圖書評論特征抽取研究綜述

祁瑞華 楊明昕 徐琳宏 關菁華

摘 要：[目的/意義]圖書評論是出版社、圖書館和用戶研究讀者觀點的重要線索，評論特征抽取研究是提高圖書評論觀點精準挖掘效率和準確率的基礎性工作。[方法/過程]分別從評論特征抽取研究和圖書評論特征聚類、語義表示、隱性特征抽取的典型方法等方面對國內外研究現狀進行客觀分析，梳理相關領域研究發展脈絡和趨勢。[結果/結論]指出圖書評論特征抽取效率和準確率的提高需要考慮特征聚類、語義表示和隱性特征抽取等關鍵問題。

關鍵詞：圖書評論;特征抽取;綜述

DOI：10.3969/j.issn.1008-0821.2019.09.018

〔中圖分類號〕N99 〔文獻標識碼〕A 〔文章編號〕1008-0821（2019）09-0160-08

Abstract：[Purpose/Significance]Book review is an important clue for publishers，libraries and users to evaluate works.Feature extraction is the basic work to improve the efficiency and accuracy of the fine grained opinion mining of book reviews.[Method/Process]This paper made an objective analysis of the current research situation at home and abroad from the perspectives of the research on the reviewfeatureextraction，the clustering of book review feature，semantic representation，and the typical methods of the extraction of implicit feature，and sorted out the development context and trends of the research in related fields.[Result/Conclusion]It is pointed out that to improve the efficiency and accuracy of featureextractionin book reviews，some key issues should be considered，such as feature clustering，semantic representation and implicit featureextraction.

Key words：book review;feature extraction;survey

圖書評論是出版社、圖書館和用戶研究讀者對作品評價信息的重要線索。圖書評論特征抽取的目標是從評論文本中抽取關鍵要素，在此基礎上研究用戶對圖書具體方面所持的評價和態度。評論特征抽取既能幫助用戶詳細了解圖書質量做出購買決策，也能幫助出版社和用戶實現精準觀點挖掘，從而提高圖書評論觀點挖掘的效率和準確率。

評論特征抽取屬于細粒度的觀點挖掘，在情報學和自然語言處理領域受到廣泛關注。在中國知網全部數據庫高級檢索下，檢索條件為（主題=“評論”或者題名=“評論”）并且（主題=“特征”或者題名=“特征”或者主題=“挖掘”或者題名=“挖掘”或者主題=“抽取”或者題名=“抽取”）時，檢索到“評論特征抽取”相關文獻4 166篇。但是圖書評論領域得到的關注明顯不足，當檢索條件加上：并且（主題=“圖書”或者題名=“圖書”）時文獻稀缺，僅檢索到63篇文獻，發展年度趨勢見圖1。

近年國內學者李光敏等[1]從產品特征頻繁項、特征—意見共現關系、模型訓練和顯隱式特征匹配的角度分析了國內外產品評論特征抽取研究的進展和不足，指出語義表示、網絡文本和隱性特征需要重點關注，但限于篇幅并未細分領域綜述。

隨著大數據時代網絡評論文本的大量涌現，圖書評論特征抽取領域出現了新特點、新問題，這些關鍵問題本領域現有文獻未能全部覆蓋。為此本文利用文獻檢索順查法和追溯法擴大文獻研究范圍，從中國知網和國外相關文獻中，選擇55篇有關“評論特征抽取”的代表文獻，其中2010年前9篇，2010～2014年23篇，2015年以后23篇。國外文獻32篇、國內文獻23篇，其中圖書評論領域文獻17篇。在此基礎上針對圖書評論的特點，分別從特征聚類、語義表示和隱性特征3個方面重點論述與圖書評論特征抽取相關的典型方法和關鍵問題，對國內外研究現狀進行客觀分析，對未來發展趨勢做出展望，以期為進一步研究提供新的思路。

1 產品評論特征抽取

產品評論特征抽取的目標是從評論文本中抽取評價的具體對象，是細粒度觀點挖掘和情感識別任務的基礎性工作。隨著自然語言處理技術的發展，機器學習方法有效改善了特征抽取模型的泛化能力。根據訓練樣本是否需要標注，特征抽取方法可分為有監督方法和無監督方法。

