的推荐度评分方法，其特征在于，上述步骤2)中语法树的树叶节点划分成以下五个类别：

1.情感词，参考已制备并公开的情感词库，查询单词w是否为情感词，并确定w的情感极性；情感极性包含两种可能性：正面词或负面词；

2.否定词，具有否定含义的副词；

3.时态词，具有时态含义的副词；

4.转折词，具有转折含义的连接词；

5.普通词，不属于上述4种类型的其他单词。

3.根据权利要求1或2所述的中英文混合的网络用户评论的推荐度评分方法，其特征在于，上述步骤2)中按照语法树结构自底向上逐层计算句子情感评分的处理流程是：首先为情感词评分：正面情感词的评分为1，负面情感词的评分为-1；然后从语法树底层的树叶节点开始，自底向上计算树枝节点的情感评分：给定句子S＝<w1,w2,...,wn>，其中单词w组成树叶节点，n为单词总数；遍历每一个w，分以下5种情况处理：

1.单词w是普通词，忽略w；

2.单词w是情感词，采用累加的方式汇总到上层的“名词短语”或“动词短语”对应的树枝节点A，公式如下：

v(A)＝∑v(w)

其中v()表示对节点A或w的情感评分；

3.单词w是否定词，上溯到上层的“名词短语”或“动词短语”对应的树枝节点A，代表A的情感倾向反转，公式如下：

v(A)＝-1×v(A)；

4.单词w是时态词，上溯到上层的“简单从句”对应的树枝节点C，从句C的评分由所包含的“名词短语”和“动词短语”的评分累加获得，公式如下：

v(C)＝∑v(A)；

时态词代表从句C的情感倾向减弱，公式如下：

v(C)＝0.5×v(C)；

5.单词w是转折词，上溯到上层的“简单从句”对应的树枝节点C；转折词代表转折结构，需要确定w转折了所在从句的情感倾向，或者是关联从句的情感倾向；确定方法参照已公布的最新版本的词典；令w转折了从句C的情感倾向，则C的情感倾向减弱并反转，公式如下：

v(C)＝-0.5×v(C)；

最后，整个句子S的情感评分为所包含的“简单从句”的情感评分累加获得，公式如下：

v(S)＝∑v(C)。

4.根据权利要求3所述的中英文混合的网络用户评论的推荐度评分方法，其特征在于，上述步骤3)中根据单个句子的情感评分采用加权法完成目标用户评论的推荐度评分的处理流程是：给定目标评论R＝{S1,S2,...,Sm}，其中S为句子，m为评论R中的句子总数；句子Si的权重λ(Si)的计算公式如下：

λ(S_i)＝a×i²+b×i+c

其中i代表句子Si在评论R中的位置，即第i个句子；a,b,c是参数，其中a的取值空间为[0.2～0.8]，建议取值0.4，c的取值空间为[-3～1]，建议取值1.6；参数b的计算公式如下：

b＝-a×m；

其中m代表评论R中的句子总数；根据句子的权重和情感评分，汇总计算评论R的推荐度评分v(R)，公式如下：

v(R)=1mΣi=1mλ(Si)×v(Si)]]>

其中v(Si)是句子Si的情感评分；v(R)大于0表示评论者持肯定和推荐态度；等于0表示评论者持中立态度；小于0表示评论者持否定和反对态度。