基于文本挖掘的网络商品评论情感分析

第38卷第5期 辽宁工业大学学报(自然科学版) Vol.38, No.5 2018年10月 Journal of Liaoning University of Technology(Natural Science Edition) Oct. 2018 DOI:10.15916/j.issn1674-3261.2018.05.011 基于文本挖掘的网络商品评论情感分析 刘 敏，王向前，李慧宗，张宝隆 （安徽理工大学 经济与管理学院，安徽 淮南 232001） 摘 要：挖掘网络商品评论中的潜在价值不仅能为网络销售、顾客选购商品提供科学、可供决策的信息，而且有利于指导商品用户管理和改善商品用户体验。以网络爬取的手机评论为例，在以往研究的基础上引入提取评论对象及评论观点，使用社会语义网络构建和情感分析两种方法，从不同侧面对商品评论进行挖掘。实验表明：从两个不同侧面对商品评论进行挖掘，增加了挖掘的广度。提取网络商品评论中的“评价对象”及“评论观点”缩小了文本数据中挖掘范围，增加了对商品评论挖掘的准确度及深度，取得了较好的挖掘效果。 关键词：商品评论；情感分析；文本挖掘；评价对象 中图分类号：TP391.1 文献标识码：A 文章编号：1674-3261(2018)05-0330-06 Emotional Analysis of Online Commodity Reviews Based on Text Mining LIU Min, WANG Xiang-qian, LI Hui-zong, ZHANG Bao-long （School of Economics and Management, Anhui University Of Science & Technology, Huainan 232000, China） Abstract: Excavating the potential value in online product reviews can not only provide scientific and decision-making information for online sales, for customers to purchase goods, but also help guide product users’ management and improve product users’ experience. This paper takes the mobile phone review of the network as an example. Based on the previous research, it introduces the extraction of comment objects and comments, and uses social semantic network construction and sentiment analysis to explore the product reviews from different aspects. Experiments show that mining product reviews from two different sides increases the breadth of mining. Extracting the “evaluation objects” and “comment view” in the network product review narrows the mining scope in the text data, increases the accuracy and depth of the product review mining, and achieves a better mining effect. Key words: commodity reviews; emotional analysis; text mining; evaluation objects 近年来伴随着电子商务的快速发展，人们越来越多的选择使用电子商务平台选购商品。