1.1 有監督方法

有監督方法將特征詞抽取看作文本序列標注任務，基于訓練數據與測試數據分布一致的假設，通過對訓練集的學習建立模型實現對測試集的預測。有監督方法從標注數據中識別特征詞的準確率較高，主要算法有隱馬爾科夫、條件隨機場、支持向量機、最大熵模型或決策樹等。如Jin W等[2]用隱馬爾科夫算法抽取產品顯性特征詞和觀點詞，鑒別特征詞—觀點詞對進行觀點詞分類取得較好效果，但隱馬爾科夫模型作為生成模型不適合處理內容豐富相互冗余的語料。條件隨機場作為判別模型更適合處理這些語料，如Li F等[3]用Tree CRFs算法學習句法依存關系并利用Skip-chain CRFs算法克服長距離依存關系，將發現的語義關聯作為輸入信息抽取特征詞;Hamdan H等[4]提取詞根、詞性、大小寫等特征利用條件隨機場抽取特征詞。有監督方法的共性問題是人工標注語料成本高、主觀性強，缺乏知識重組的過程，在復雜問題和大規模數據中的魯棒性受限制。

近年來隨著終身學習算法的提出，Shu L等[5-6]將終身學習機制引入到條件隨機場算法抽取評論特征詞，利用多領域知識和無標簽數據使得整個學習過程保持對外界環境的感知，增強了模型的性能，是今后有監督特征詞抽取方法獲得突破性進展的可能途徑。

此外深度學習算法在觀點挖掘任務中也有很好的表現，Poria S等[7]基于深層卷積神經網絡抽取視頻對白文本特征，結合畫面人物表情和語音多模態特征生成特征向量，將句子級別情感分析的準確率提升了14%。隨后Poria S等[8]又提出七層卷積神經網絡結合啟發式語言模板用于觀點特征詞的標注，實驗表明詞嵌入特征能有效引入語義知識，非線性的深層卷積神經網絡比線性模型更能適應自然世界中的數據。

1.2 無監督方法

無監督方法可以探索性地揭示未標注數據的規律，避免人工標注的高成本和主觀性，目前主要采用統計法、詞共現法、基于規則方法和主題模型等特征抽取方法。

早期研究以統計法為主，借助詞頻閾值等條件篩選特征詞，此類方法簡單高效，代表研究如Hu M等[9]通過關聯規則挖掘電子產品評論中的名詞詞組頻繁項集抽取產品特征。詞頻統計方法只關注高頻詞，往往漏掉非高頻特征詞。為解決這一問題，Hu M等[10]嘗試將高頻詞附近名詞補充到特征詞集，Santosh R等[11]用詞匯Bigram代替Unigram統計抽取特征詞，韓客松等[12]、何新貴等[13]嘗試詞頻結合詞位置權重和提示信息權重方法，但不能從根本上避免統計法的局限。

詞共現法假設詞義關聯緊密程度與詞共現頻率正相關，通過構建詞共現網絡圖抽取特征詞，如耿煥同等[14]利用詞共現圖和主題間連接特征抽取文檔特征詞，Liu K等[15]構建異構語義和觀點關系圖并通過協同排序算法和詞匯偏好信息抽取特征詞，均改善了非高頻特征詞的抽取，但詞共現網絡圖對評論文本長度敏感，當文本信息不足以構建結構合理的共現網絡時，特征詞抽取的準確率明顯下降[16]。

當前特征詞抽取普遍采用基于規則的方法，句法規則能夠抽象文本內部結構、概括特征依存模式，因而被廣泛采用。代表研究有Qiu G等[17]提出雙向傳播算法利用句法依存關系建立特征模版，在少量初始觀點詞種子集上迭代抽取特征詞，能適應多領域，但在小規模語料上召回率低，原因在于人工抽取的語法規則無法涵蓋豐富的語言事實。為解決這一問題，Zhang L等[18]基于部分—整體模式和否定詞模式改進了雙向傳播算法，Zhao Y等[19]提出提取句法結構的直接啟發式算法和結構句法結構的泛化方法，Kang Y等[20]基于規則抽取在線評論的主觀特征和客觀特征，這些嘗試一定程度上提高了召回率，但遠距離依存關系、否定關系、引用關系和句法不規范文本等仍然難以用規則顯式地表示。

