随着互联网技术的发展,电子商务成为人们日常生活中越来越不可缺少的一部分,随之而来的是用户意见和评论数据量的飞速增长。这些评论中包含了用户对某一领域相关功能、属性和物品等的各种评价信息。有效地利用这些评论信息对于改善产品质量、了解消费者的真实需求都有很大的帮助,这也就促使评价对象识别技术的产生和发展。评论信息中的评价对象就是观点持有者表达情感的目标实体,通常由一个或多个单词组成。评价对象识别就是在给定的商品评论中准确地提取真实的评价实体。从方法的角度,评价对象识别方法可以分为有监督学习,无监督学习和半监督学习;从应用的角度,评价对象识别可以分为单领域问题和跨领域问题。本文将对单领域评价对象识别问题的模型与方法进行研究,通过对比各模型与方法的试验结果,分析各模型与方法的优缺点。本文的主要研究内容可以归纳为以下三点:第一,基于无监督学习的评价对象识别方法。首先本文采用了数据挖掘技术中的关联规则挖掘方法提取出语料库中最常出现的名词短语作为候选对象,再根据词语的语义相关度进行进一步的过滤,得出语句中的评价对象的候选集合。在此基础上,本文采用一种基于句法分析树和二次传播算法的评价对象识别方法,分别用以识别名词短语构成的评价对象和出现频率较低的评价对象。第二,基于时序模型的评价对象识别方法。由于评论信息是一种上下文相关的单词序列,采用时序模型可以有效地利用上下文信息,增加评价对象识别的准确性。本文提取了单词层面特征、句法层面特征以及外部语料特征等作为模型的输入,使用条件随机场模型学习这些特征之间的相互关系。实验证明,特征组合对结果有着很大的影响。在给定合适特征的条件下,时序模型可以取得非常优异的结果。第三,基于循环神经网络的评价对象识别。循环神经网络是一种端对端的模型,可以省去繁琐的预处理过程和特征提取过程。本文对比几种常见的循环神经网络模型在评价对象识别任务上的表现,分析循环神经网络在该任务上的优势与不足。针对循环神经网络不能有效地获取输出标签间的相互依赖关系的问题,本文还提出了一种新型的循环神经网络:输出感知循环神经网络。实验证明输出感知循环神经网络不仅在效果上好于其他循环神经网络,而且有着更快的收敛速度。