[发明专利]一种基于情感分析的UGC模糊综合评价方法

摘要

本发明公开了一种基于情感分析的UGC模糊综合评价方法，在分析、研究以上模糊综合评价方法各自优缺点的基础上，本发明将情感标签的抽取、情感极性的判断、模糊统计等方法引入到用户生成内容的模糊综合评价，首先，利用情感抽取、情感极性判断的方法，将相关用户生成的评价信息情感分为若干评价等级；然后，通过模糊统计方法确定模糊综合评价矩阵；最后，构建综合评价模型FCE，由于因素集、指标权重和模糊评价矩阵的确定，是模糊综合评价方法的重要环节。还考虑相关因素集被提及的次数，从而能够更加客观地确定评价指标模型中因素的指标权重。模型中的指标权重和模糊评价矩阵可以用机器学习的方法得到，计算途径方便可靠。

主权项

一种基于情感分析的UGC模糊综合评价方法，其特征在于，包括以下步骤：(1)建立电子商务商品评价指标结构模型经过收集、分析消费者在淘宝购买商品时的评价信息，归纳得出消费者在进行淘宝购物时关心的因素，建立电子商务商品评价指标结构模型；(2)文本情感分析(2.1)信息抽取利用语句情感标签抽取方法分析商品评价信息，挖掘消费者对商品的评价意见，并且累计关于商品的“好的评价信息”和“坏的评价信息”的数量；语句情感标签抽取方法是指将一小段文字的评论信息，利用分词器将一段话分割成一系列短语，然后再进行情感标签的抽取与统计；(2.2)情感极性判断(2.2.1)初步判断信息抽取完毕后，对结果进行情感极性的判定；对于极性明显的词语，直接利用hownet情感词语集和同义词词林建立情感词典来直接确定其极性，“好”、“漂亮”相关褒义词语记为”1”；如果在褒义词之前加有否定词，如“不好”、“不喜欢”记为”‑1”；如果一般或者其它中性的描述，就记为”0”；如果无法直接查找到情感词语的极性，则利用上下文关系进行判断，如果消费者评论语句中出现转折词语，比如“尽管…还是…”，“可”，“但是”的词语出现时，则在基本情感提取结果上减1；如果出现递进关系的词语，“不但、不仅、而且”的词语出现时，在评论语句的基本情感基础上加1；(2.2.2)进一步判断情感描述性词语被副词修饰的情况下，情感极性强度会被加强，好的情感倾向在程度副词的修饰下会更好，坏的情感倾向则会更坏，比如“很好、超符合、极其差”，当一个评论中的情感描述词被程度副词修饰时，如果情感极性通过步骤(2.2.1)中的方法被判断为”1”，则将其更改为”2”；如果情感极性通过步骤(2.2.1)中的方法被判断为”‑1”，则将其更改为”‑2”；评论信息的情感极性判断完成之后，会得到一个相对应的数值，有五种可能：2、1、0、‑1、‑2，分别将这五种可能与五个等级相对应，如{2,1,0,‑1,‑2}＝{较好,好,一般,差,极差}；(3)模糊综合评价(3.1)模糊统计①在每一次试验中都要确定指标集U中的固定元素Bi中的一个u0是否属于可变动的等级集合；每一次试验中，指标集都必须属于一个确定清晰的集合，而每一个消费者对商品的评价都可以看做一个试验，如：针对一条消费者评价，商品的质量情况属于五个等级中的哪一个，必须清晰、明确；②在每一条消费者评论中，u0是固定的，而评价等级A在随机变动；如果在所分析的n条评论中，元素u0属于A的次数为m，则元素u0对A的隶属频率定义为：当商品评论条数n足够大时，根据大数定律，元素u0的隶属频率总是稳定于某一数，这个稳定的数即为元素u0对A的隶属度，模糊统计用来确定模糊评价方法的隶属度；(3.2)模糊评价(3.2.1)构建模糊评价指标根据商品评价指标确定指标集，一级指标集记为U＝{U₁ U₂ … U_m}，其中i＝1,2,...,m，表示有m个一级指标；二级指标记为U_i＝{u_i1,u_i2,…,u_in}，表示第i个一级指标有n个二级指标；一级指标集为U＝{B1 B2 B3}，二级指标集为B1＝{C1 C2 C3}；(3.2.2)确定评价集V＝{V₁,V₂,…,V_n}每一个评价指标Ui有n个评价等级，淘宝评分系统用五颗星的评价方法，在这里用常见的方法确定五个等级：{较好，好，一般，差，极差}，评价等级与分数的对应关系为：{较好，好，一般，差，极差}＝{5,4,3,2,1}；(3.2.3)确定评价指标权重首先，统计商品的评论信息条数(n)；然后，利用步骤(2)实现信息抽取；然后统计评论中提及的商品情况(m)、物流情况(f)、服务情况(x)；接着，分别计算这三个指标的评论条数占总评论条数的百分比作为权重，具体权重计算方法为：商品自身情况的权重为m/(m+f+x)，物流情况权重为f/(m+f+x)，服务情况权重为x/(m+f+x)，同一条评论中同时提及多个商品的指标，即(m+f+x)≠n；并且对商品评价信息提到的要素进行归类，在统计数量时，商品情况+1；统计结束得到的权重要进行归一化处理，最后的结果作为模糊综合评价的各个指标的权重，记为A＝{a₁,a₂,…,a_m}，m表示指标的个数；(3.2.4)确定模糊评价矩阵在商品情况、物流情况，服务情况的指标下，计算每个评价等级所占的比例，得到以下m个指标构成的模糊评价矩阵R$R=\left[\begin{array}{cccc}{r}_{11}& r_{12}& ...& r_{15}\\ r_{21}& r_{22}& ...& r_{25}\\ ...& ...& ...& ...\\ r_{m1}& r_{m2}& ...& r_{m5}\end{array}\right]$(3.2.5)计算综合评价值模糊综合评价模型为：其中bj表示被评级对象从整体上看对评价等级模糊子集隶属程度，A表示评价指标的相关权重，R是模糊评价矩阵；$b_j=min(1,\underset{i=1}{\overset{m}{\Σ}}{a}_i{r}_{ij}),j=1,2,...,n$然后对B进行归一化处理，得到模糊综合评价集最后用的值确定该商品的综合得分。