普遍采用的特征抽取無監督方法還有基于主題模型的方法，主要基于隱含狄利克雷主題模型及其改進模型抽取特征詞，如Ma B等[21]通過隱含狄利克雷主題模型生成特征詞及其同義詞的候選集，Ye Y等[22]提出改進的MF-LDA模型抽取微博客特征詞，Chen Y等[23]提出結合文本聚類和特征選擇的FSC-LDA模型，Xie W等[24]提出基于草圖的主題模型抽取推特中的突發主題，有效地對推特信息流降維并生成快照?？傮w上，主題模型發現的是粗粒度的評價對象，需要提前人工設置主題數量，不能發現訓練集中未出現而在測試集存在的特征詞，在短文本或高噪音的網絡文本上效果也有待改善。

近年來無監督特征詞抽取傳統方法與有監督方法、深度學習、終身學習等機器學習方法結合的研究發現，模型泛化能力和準確率都得到明顯改善[25]，是評論特征自動抽取技術發展的主要趨勢。

2 圖書評論特征抽取

2.1 研究背景

圖書評論是一種特殊的產品評論，國內外學者從不同角度的持續關注和探討，為圖書評論特征詞抽取研究奠定了基礎。

從圖書推薦指標體系的角度，Sohail S S等[26-27]以計算機類圖書為研究對象，將圖書評論關注的方面分為7類，根據用戶需求和特征重要程度分配權重計算綜合評分排序推薦圖書，結果由20位用戶主觀反饋驗證。李雁翎等[28]提出綜合評價作者、出版社、圖書館、銷售和網絡輿情信息的圖書評價體系及分析模型;從評論信息有效性的角度，張麗等[29]基于統計方法從評論標題和正文、圖書種類、評論有用性的維度分析了當當網年度暢銷的3本圖書網絡評論，提出幫助用戶識別有效評論的方法;從中華圖書海外評論的角度，劉朝暉[30]依托接受理論和測試理論對《紅樓夢》兩個譯本的可接受性做了定量分析，發現兩個譯本的可接受性無本質區別，實驗中的讀者是未讀過原著的美國大學生;陳梅等[31]統計了亞馬遜網站上100頁典籍英譯作品譯本、譯者、出版社和評分人數，發現流行譯本的譯者多來自英美;張陽[32]歸納了亞馬遜網站上10種《論語》譯本的90份讀者評論特征，分析總結了閱讀群體對譯本風格的偏好;何曉花[33]人工歸納了米歇爾《道德經》譯本的245條網上評論，研究情感極性分布及其變化;從評論特征抽取的角度，李實等[34]基于關聯規則挖掘《達芬奇密碼》一書在卓越網的評論，實驗結果中評論特征的查準率有待提高。

圖書評論特征抽取研究取得了一定成果，然而網絡圖書評論的規模迅速膨脹，海量評論信息已經超出人工處理的能力，需要采用自動方法精煉大規模信息。而目前國內相關研究還主要限于小樣本數據的統計分析，缺乏有說服力的數據支持，特征提取和分析方法局限于人工歸納，欠缺對互聯網環境的適應性，特征抽取的效率和質量亟待進一步提升，性能還有待改善。在圖書質量評價中引入自然語言處理和語義分析已經被證明是有效的，但尚處于研究的初級階段，方法還未成熟[35]。下面結合圖書評論特征抽取的3個關鍵問題：主題聚類、語義表示和隱性特征抽取進行分析。

2.2 主題聚類

與傳統文檔相比，網絡評論文本多源異構、噪音大、主題稀疏、不規范表達多[37];與電子產品評論相比，圖書評論偏重于用戶體驗的表達，圖書評論中的微主題呈現相對分散的特點[35]，圖書評論特征抽取需要解決的問題首先是快速高效降維。

主題聚類能夠在缺乏先驗知識的情況下自動抽取評論文本的結構與特點，提煉大規模文本的關鍵內容，提高特征抽取的效率和質量，加快讀者閱讀和獲取信息的速度。目前圖書評論主題聚類主要采用隱含狄利克雷模型及其改進模型，如Zhang P等[37]針對圖書評論微主題相對分散的特點，提出基于Group-LDA的讀者檢測方法，結合圖書章節信息描述文檔主題，檢測主題類別與讀者群體類型之間的相關性。陳曉美[38]結合觀點分離與觀點摘要集成算法，提出基于隱含狄利克雷模型的圖書評論觀點識別和深度觀點判定方法，但只在《卡爾威特的教育》一書上進行了實證研究。張鳳瑜[39]在10本圖書評論上通過聚類算法和人工篩選，分別建立了圖書評論特征詞典和傾向性詞典，語料范圍比較有限。