为提升顾客忠诚度，吸引消费者，电商平台鼓励消费者在购买商品后对商品进行评论。消费者购物体验后的评论作为一种重要的市场反馈，如何对其进行分析、挖掘，将挖掘的信息运用到网络销售和顾客商品选购中成为商品评论情感分析的重要研究方向[1]。 情感分析是人们对一个实体的意见，态度和情绪的计算研究。实体对象包含个人，事件或者主题等。对网络评论进行情感分析就是了解文本中包含的褒义，贬义以及中性（没有）的意见。目前，大量的学者对情感分析算法进行了研究，并取得一定的成果。杨立公等[2]使用马尔科夫逻辑网将句子上下文与情感特征相结合进行情感分析，实现了跨领域文本的情感分析。明均仁[3]将关联规则方法运用到文本挖掘的情感分析中，设计出融合语义，关联 收稿日期：2018-05-10 基金项目：国家自然科学基金项目(51474007)；安徽省人文社会科学重点研究基地项目(SK2014A042) 作者简介：刘敏(1992-)，女，河南郑州人，硕士生。 第5期 刘敏等：基于文本挖掘的网络商品评论情感分析 331 挖掘的文本数据情感分析方法，提高了情感分析的准确率。蔡晓珍等[4]选取4个指标作为网络用户的评论依据，构建过滤模型解决网络用户评论质量良莠不齐的问题。唐晓波等[5]将共词分析和极性传递法相结合进行情感分析，克服了传统的情感分析的不足，具有更好的情感分析效果。Liu L[6]等提出将特征矢量模型和产品评论情感分析加权算法相结合进行情感分析。Walaa Medhat[7]提出对商品进行情感分析的常规分析步骤为商品评论，情绪识别，特征选择，情感分类，情绪极性判断。以上研究均提高了情感分析的准确率与效率，为使用分析算法挖掘文本中的情报价值奠定了基础。 情感分析中提取评价对象作为一个关键点，也受到一些学者的关注。面对评价对象多且复杂的金融评论数据，江腾蛟等[8]将浅层语义和语法相结合，用以提取评价对象，解决了金融评论中评价对象复杂的问题。杨凤芹等[9]针对传统评价对象提取过程中较少考虑低频，结构复杂的评价对象的问题，提出使用词性及语法分析抽取基础词单元，对基础词单元进行扩展分析，并得到最终评价对象。廖祥文等[10]根据评价对象及评价词内部的共现关系建立多层情感关系图，提取评价对象及评价词的置信度，选取评价对象。这些相关研究为本文的评价对象以及评论观点的提取提供重要参考。 总体来说，目前针对情感分析的研究多数集中于文本数据挖掘算法，但是将算法运用于实际问题，从商品评论中挖掘情报价值，指导商品用户管理的研究相对较少[11]。深入研究商品评论中隐藏的信息，避免信息资源浪费，为网络销售和顾客商品选购具有重要价值。语义网络作为一种常用的知识表示方法，通过它可以用来识别评价对象与评论观点之间的关系，挖掘情报价值。因此，本文在Walaa Medhat提出的商品情感分析过程和情感分析算法研究的基础之上引入提取评论对象及评论观点，以挖掘商品评论中隐含信息为出发点，通过文本挖掘进行语义网络构建和情感分析，不仅为网络销售提供建议，而且对消费者购买商品具有参考价值。 1 网络商品评论获取 挖掘网络商品评论中隐含的信息，前提是获取商品评论数据。对研究者而言，获取商品评论数据主要通过编写数据采集程序（网络爬虫）[12]。网络爬虫作为一种自动爬取网页、获取网页内容的程序，是搜索引擎信息获取的重要渠道[13]。八爪鱼采集器作为一款完全自主研发的分布式云平台，以其 操作简单，轻松易学为优势，得到了广泛的运用。本文使用八抓鱼采集器，获取网络商品评论数据，详细的评论数据如表1所示。 表1 部分商品评论数据 消费者 评论 荣耀手机三百优慧卷：[ yhn.在线/VV ] j***6 此次荣耀V9还内置了4000mAh的大容量电池， 续航上会比上一代机型强不少。 妹**了 感觉还行，比想象中的好，连个钢化膜都没送！(?▽?) 劳**玲 手机收到了，马上开机上手，真不错，支持国产 I***8 手机外形高大上，系统运行起来嗖嗖的， 就是电量太不耐用了，小小的失落？？？ 2***小 帅呆了 给送人的 运行速度快 便宜实惠质量好 推荐选择 ⊙▽⊙ 赞赞赞赞赞赞 2 研究设计 通常网络商品评论数据记录了消费者对一件商品不同属性维度的关心程度。