陈可嘉，柯永诚，林鸿熙

(1.福州大学 经济与管理学院，福建 福州 350108；2.莆田学院 商学院，福建 莆田 351100)

0 引 言

人们往往会查阅产品评论进行购买决策，但用户偏好的不同以及海量评论易导致信息过载[1]。因此，评论挖掘技术应运而生，产品特征提取作为首要任务，其结果好坏会直接影响后续任务[2]。产品特征提取可分为显式和隐式特征提取。显式特征是以文字形式在评论出现的特征；隐式特征是不以文字形式出现在评论的特征，但能通过语境推断[3]，如“太贵了”中“贵”经由语境推断出它修饰特征“价格”。30%的中文评论含有隐式特征[4]。因此，深入研究隐式特征提取能获得更完整的特征信息。

当前隐式特征提取的主要策略是通过某种算法提取显式特征与情感词，基于其共现关系为情感词确定隐式特征[5]。其研究方法包括关联规则、主题模型、句法关系、机器学习等。前两种方法难以发现低频词，机器学习又过于依赖标注数据集，而句法关系能利用词语依存关系提取出低频词，所以近年来有不少研究都融入了句法关系。但还存在以下不足：一是以名词为候选特征，并主要考虑主谓关系[6]，但特征词还有动词、动名词等词性，在句法关系上也有动补结构、并列关系等。二是仅考虑形容词[7，8]，或利用情感词典识别情感词[9]，前者忽略其它词性的情感词，后者是情感词有限，且与英文词典资源相比，中文词典资源较为匮乏。三是由于隐式特征难以观测，使多数研究仅关注显式特征提取[10，11]，少数隐式特征提取研究也基本上面向英文评论[3，12]，不利于隐式特征提取研究发展。……