商品特征是指商品所具备的属性或功能，在线评论中的商品特征和观点提取是指从大量的商品在线评论中自动获取评论对象的属性或功能以及对该属性或功能的观点。在线评论中的商品特征及观点一般分为显式表达和隐式表达两类。显式表达是指特征和观点的文字表达直接存在于评论中，如“手机质量很好”中的特征“质量”和观点“好”；而隐式表达中不包含特征或观点的文字表达，但可以从语义上推测出评论的特征和观点，如从“苹果很甜，但有些贵”可以推测出“口感”和“价格”两个特征；从“衣服洗一次就缩水不能穿了”可以推测出“不好”这一观点。 目前，从在线评论中提取商品的特征和观点的方法主要有基于语言规则的提取方法、基于统计模型的提取方法和基于深度学习模型的提取方法。基于语言规则的提取方法，如使用Apriori算法挖掘频繁项集、利用语法依存关系，以及利用词典等提取特征观点词的方法，操作性强，无需人工标注，在同一领域内具有较强的适用性，但需要建立词典、规则模板和进行语义分析等预处理，人工干预多，不适合结构复杂的数据。基于统计模型的提取方法，如隐马尔科夫模型、条件随机场模型等，需要人工特征处理，影响准确率和效率，并且需要大规模的标注数据，耗费大量的人工成本。基于深度学习模型的提取方法，如卷积神经网络模型、循环神经网络模型或长短时记忆网络模型等，是将特征观点提取作为文本序列标注问题，无需人工特征处理，但需要大量人工标注。另外，单纯的基于统计模型和深度学习模型的监督学习方法，不能实现隐式特征和观点的提取。 为了克服上述现有技术存在的缺陷，将在线评论中商品特征和观点的提取作为文本序列生成问题，采用一种基于生成对抗网络的方法实现在线评论商品特征观点的提取。

东北林业大学

该项目为储备库项目资源，暂无效益分析内容。