圖書評論主題聚類現有研究主要面向特定少量作品數據，難以適應網絡評論大數據環境。解決思路可以借鑒電子產品評論主題聚類方法，如Santosh R等[11]用組平均聚類算法抽取亞馬遜網站商品評論中的名詞詞組，根據聚類結果計算特征詞評分函數，方法適應多領域和不同規模的數據集;Fitriyani S R[40]面向大數據主題檢測任務提出小批量K-means方法，有效縮減了計算時間;Pang J等[41]從相似度擴散視角提出相似度層疊聚類方法，有效處理噪聲和稀疏問題;Schouten K等[42]提出基于詞共現關聯規則主題聚類，為大數據集的特征抽取提供了思路。

2.3 語義表示

文本語義理解往往存在歧義，引入語義知識是提高網絡評論特征抽取精準程度的關鍵，是當前研究的前沿和熱點[43]。圖書評論中最受用戶關注的是圖書內容[29]，網絡評論中對圖書內容的引用表達形式多樣，大量冗余信息干擾著圖書評論特征抽取。引入語義表示有助于圖書評論全局語義信息的準確表達，是值得關注的技術方法。

圖書評論語義資源構建方面，郭順利等[44]將豆瓣網圖書評論用戶情感分為7類，利用改進SO-PMI算法和同義詞林擴展方法，基于情感種子詞自動構建了中文圖書評論情感語義詞典，指出圖書評論中的副詞和連詞對情感類別判斷有明顯影響，此方法的性能依賴短文本的準確分詞、情感種子詞數量和語料規模。領域語義資源應用方面，陳炯等[45]借助同義詞詞林建立產品屬性模板，挖掘圖書評論中的語言知識，但實驗結果召回率低，原因是人工標注存在主觀性，此外隱性產品特征識別也存在困難。張鳳瑜[39]基于自建的特征詞典和傾向性詞典提出基于規則與統計的圖書語義好評度計算方法，還需在大規模數據上進一步驗證。

在以自然語言形式表達的評論文本中，領域知識的表現形式主要是短語實體以及實體間的關系，近年廣泛應用在智能問答、知識推理和搜索引擎等領域的常識知識庫和領域知識庫已成為特征抽取重要的知識來源，是提高圖書評論特征抽取準確率和效率的主要趨勢之一[46]。

在常識知識庫中，自然語言的實體關系表示為計算機可理解的結構化語義知識，現有的Freebase、Google's Knowledge Graph等大規模知識庫中存儲了大量常識和事實，但仍有自然世界中的詞匯在知識庫中未得到體現。對此學界持有不同觀點。閉合世界假設認為知識庫中不存在的實體關系就是錯誤的，而開放世界假設認為，知識庫中不存在的實體關系可能是正確的，也可能是錯誤的。本文認為，現有知識庫無法窮舉自然界中的所有實體關系，因此開放世界假設更合理，對知識庫尤其是垂直領域知識庫的自動補全是評論特征抽取下一步研究的重點?？山梃b研究有Poria S等[47]利用句子依存關系、WordNet和SenticNet常識知識庫，基于規則檢測產品評論中評價對象，提高了在公開數據集上的準確率和召回率。Su Q等[48]利用中文概念詞典等多源知識，基于COP-Kmean聚類算法思想提出相互強化規則來挖掘產品特征類別和觀點詞群之間的關系，通過隱性產品特征和觀點詞之間的映射提高特征抽取性能。

領域知識庫能夠精確表達特定領域的先驗信息，對領域智能問答、情感分類等任務都起到重要的作用，是評論特征抽取的關鍵因素。可借鑒研究有Dengel A[49]從亞馬遜網站上健康追蹤器產品評論中抽取常用名詞短語，結合WordNet的語義知識建立了評論特征領域模型，指出特征抽取錯誤與領域名詞相關，因為單純考慮名詞詞頻會忽略一些稀有而重要的特征。宋曉雷等[50]針對汽車領域基于詞形模板、詞性模板、模糊匹配方法、剪枝法、雙向Bootstrapping方法和K均值聚類方法提出評論特征抽取方法。孟雷等[51]針對金融領域提出基于依存句法分析的事件元素核心詞抽取方法，結合短語結構句法識別事件元素邊界，有助于提高特征抽取的準確率。