然而，由于商品评论的主体是广大消费者，消费者受到自身专业限制，使得网络评论随意性较大。文本挖掘又称为文本数据挖掘和文本知识发现[14]，挖掘的对象为非结构化数据[15]。观察表1能够发现评论数据为质量不高的非结构化数据。对质量不高的非结构化文本数据进行文本挖掘需要对文本数据进行数据清洗。将清洗后的文本数据进行分词等处理。通过构建语义网络及情感分析得出评价对象与评论观点之间的关系和评价对象对应的情感状态分布情况，详细流程如图1所示。 爬取商品评论数据清洗评论对象及评论观点提取网络爬取文本数据结果分析语义网络构建数据情感分析预处理 图1 网络商品评论情感分析文本挖掘流程 3 研究过程 3.1 数据清洗 情感分析在网络数据支持下有较强的根基。然而，大量的网络评论数据在对情感分析提供数据的同时也为情感分析带来了一定的阻碍，降低了结果的准确性。目前网络商品评论存在两大缺点。其一，人们可以自由的发表对评价主体的评论，评论的质量不能保证，人们的评论内容具有一定的随意性，其二，这种在线网络评论数据的基本事实并不总是可以使用的[16]。面对网络爬取评论数据存在的缺点，为了保证文本挖掘样本数据的质量，提高文本332 辽宁工业大学学报(自然科学版) 第38卷 挖掘效果。本文在R语言软件运行环境下，使用stringr程序包中的gsub()函数剔除特殊字符及英文。对于满足基本事实，但是无法进行网络商品评论情感分析的文本数据，使用手动操作剔除评论。 3.2 评价对象以及评论观点的抽取 3.2.1 分析评价对象以及评论观点 国际评测专家SemEval将评价对象定义为能够用来表达指定文本中评价实体特征的表达方式。当评价实体作为商品时，此时的评价对象可以是实体对应的产品特征，功能，以及零部件[17]。对于网络商品评论而言，评价对象除了有商品的固有属性还包含快递、服务等，评论观点为属性维度及快递等对应的评价。例如：“手机外形高大上，系统运行起来嗖嗖的，就是电量太不耐用了，有点小小的失落，”对于此评论而言，“外形”以及“电量”作为评价对象，“高大上”，“运行嗖嗖的”及“不耐用”作为三个评价对象对应的评论观点。蒋盛益等[17]认为抽取评价对象及评论观点在商品评价文本分析中占有重要的位置。分析上述评论，能够发现前两个评价对象对应的评论观点是积极的，而第三个评价对象对应的评论观点为消极的。在实际的分析过程中，无论将评论划分为积极的，消极的还是中性的均会影响到商品评论的情感分析准确度。因此，本文抽取每条商品评论中的评价对象及其对应的评论观点，对其进行情感分析，一定程度上增加了情感分析的准确度，能够更好的运用于商品用户管理中。 3.2.2 评价对象以及评论观点抽取结果 翟东升等[18]根据产品的固有属性{价格，外观，处理器等}和提取网络商品评论中手机评论包含的类别，对手机评价对象以及每个评价对象对应的同义特征词进行划分。本文在此基础之上对网络商品评论数据的评价对象和评论观点进行提取。提取过程中获得评价对象对应的同义特征词，结果如表2所示。 将表2评价对象和同义特征词与翟东升等提取的手机评论的评价对象与其对应的同义特征词进行比较发现，本文的提取结果不仅对原有的同义特征词进行扩充，而且增加了“包装”，“快递”两个评价对象。伴随着“颜值”，“内存”，“自拍杆”等新生词汇的涌入，仅将原来的同义特征词进行同义词替换，减少了评论内容，降低了手机评论挖掘内容的准确性。因此，本文提取新的同义特征词，扩大了同义特征词范围。将表3得到的同义特征词进行替换，生成评价对象，解决了由部分同义特征词替换 带来的评论减少问题。 “服务”，“快递”作为手机非固有属性对应的评论数超过“输入”，“应用程序”等。较高的评论体现了消费者拥有较高的关注。因此，需要将“服务”和“快递”作为两个评价对象进行提取。目前，输入法具有较高的通用性，各项的功能较为相似，因此消费者对输入法的关注度较低。分析表2，关于“输入”的评论数仅为5条，在商品评论大量的文本数据中所占的比例几乎为零。因此，在进行评价对象抽取的过程过将其忽略。形成了由“快递”，“价格”，“屏幕”等15个评价对象构成的评价对象集。本文将运用评价对象集及对应的评论观点进行情感分析。 