机器学习模型和深度学习模型导出（利用深度学习模型提取商品评论中的典型意见）

机器学习深度学习干货栈 www.jqbxx.com

我们在日常消费的决策中，比如选择去哪家餐厅吃饭、是否购买某一件商品时，除了自身的感觉之外，我们常常会参考别人，尤其是已经消费过、体验过的人是什么评价。

现在的电商平台上某件商品的评论数动辄就上千甚至上万，人工逐条看精力有限，在短暂的决策时间窗口中，最多只能抽样查看不超过20条评价，这样的抽样结果总结出来的结论大概率存在偏差，无法反应整体的真实情况。

那有没有大数据的方法，可以保证获得最全面最客观的评价，而不是管中窥豹呢？

幸运的是打分机制很早就被发明出来了，所有人都可以对某一件商品的整体情况在1-5分的评分体系中，给出一个综合评价，再按一人一票制取平均值，用得到的平均分来反映商品在所有人群中的整体评价，简洁民主。

但这样简单粗暴的评分方式无法体现出用户对商品的详细评价，举个简单的例子，同样是5分的评价餐厅，有的人觉得是因为菜品口味好，对自己的胃口，有的人觉得是因为用餐环境舒适，和女神度过了一个浪漫的夜晚。

所以本文就分享一个深度学习的方法，从评论中提取出用户的观点，比如从某火锅店的评价“环境蛮好，没有很重的香料味道，上菜快，不用调料也好吃”中提取出“环境好，上菜快”的评价标签，并和其他有类似标签的评价聚类。

本文分享一种用word2vec模型，将词语训练成词向量，作用就是将人类使用的自然语言（相对于计算机可理解的编程语言）中的字词，转换为计算机可以理解的稠密向量（Dense Vector）。在word2vec出现之前，自然语言处理经常把字词转为离散的单独的符号（One-hot Vector）

比如上图的例子，在语料库中，四个城市各对应一个向量，向量中有且只有一个值为1，其他位置都为0。

但是用One-hot Vector会有两个问题：

第一，城市编码是随机的，向量之间相互独立，看不出城市之间可能存在的关联关系。

其次，向量维度的大小取决于语料库中字词的多少。如果将世界所有城市名称对应的向量合为一个矩阵的话，那这个矩阵过于稀疏，占用大量空间。

Word2Vec可以将One-hot Vector转化为低维度的连续值，也就是稠密向量，并且其中意思相近的词将被映射到向量空间中相近的位置。

上图是将训练好的词向量降维后映射到二维平面的城市间的关系，可以看出亚洲的城市聚集在右上方而美国的城市聚集在左下方

Word2vec模型训练好后，每个词都有与其对应的一个多维向量，向量的维数可以作为参数人工设定，一般情况下维数越高，词与词之间的关系就可以被描述的越准确，当然训练模型所需的硬件和时间成本自然也更高，与其他模型一样，需要在表现和成本之间人工确定一个平衡点。

以训练某手机游戏的评论文本为例，用python genism包提供的Word2vec模块作为训练工具，预测“画面”，“音效”两个词的top20近义词结果如下：

在模型结果的基础上进行人工筛选后，可以总结出“画工”，“画面质量”，“音响效果”，“音乐感”，“节拍”等词都可以作为近义词添加到人工建立的近义词词典中。

除了近义词之外，word2vec模型还支持预测与输入词出现概率最高的协同词，下图显示的是与“画面”，“音效”一同出现频率最高的top20协同词，可以再模型结果的基础上筛选出“精美”，“唯美”，“细腻”等形容画面的评价，和“震撼”，“逼真”等形容音效的评价。

再重复向模型输入类似“画面”，“音效”等可以用来评价游戏的维度后，就可以将构建完整的近义词词典作为依据，聚类具有相似观点的评论文本。

整个流程可以整理为以下这张流程图：

做过模型的同学都知道，模型只是工具，人工的部分才是区分整套系统质量和表现的关键。这套观点提取系统中需要人工处理的地方包括，数据（语料库）的选择，数据预处理，其中预处理又分分词，去停词，去除噪音数据等细节，人工提供评价维度的种子词（上文提到的“画面”，“音效”等），筛选模型输出的近义词和协同词结果（所有的结果保存在人工构建的词典中）。

这套系统建立完成后，将新的评论文本经过预处理后作为输入，匹配文本中是否包含词典中所有的评价维度的近义词和协同词，将匹配结果作为观点标签标注在该条评论上。这样我们就可以用模型批量的为评论文本打上标签，最后将所有标签的结果汇总相加，就能得到无偏差的，全量的关于商品的评论，全面参考评论意见，辅助购买决策。

机器学习深度学习干货栈 www.jqbxx.com

,