28、基于字典的用户评论问题短语提取及阿拉伯命名实体关系发现

基于字典的用户评论问题短语提取及阿拉伯命名实体关系发现

1. 基于字典的问题短语提取

在处理用户评论时，系统将子集（S2）划分为几乎相等的类别，但问题类稍大，这反映了系统在精度和召回率之间的权衡。通过比较子集 S3 和 S4 中的正标签以及子集 S0 和 S1 中的负标签（如表 4 所示），也能说明这一点，后一种情况系统表现更好。

有趣的是，测试集中超过一半的问题是通过少数（核心）问题指标发现的（如表 3 所示）。鉴于核心指标包含在自动构建的字典中，我们可以利用 Google Books NGram Viewer 数据集将基于字典的系统应用到其他领域。

错误分析显示，假阴性问题短语有两个额外来源：
- 句子可能不包含问题指标，但包含间接特征，如“sent it back”“to return the tablet”“contacted hp product support”等。
- 一些多词表达即使不包含问题指标也可能表示问题，例如“too small”“too many”“little low”。

问题提取可视为信息提取任务。性能指标比较证实了这一观点。F1 度量值（约 75%）低于命名实体识别的 F1 度量值（超过 90%），但略好于事件提取的最佳 F1 值（约 60%），因此问题提取处于中间位置。

为了提高性能，我们将开发额外的字典，以找到所有可能包含问题的句子（即使没有问题指标）。我们认为，使用字典和当前的轻量级方法将召回率提高到 85%以上会很困难。提取字典方法未发现的问题句子可能需要更深入的语义分析，如扩展词袋模型和使用高级机器学习。

2. 阿拉伯命名实体关系发现