表2 评价对象及观点提取结果 评价对象 同义特征词 评论数 快递 送货，物流，配送 128 价格 性价比，优惠，价钱，价位，售价 104 屏幕 触屏，分辨率，显示效果，色彩，尺寸 51 系统 操作系统，界面，桌面，画面， 67 处理器 CPU，发热，散热 231 内存 容量，RAM，ROM，闪存，运行内存 28 电池 续航，快充，耗电，待机时间 112 输入 输入法，键盘，词组联想，虚拟键 5 像素，摄像头，人像，物象，美颜， 拍照 照片质量，拍照，闪光灯，手电筒， 136 镜头，拍摄，相机， 音频 听筒，扬声器，音质，音量，铃声 44 应用程序 软件，程序，应用 13 网络 上网，信号，WIFI断流 16 附件 耳机，钢化膜，自拍杆，说明书，手机壳 45 外观 材质，手感，颜色，尺寸，厚度，颜值， 做工，设计，卡槽，外形，外壳，重量 367 服务 售后，态度， 17 包装 纸盒子，气囊 21 3.3 数据预处理分词 目前中文分词有3种分类方法，分别为基于字典的分词方法，基于理解的分词方法和基于统计的分词方法。基于统计的分词方法克服了字典分词方法需要不断添加新词汇，扩大分词词典这一缺点。本文使用R语言中的Rwordseg程序包对提取的评价对象及评论观点进行文本分词。Rwordseg程序包作为R环境下的中文分词工具，是一种基于统计的分词方法。Rwordseg完全引用Java的Ansj，Ansj采用Bigram分词原理。 假定语句S由w1,w2,w3......wn-1,wn等n个词语组成，其中第N个词的概率条件依赖于前边的N-1个词，这样的语言模型称为N元语言模型。对于给定的句子S的出现的依赖于组成语句S的n个词，S这个序列出现的概率等于每个词出现的概率相乘如式（1）所示[19]。当N=2时，此时称为Bigram二第5期 刘敏等：基于文本挖掘的网络商品评论情感分析 333 元语法模型。在二元语法模型中依赖于上下文环境词概率分布的统计模型。第N个次出现的概率，只与前N-1个词有关，概率计算如式（2）所示。Pw1表示第1个词出现的概率，Pw2w1表示在第1个词出现的情况下，第2个词出现的概率。根据词语组成概率获得粗分分词结果。 PSPw1P(w2w1)P(w3w1w2)p(ww （1） nw12wn1)P(wnw1wn1)P(wnwn1wn2) （2） 3.4 语义网络构建 语义网络是由大量常识概念构成的[20]，作为一种社会网络分析方法[21]，是用户借助Web2.0时代出现的微博，Facebook等社交工具提供的功能模块构建的联系网络[22]，通过语义网络的构建，识别评价对象与评论观点之间的关系，挖掘情报价值。完整的语义网络由网络节点以及有向线段组成，箭头的方向表示了概念之间的从属关系以及概念与概念之间的关系。本文使用武汉大学沈阳老师团队开发的一款用于文本分析软件ROSTCM中的NetDraw工具绘制网络商品评论的语义网络图，进行语义网络构建，具体关系如图3所示。 分析图3能够直观的获得评价对象间关系强度。评价对象节点越大表明与此评价对象出现在同一评论中的评价对象越多。从整体角度来看，整个社会语义网络表现得比较紧凑，没有孤立点。这是因为网络中的节点均为评价对象和评论观点，研究范围对应的为手机评论，具有很多的共同性和继承性，具有更大的紧密度。同时，紧凑的社会语义网络也具有相对分散，相对集中地特点。其中“外观”，“屏幕”，“电池”，“拍照”4个评价对象作为核心，通常被称为语义网络中的“桥”或者“中间者”，通过这四个评价对象实现了全网的信息连通，促进了不同评价对象、不同评论观点之间的连接，体现商品评论的这些评价对象与其他评价对象关系紧密，是用户关心的核心评价对象。“系统”，“处理器”以及“内存”位于边缘，各个评价对象之间的关系较紧密。而“物流”，“服务”形成了一个小的网状结构形态，与其他评价对象之间关系比较疏远，作为购买网络商品时附带的商品评价对象，与其他的评价对象之间并无较强的联系，形成一个小的网状结构形态。这种相对集中，相对分散的网络形态表明消费者对网络商品的关注具有核心关注点，同时消费者关注的主题比较丰富。 语义网络将网络商品评论通过网络的形式连 接成一个整体，描述各评价对象与评论观点之间的关系。分析语义网络不仅能够得出评价对象间的关系强度，而且能够获得评价对象与评论观点之间的关系。