江涛

（广东理工学院信息技术学院，广东肇庆，526000）

本文研究对商品评论进行正负评价分类，希望通过准确的评价分类，让消费者可以快速地找出大众评价良好的产品，以减少信息取得成本，进而加速购买效率。分类结果也可以提供厂商作为产品在销售与决策上的依据，能更有效地掌握消费者的喜好，找出正确的产品发展方向，以提升产品品质，增加消费者购买的可能性，减少顾客流失，进而提高市场占有率。

本研究结合分词工具、词嵌入工具及MLP 深度学习方法，建构出产品评论的正负评价分类方法。首先使用断词工具将评论文本以词汇为单位做切割，使计算机可以更好的处理自然语言。接著用词嵌入工具将文本进行特征词向量的提取。最后，利用MLP 神经网络训练文本分类模型，对评论资料进行正负评价的分类。在实验的过程中，调整各项参数进行多次训练，并分析实验结果。

1 系统结构

系统架构如图1 所示，先将内含大量中文词汇的维基百科中文资料做预处理及断词，以此训练词向量模型。接著，将商品评论资料做预处理及断词，并基于已经训练好的词向量模型做特征词向量的抽取。最后，把整个资料集降维后分成训练资料集及测试资料集，以训练资料集训练分类模型，再以测试资料集验证模型成效。

图1 系统结构

对于其中的几个重要的环节，在此做出必要的剖析。

■1.1 资料预处理

有了前述的基础资料，在分析算法之前，先对资料进行预处理，让资料在格式上比较标准一致，目的是让算法不会因为资料所产生的瑕疵而发生误判。……