بهبود استخراج جنبه های متن با استفاده از دانش دامنه و گراف کلمات

با گسترش روزافزون علم و فناوری، تحلیل نظرات کاربران و تعیین نحوه نگرش کاربر به موضوع های مختلف به یک امر مهم تبدیل شده است. نظرکاوی فرایند استخراج نگرش افراد از روی نظرات نوشته شده است که در سه سطح سند، جمله و جنبه قابل انجام است. در سطح جنبه، نظر افراد در خصوص جنبه های مختلف یک موضوع بررسی می شود. مهمترین زیر بخش نظرکاوی جنبه گرا، استخراج جنبه است که موضوع اصلی این پژوهش می باشد. در بسیاری از روش های ارائه شده برای استخراج جنبه، راه حل مورد نظر نیاز به مجموعه یادگیری اولیه و یا منابع زبانی وسیع دارند که تهیه چنین داده هایی بسیار زمانبر و پرهزینه است.در این مقاله، رویکردی بدون نظارت برای استخراج جنبه مبتنی بر مدل موضوعی و بردار کلمات پیشنهاد می شود که از ایجاد گراف کلمات برای ادغام اطلاعات معنایی و دانش دامنه استفاده می کند. نتایج ارزیابی ها نشان از این دارد که روش پیشنهادی نه تنها باعث بهبود دقت استخراج جنبه در مقایسه با سایر روش های پیشین شده است، بلکه تمامی مراحل به صورت خودکار و بدون دخالت کاربر انجام می شود و بدلیل عدم وابستگی به منابع زبانی، در زبان های مختلف قابل اجرا می باشد.

improving opinion aspect extraction using domain knowledge and term graph

with the advancement of technology, analyzing and assessing user opinions, as well as determining the user's attitude toward various aspects, have become a challenging and crucial issue. opinion mining is the process of recognizing people’s attitudes from textual comments at three different levels: document-level, sentence-level, and aspect-level. aspect-based opinion mining analyzes people’s viewpoints on various aspects of a subject. the most important subtask of aspect-based opinion mining is aspect extraction, which is addressed in this paper. most previous methods suggest a solution that requires labeled data or extensive language resources to extract aspects from the corpus, which can be time consuming and costly to prepare.in this paper, we propose an unsupervised approach for aspect extraction that uses topic modeling and the word2vec technique to integrate semantic information and domain knowledge based on term graph. the evaluation results show that the proposed method not only outperforms previous methods in terms of aspect extraction accuracy, but also automates all steps and thus eliminates the need for user intervention. furthermore, because it is not reliant on language resources, it can be used in a wide range of languages.