雖然斷斷續續看了一些論文，但感覺有些時間一久就淡忘，所以計劃今後做論文筆記，就當備忘吧，這是第一篇，希望能堅持住，就像王者裏說的，“穩住，我們能贏”哈哈，歡迎交流學習，如有錯誤也歡迎指正。
此次看的論文是Bing Liu在04年在aaai上發的一篇關於從用戶評論中抽取觀點特徵（觀點對象）的文章，所謂opinion features其實就是用戶發表評論的對象，比如一個相機，那麼opinion features就是諸如相機的picture quality，price，size，battery quality等這些描述商品某些方面（aspects）的東西，該文章主要講的就是如何從用戶的評論（reviews）中提取出這些opinion features。
關於爲什麼要提取這些features，其目的是爲了對商品分方面進行評估，能讓用戶快速地對商品進行了解，還是舉相機的例子：
可以看到，我們能夠方面的看到用戶對相機的圖片質量的評價，大多數人的評價還是好的，同樣對相機的便攜性，即大小的評價也是好的佔大多數。PS：另外可能會問，直接問商家商品有哪些features不行嗎？這裏涉及到一些實際的情況，論文舉了4點，詳細地請看原文吧，因爲不是重點所以就不多講了。
首先上個圖，這個圖把提取features的過程表達的很清晰了，心裏先大概有個框架，之後具體可以回頭再看看。
總的來說，基本的流程是這樣的：
用爬蟲從網上獲取商品及評論數據；
frequent features generation(頻繁特徵的產生，後面有談到非頻繁特徵抽取的)；但在此之前要先進行part-of-speech tagging(詞性標註)，之所以要進行這一步，是因爲評論數據是複雜的，有些評論有直接說出評論對象，有些是隱含的，如：
- the pictures are very clear.
- while light, it will not easily fit in pockets.
第一句有直接指出是picture，第二句則隱含指size，在本文作者指出隱含的特徵出現的頻率要比顯式指出的情況低的多，因此只找出顯式的這種情況，而在這種情況下，這些features基本上都是以名詞或名詞短語的形式出現的，由此也就說明了做詞性標註的原因。
此階段前也要進行一些預處理的工作，比如stopwords, stemming, fuzzy matching等。
接下來是真正地開始抽取頻繁特徵了；用的方法就是關聯規則（association rule mining）去找出頻繁項集（這篇文章 詳細說了關聯規則方面的東西https://www.it.uu.se/edu/course/homepage/infoutv/ht08/vldb94_rj.pdf），對應到文中，項集就是一些共同出現的詞或短語的集合。頻繁項集就是那些滿足最小支持度的集合；關聯規則的挖掘則是找出滿足最小支持度和最小置信度的規則。
文中，使用了作者在98年發在KDD上的文章提出的方法CBA（鏈接https://vvvvw.aaai.org/Papers/KDD/1998/KDD98-012.pdf，該方法是基於Apriori算法的，Apriori和FPgrowth是關聯規則經典的算法）。文中設定了最小支持度1%，找出支持度大於1%的項集作爲頻繁項集，這些項集可能就是我們要找的opinion features。
More details:
Apriori算法有兩步，首先找出頻繁項集，然後挖掘強關聯規則，此處我們只要用到第一步就好了。
我們只需要找出那些包含三個詞或三個詞以下的頻繁項集，因爲一個商品的features包含的詞很少超過三個的。所有這些頻繁項集被抽取出來之後，就構成了candidate frequent features（候選頻繁特徵），之所以候選是後面還有剪枝步驟，這些不全是真正的opinion features。
接下來就是對上一步的candidate frequent features進行剪枝了，主要分爲兩個剪枝步驟，第一個是基於緊密度的剪枝，第二個是冗餘特徵的剪枝。下面分別對兩種方法做下說明。
基於緊密度的剪枝：
原因：在之前用關聯規則生成頻繁項集的時候，並沒有考慮item（在這裏是word）的位置，但在自然語言中，那些以一定次序一起出現的詞更可能是有意義的短語，這也就是剪枝的原因，就是關聯規則產生的頻繁項集可能有一些是meaningless的，因此要把那些features（這些features包含的詞沒有一起出現的，沒有一起出現可以簡單理解爲在原評論句中的位置隔得較遠，下面有解釋）剪掉。這裏先給出緊密的feature phrase的定義：
什麼情況下認爲特徵短語是緊密的也就是是真正的feature呢？要滿足兩個條件：
第一個說在包含特徵短語f的句子s中，f中任意兩個相鄰的詞在句子s中的間隔不超過3，那麼認爲f是compact的，就是緊密的。
第二個說在m個包含f的句子中，如果f是緊密的出現次數爲2次或2次以上，那麼f就是緊密的特徵短語（通過考驗成爲真正的feature phrase，不是candidate了），如果沒有出現兩次是緊密的情況就把它剪掉了。冗餘特徵剪枝：
這一步主要是爲了將那些單個詞的冗餘features剪掉，簡單理解是這些單個詞的features包含在一些feature phrase裏了；
這裏給出純淨支持度的定義：Definition 2 p-support (pure support)：
p-support of feature ftr is the number of sentences that ftr appears in as a noun or noun phrase, and these sentences must contain no feature phrase that is a superset of ftr.這個定義就是說某個特徵ftr的純淨支持度等於ftr以名詞或名詞短語出現的句子數，並且這些句子中不能有ftr的超集，超集就是：manual code是manual的超集，另一個例子是life和battery life。
5.至此，就得到了所有保留下來的features，這些就是最終的結果，接下來就是針對這些features進行opinion words的抽取了，再接着是根據opinion words反過來對非頻繁特徵的識別，最後是根據句子中opinion words的orientation來決定句子sentences的orientation，第5步就留着下一篇吧。
有些地方自己還有一些疑惑，如發現有出入的地方，灰常歡迎交流！