周红照，侯敏，滕永林*

（1.许昌学院 文史与传媒学院，河南 许昌 461000；2.中国传媒大学 国家语言资源监测与研究有声媒体中心，北京 100024）

0 引言

评价计算是一项让机器智能理解人类言语中评价信息的工程，与情绪计算共同构成情感计算的两大分支。评价计算是竞选预测、网络舆情监测、聊天机器人、文献声誉追踪等诸多应用系统的关键技术，持续成为自然语言处理领域的研究热点。2006年美国国家标准与技术研究院（NIST）最早举办“博客领域的评价计算评测”［1］，历经十余载发展，评价计算已经从浅层粗粒度的评价句识别与观点极性判定研究，进入到深层细粒度的评价对象抽取研究。例如“杨洁篪在接受媒体采访时说，这次中美高层战略对话是有益的，有利于增进相互了解。”（新华网2021/03/20），计算机判断出这是一个正面评价句之后，怎样进一步判断评价词“有益”“有利于”的评价对象是“这次中美高层战略对话”，而非其他句子成分呢？近年来，随着数据、算力、算法“三驾马车”迅猛发展，人工智能在图像识别、语音识别与合成、浅层句法分析等领域进步斐然，然而在涉及深层语义理解的评价对象抽取领域却进展缓慢。

已有评价对象抽取系统主要采用以下4种方法：（1）最短距离法——认为评价对象与评价词在距离上呈负相关，距离评价词越近的名词越有可能成为评价对象［2］；（2）候选加过滤法——首先抽取句子中的名词和名词短语作为候选评价对象，然后根据词频、与主题词的点互信息（PMI）、冗余度、剪枝算法等对候选评价对象进行过滤［3-6］；……