消费者在购买此款手机，“电池”的续航能力，容量之间存在较强关系，反映了在购买手机时对电池的关注集中于电池续航能力、电池容量，而对手机是否是快充等的关注较低。屏幕与大小，清晰度以及设计之间存在联系。外观的手感，尺寸及外形是否漂亮之间均具有较强的关系，受到消费者的关注。对网络销售而言，关注每个评价对象与对应的评价观点之间的关系，努力改善两者之间的关系，对网络商品销售具有重要意义。 图3 某品牌手机评论语义网络 3.5 情感分析及结果分析 3.5.1 情感分析 情感分析又称意见挖掘，是一种基于用户发表的文本内容的情感分类方法[23]，目的在于研究人们对文本中的某一实体的评判态度（支持，反对或无关）。目前，情感分析方法的分类存在两种观点，朱琳琳等[24]将情感分析的分类分为基于情感词典和机器学习两类分类方法。Thelwall M等[25]将情感分析方法划分为基于机器学习，情感词典的方法和语言分析3种分析方法。机器学习的方法用来将一组选定的文本数据进行训练分类，然后将另一组文本数据作为测试集验证是否能够检测正确的特征并给出正确的分类[26]。使用机器学习的方法进行情感分析，当样本数据较多时会出现效率较低，甚至过度拟合的问题。基于词典的方法取决于具有特定极性的预定列表或语料库，而语言学方法使用单词或短语自身的句法特征，否定文本结构来确定文本方向，语言学方法通常基于词典方法。本文使用基于情感词典的分析方法对评价对象和评论观点进行分析，详细情感分析的结果如表3所示。 3.5.2 结果分析 分析表3能够发现积极情绪比例较高的分别为“快递”，“网络”以及“外观”3个评价对象。“快334 辽宁工业大学学报(自然科学版) 第38卷 递”作为非手机固有属性获得最多的积极评价。由此可见，消费者对配送的效率还是比较满意的，可将此款手机的配送快递作为手机销售的一个卖点，需要手机尽快送达的用户可考虑购买此款手机。总评论数“外观”这一评价对象以367的评论数排在第一位，表明消费者在购买手机的时候对手机的外观关注度挺高。之所以产生这样的现象，一方面是因为消费者在购买手机的过程中的确比较关心手机的外观，另一方面在首次使用手机进行评价的时候，消费者仅仅只能对手机外观有一个比较直观的评价。因此，为增加消费者满意度，应加强对手机外观的美感以及人性化的设计，努力使“外观”成为产品优势。消极情绪能够反应商品不足之处，也是商家进行商品用户管理的重要方向。“附件”，“应用”这两个评价对象对应的评论观点的情感分析中，消极情绪比例占比均高于积极情绪占比。将评论中消极情绪汇总整理，详细结果如表4所示。 表3 网络商品评论情感分析 评价 对象 价格 电池 外观 快递 内存 处理器 系统 音频 网络 屏幕 服务 附件 包装 拍照 应用 积极情绪 比例 58.42% 34.82% 74.11% 96.44% 71.43% 53.25% 41.79% 68.18% 81.25% 60.78% 70.59% 20.0% 57.14% 40.44% 23.08% 中性情绪 比例 35.58% 55.36% 19.35% 2.00% 17.86% 32.03% 49.25% 25% 18.75% 33.33% 17.65% 48.89% 23.81% 41.91% 46.15% 消极情绪 比例 6.% 9.82% 6.54% 1.56% 10.71% 14.72% 8.96% 6.82% 0% 5.88% 11.76% 31.11% 19.05% 17.65% 30.77% 总评 论数 104 112 367 128 28 231 67 44 16 51 17 45 21 136 13 其它手机。 表4 网络商品评价评价对象消极情绪 评价对象 附件 应用 消极评价 商家没有送钢化膜 有点伤心 遗憾的是没有送保护膜和耳机线 商家 没有什么赠品 只有一个小盒子 商家这个手机没有耳机 这个很尴尬 商家没有送耳机 有点小遗憾 好伤心 配件只有充电器、取卡针 商家抠门死了 再怎么样也应该配个耳机吧 京东的小气 除了手机没有其他 为什么连个耳机都没有 有点难过 是没送耳机可惜商家太抠 这款不配套耳机 不高兴 没有耳机 商家好抠门 可惜没有钢化膜 稍微有些遗憾 商家太小气 没有送耳机 很遗憾 感觉声音不大 有点沙哑 商家这款没有耳机 怎么突然小气了 程序开启困难 程序麻烦 软件运行的时候卡机 附带软件并不多 4 结论 伴随着电子商务的发展，越来越多的人选择网上购物。