2.4 隱性特征抽取

根據特征是否在評論文本中顯性出現，可分為顯性特征和隱性特征。隱性特征是未顯性出現的語義層面上的實際評論對象或情感，圖書評論中隱性特征占相當的比例，如評論“書拿起來軟塌塌的”中的實際評價對象“書的質量”和負面情感都是隱性表達的，隱性特征機理復雜沒有固定的表達范式，涉及的詞性和語法結構多變，是需要創新性思考的研究難點。

目前圖書評論領域隱性特征抽取的文獻稀少，國內有陳曉美[38]嘗試分析一本著作評論文本的隱性特征?？山梃b的隱性特征抽取研究有Cruz I等[52]基于人工標注的隱性特征詞標識，采用線性鏈條件隨機場序列標注算法，在公開語料的隱性特征抽取實驗中獲得了較好效果;Poria S等[7-8]和Su Q等[48]分別基于聚類和基于規則方法，同時抽取產品評論的顯性特征詞和隱性特征詞;Zhang Y等[53]基于共詞關系抽取隱性特征詞，優勢在于不需要先驗知識或人工標注，但共詞關系無法體現同義詞、近義詞等語義關聯;Hai Z等[54]提出兩階段共現關聯規則挖掘隱性特征詞，應用共現矩陣顯著關聯規則集的聚類為特征抽取生成健壯規則;聶卉[55]從信息整合的視角構建基于特征序列描述的隱特征聚類模型，利用依存句法和詞法修飾關系量化用戶評價觀點。

總體上，現有文獻為隱性特征詞挖掘奠定了基礎，但現有方法主要面向特定的領域，尚無文獻提出跨領域的通用方法，圖書評論領域隱性特征詞抽取還需進一步深入研究。國內外關于評論特征的研究總體情況見表1。

3 總結與展望

現有研究為評論特征抽取奠定了良好的基礎，但直接以圖書評論特征詞抽取為研究對象的文獻非常有限，實踐層面對圖書評論的主題聚類、語義表示和隱性特征研究關注不足，以圖書評論為研究對象的文獻多為基于主觀判斷的例舉式定性研究，即使采用定量研究也僅對小樣本數據統計分析，具體觀點內容分析限于人工歸納，缺乏有說服力的數據支持。

本文結合現有圖書評論特征抽取的研究基礎，針對互聯網大數據應用環境的挑戰，從兩個方面對圖書評論挖掘研究進行展望：首先，加強大數據環境下的圖書評論特征研究有助于國際視野下的圖書評論分析，綜合運用大數據采集、機器學習和深度學習、終身學習等新興技術，可以客觀地分析國內外讀者對于熱點圖書出版物的觀點態度，能夠有效對比特定圖書不同版本的讀者反映和觀點摘要，形成的研究模式可以推廣到跨語言圖書評論觀點挖掘，從更廣泛意義上探討對我國圖書出版事業的啟示。其次，國內圖書評論挖掘研究的深度和廣度尚待加強，從深度方面，圖書評論領域的本體構建、知識圖譜推理、命名實體識別、情感分析和語料自動標注技術的深入研究有助于改善海量高噪音的互聯網圖書評論挖掘的準確率和效率，但國內現有研究較少涉及;從廣度方面，國內已有研究文獻的數據來源比較單一，而來源廣泛的在線圖書評論語料有助于更加公平客觀地獲取讀者觀點和市場反饋。

參考文獻

[1]李光敏，陳熾，邢江，等.網絡文本評論中產品特征抽取綜述[J].現代情報，2016，36（8）：168-173.

[2]Jin W，Ho H H.A Novel Lexicalized Hmm-based Learning Framework for Web Opinion Mining[C]//Proceedings of the 26th Annual International Conference on Machine Learning，2009：465-472.

[3]Li F，Han C，Huang M，Zhu X，et al.Structure-aware Review Mining and Summarization[C]//Proceedings of the 23rd International Conference on Computational Linguistics，Association for Computational Linguistics，2010：653-661.

[4]Hamdan H，Bellot P，Béchet F.Supervised Methods for Aspect-based Sentiment Analysis[C]//Proceedings of the 8th International Workshop on Semantic Evaluation，2014：596-600.