挖掘商品评论的潜在价值，对网络销售和顾客选购商品具有参考价值。本文在引入评价对象及评价观点的基础上，通过构建语义网络和情感分析挖掘网络评论中的潜在信息，取得了较好的效果。围绕实验结果，得出以下结论，为网络销售和顾客选购手机提供了建议。 (1)完整的语义网络不仅描绘了评价对象之间的关系强度，并且能够刻画评价对象与评论观点之间的关系，通过语义网络发现“电池”这一评价对象与续航能力、容量及大小之间有着较强的关系，屏幕的大小以、设计外观、手感之间存在联系。 (2)“外观”作为消费者关注最多的评价对象，在15类评价对象中具有重要的位置。对网络销售而言，消极情绪占比较高的评价对象需要引起高度重视，应关注消费者消极评价较多的“附件”和“应用”，从这两个方面提高消费者对此款手机的满意度，在成本允许的范围内解决耳机，钢化膜等附件问题。对顾客而言，“快递”作为优势，而“附件”，“应用”作为产品劣势，若顾客对这两个评价对象要求较高，就需要慎重考虑是否购买此产品。 (3)从语义网络构建和情感分析两个方面对网络商品评论进行文本挖掘，增加了挖掘的广度。提取网络商品评论中的“评价对象”以及“评论观点”缩小了文本挖掘范围，丰富评价对象对应的同义特证词解决了由于提取评价对象过程中同义词替换带来的文本数据减少的问题。 分析表4中有关“附件”和“应用”评价对象对应的消极评论，能够发现“附件”对应的消极评价主要围绕着商家没有赠送钢化膜，耳机等一些配件中。钢化膜，耳机等作为一些手机附带物品，在实际的购买中消费者希望在购物过程中包含所有配件，因此，商家在进行商品营销及成本制造的过程中应将这些因素考虑在内，实行有效的营销战略以及合理的产品定价，尽量减少由于商品附件为消费者带来的消极评价，降低顾客满意度。“应用”评价对象的消极评价集中在两个方面，分别为程序的简洁度和附带的软件。应用程序作为手机固有的属性，在开发设计的过程中更应该注重产品设计的简洁度，增加应用程序的可操作性。从消费者角度来看，若对手机的应用功能要求较高，可考虑购买 第5期 刘敏等：基于文本挖掘的网络商品评论情感分析 335 参考文献： [1] Agarwal B, Mittal N, Bansal P, et al. Sentiment analysis using common-sense and context information[J]. Computational Intelligence & Neuroscience, 2015, 2015: 30. [2] 杨立公, 汤世平, 朱俭. 基于马尔科夫逻辑网的句子情感分析方法[J]. 北京理工大学学报, 2013, 33(6): 600-604. [3] 明均仁. 融合语义关联挖掘的文本情感分析算法研究[J]. 图书情报工作, 2012, 56(15): 99-103. [4] 蔡晓珍, 徐健, 吴思竹. 面向情感分析的用户评论过滤模型研究[J]. 现代图书情报技术, 2014, 30(4): 58-64. [5] 唐晓波, 肖璐. 基于情感分析的评论挖掘模型研究[J]. 情报理论与实践, 2013, 36(7): 100-105. [6] Liu L, Song W, Wang H, et al. A novel feature-based method for sentiment analysis of Chinese product reviews[J]. 中国通信(英文版), 2014, 11(3): 154-164. [7] Medhat W, Hassan A, Korashy H. Sentiment analysis algorithms and applications: A survey[J]. Ain Shams Engineering Journal, 2014, 5(4): 1093-1113. [8] 江腾蛟, 万常选, 刘德喜, 等. 基于语义分析的评价对象-情感词对抽取[J]. 计算机学报, 2017, 40(3): 617-633. [9] 杨凤芹, 宋美佳, 孙铁利, 等. 面向中文产品评论的完整评价对象抽取方法[J]. 计算机工程, 2017, 43(6): 169-176. [10] 廖祥文, 陈兴俊, 魏晶晶, 等. 基于多层关系图模型的中文评价对象与评价词抽取方法[J]. 自动化学报, 2017, 43(3): 462-471. [11] 施国良, 程楠楠. Web环境下产品评论挖掘在企业竞争情报中的应用[J]. 情报杂志, 2011, 30(11): 10-14. [12] 方美玉, 郑小林, 陈德人, 等. 商品评论聚焦爬虫算法设计与实现[J]. 吉林大学学报: 工学版, 2012, 42(s1): 377-381. [13] 刘金红, 陆余良. 主题网络爬虫研究综述[J]. 计算机应用研究, 2007, 24(10): 26-29. [14] 谭章禄, 陈晓, 宋庆正, 等. 基于文本挖掘的煤矿安全隐患分析[J]. 安全与环境学报, 2017, 17(4): 1262-1266. [15] 孙菲菲, 林平, 曹卓. 基于旋转森林集成学习的涉恐实体挖掘研究[J]. 情报杂志, 2015(5): 190-195. [16] Fang X, Zhan J. Sentiment analysis using product review data[J]. Journal of Big Data, 2015, 2(1): 5. [17] 蒋盛益, 郭林东, 王连喜, 等. 评价对象抽取研究综述[J]. 自动化学报, 2018, 44(7): 1-18. [18] 翟东升, 徐颖, 黄鲁成, 等. 基于产品评论挖掘的竞争产品优势分析[J]. 情报杂志, 2013(2): 45-51. [19] 姜芳, 李国和, 岳翔, 等. 基于粗分和词性标注的中文分词方法[J]. 计算机工程与应用, 2015, 51(6): 204-207. [20] Atteveldt v W H. Semantic Network Analysis: Techniques for Extracting, Representing, and Querying Media Content[J]. Amsterdam Vrije Universiteit, 2008, 37(2): 218-220. [21] 李纲, 叶光辉. 网络视角下的应急情报体系“智慧”建设主题探讨[J]. 情报理论与实践, 2014, 37(8): 51-55. [22] 杨立公, 朱俭, 汤世平. 文本情感分析综述[J]. 计算机应用, 2013, 33(6): 1574-1607. [23] 朱琳琳, 徐健. 网络评论情感分析关键技术及应用研究[J]. 情报理论与实践, 2017, 40(1): 121-126. [24] Thelwall M, Buckley K, Paltoglou G. Sentiment in Twitter events[J]. Journal of the Association for Information Science & Technology, 2011, 62(2): 406-418. [25] Haddi E, Liu X, Shi Y. The Role of Text Pre-processing in Sentiment Analysis [J]. Procedia Computer Science, 2013, 17: 26-32. [26] Tan K W, Na J C, Theng Y L, et al. Sentence-Level Sentiment Polarity Classification Using a Linguistic Approach[C]// International Conference on Asia-Pacific Digital Libraries: for Cultural Heritage, Knowledge Dissemination, and Future Creation. Springer-Verlag, 2011: 77-87. 责任编校：刘亚兵