[5]Shu L，Liu B，Xu H，et al.Supervised Opinion Aspect Extraction By Exploiting Past Extraction Results[J].arXiv Preprint arXiv：1612.07940，2016.

[6]Shu L，Xu H，Liu B.Lifelong Learning Crf for Supervised Aspect Extraction[J].arXiv Preprint arXiv：1705.00251，2017.

[7]Poria S，Cambria E，Gelbukh A.Deep Convolutional Neural Network Textual Features and Multiple Kernel Learning for Utterance-level Multimodal Sentiment Analysis[C]//Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing，2015：2539-2544.

[8]Poria S，Cambria E，Gelbukh A.Aspect Extraction for Opinion mining with a Deep Convolutional Neural Network[J].Knowledge-Based Systems，2016，108：42-49.

[9]Hu M，LiuB.Mining and Summarizing Customer Reviews[C]//Proceedings of the Tenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.ACM，2004：168-177.

[10]Hu M，Liu B.Mining Opinion Features in Customer Reviews[C]//Association for the Advancement of Artificial Intelligence，2004，4（4）：755-760.

[11]Santosh R，Prasad P，Vasudeva V.An Unsupervised Approach to Product Attribute Extraction[C]//Proceedings of the 31th European Conference on IR Research on Advances in Information Retrieval，2009：796-800.

[12]韓客松，王永成.一種用于主題提取的非線性加權方法[J].情報學報，2000，（6）：650-653.

[13]何新貴，彭甫陽.中文文本的關鍵詞自動抽取和模糊分類[J].中文信息學報，1999，（1）：10-16.

[14]耿煥同，蔡慶生，于琨，等.一種基于詞共現圖的文檔主題詞自動抽取方法[J].南京大學學報：自然科學版，2006，（2）：156-162.

[15]Liu K，Xu L，Zhao J.Extracting Opinion Targets and Opinion Words from Online Reviews with Graph Co-ranking[C]//Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics，2014，（1）：314-324.

[16]Ma T，Zhao Y W，Zhou H，et al.Natural Disaster Topic Extraction in Sina Microblogging Based on Graph Analysis[J].Expert Systems with Applications，2019，115：346-355.

[17]Qiu G，Liu B，Bu J，et al.Opinion Word Expansion and Target Extraction through Double Propagation[J].Computational Linguistics，2011，37（1）：9-27.

[18]Zhang L，Liu B，Lim S H，et al.Extracting and Ranking Product Features in Opinion Documents[C]//Proceedings of the 23rd International Conference on Computational Linguistics：Posters.Association for Computational Linguistics，2010：1462-1470.

[19]Zhao Y，Qin B，Hu S，et al.Generalizing Syntactic Structures for Product Attribute Candidate Extraction[C]//Human Language Technologies：The 2010 Annual Conference of the North American Chapter of the Association for Computational Linguistics，2010：377-380.

[20]Kang Y，Zhou L.RubE：Rule-based Methods for Extracting Product Features from Online Consumer Reviews[J].Information & Management，2017，54（2）：166-176.

[21]Ma B，Zhang D，Yan Z，Kim T.An LDA and Synonym Lexicon Based Approach to Product Feature Extraction from Online Consumer Product Reviews[J].Journal of Electronic Commerce Research，2013，14（4）：304-314.

[22]Ye Y，Du Y，Fu X.Hot Topic Extraction Based on Chinese Microblog's Features Topic Model[C]//2016 IEEE International Conference on Cloud Computing and Big Data Analysis，2016：348-353.

[23]Chen Y，Li W，Guo W，et al.Popular Topic Detection in Chinese Micro-blog Based on the Modified LDA Model[C]//2015 12th Web Information System and Application Conference.IEEE，2015：37-42.

[24]Xie W，Zhu F，Jiang J，et al.Topicsketch：Real-time Bursty Topic Detection from Twitter[J].IEEE Transactions on Knowledge and Data Engineering，2016，28（8）：2216-2229.

[25]Pontiki M，Galanis D，Papageorgiou H，et al.SemEval-2016 Task 5：Aspect Based Sentiment Analysis[C].Proceedings of the 10th International Workshop on Semantic Evaluation，2016：19-30.

[26]Sohail S S，Siddiqui J，Ali R.Book Recommendation System Using Opinion Mining[C]//International Conference on IEEE，2013：1609-1614.