全书共七章，第1章为绪论，第7章为全文总结与研究展望，第2章到第6章为论文的主要部分。其中，第2章为相关研究综述，第3章到第5章分步骤介绍了中文产品评论的细粒度情感分析方法，第6章是细粒度情感分析的应用。本书的章节之间相互联系，构成一个较为完整的研究体系。

第1章，绪论

首先介绍本书的研究背景，分析研究意义，据此提出本书拟解决的问题；然后介绍本书的研究内容和研究思路，以及论书的组织结构；最后介绍本书的主要研究工作和成果，以及研究的创新之处。

第2章，研究综述

对于本书涉及的相关领域的研究工作进行了综述。主要包括产品评论的特征词识别、观点词识别、特征词与观点词配对、特征观点对的情感强度计算与情感极性分类、产品评论对销量影响等方面。在对研究现状进行总结的基础上，指出现有研究的不足，从而为本书的必要性和重要性提供理论支持。

第3章，基于LDA主题模型的特征词与观点词识别

针对现有特征词与观点词识别研究中的不足，借鉴统计自然语言处理方法，提出基于LDA主题模型的方法。首先，介绍标准LDA主题模型的基本原理，并基于此提出改进的SA-LDA（Senti-Attribute Latent Dirichlet Allocation）主题模型；然后，以评论片段为单位，通过词语聚类提取片段表达的情感和评价的产品属性；接着，利用SA-LDA主题模型生成“情感-属性对”在词语向量空间上的概率分布矩阵，从而识别产品评论中的特征词和观点词；最后，构建涵盖手机、数码相机和笔记本电脑三类产品的实验语料库，并且以现有相关研究中的代表性方法为基线方法，通过对比实验，检验本文提出的特征词与观点词识别算法的有效性。

第4章，基于领域本体的特征词与观点词配对

在第3章的基础上，对已经识别的特征词与观点词进行配对。针对现有特征词与观点词配对的不足，从语义分析的角度出发，提出基于领域本体的方法。首先，依据半结构化的产品参数说明初始化领域本体，设计语义计算方法量化领域概念之间的关系，利用已经识别的特征词与观点词，自动构建面向产品评论的领域本体；然后，通过将评论中的特征词和观点词映射到领域本体的概念空间，识别特征词与观点词之间的语义关系，并且进一步识别隐式特征词；最后，使用第3章建立的实验语料库，以现有相关研究中的代表性方法为基线方法，通过对比实验，验证本书提出的特征词与观点词配对算法的有效性。

第5章，面向“特征观点对”的情感分析(www.daowen.com)

在第4章的基础上，对已经识别的特征观点对进行情感强度计算和情感极性分类。针对现有情感分析方法的不足，从考虑上下文语境的角度出发，提出基于上下文语义计算的情感分析方法。首先，对观点词和观点修饰词的情感强度模糊性进行分析，并且从情感词典中提取情感种子词、否定词、双重否定词和程度副词；然后，分析上下文语境对观点词情感强度与极性的影响，通过语义计算方法量化特征观点对的情感强度；接着，确定情感强度的临界值，以此进行情感极性分类；最后，使用第3章建立的实验语料库，以现有相关研究中的代表性方法为基线方法，通过对比实验，检验本书提出的情感分析方法的有效性。

第6章，细粒度情感分析的应用——产品评论对商家销量的影响

针对现有相关研究的不足，以产品评论的细粒度情感分析为基础，分析产品评论的文本信息（即评价对象及其评价观点）为消费者购买决策带来的边际效用，并且以此研究产品评论对商家销量的影响。首先，以描述消费者购买决策的多属性离散选择模型为理论基础，建立产品评论对销量影响的计量模型；然后，以产品评论的细粒度情感分析结果为样本数据，对模型进行回归分析，并且通过面板数据的固定效应模型和工具变量法处理内生性问题；最后，根据回归分析的结果，分析产品评论中的不同产品属性及其正、负面评价对销量的影响，并且基于此为商家利用产品评论的正、负面口碑提供管理建议。

实证研究的结果表明产品评论的文本信息显著地影响产品销量。相对于产品评论的数值信息（如星级评分和评论数量），评论中对于不同产品属性的正、负面评价能够更好地解释和衡量产品评论的口碑效应。

第7章，研究总结与展望

对全书的研究成果进行全面的总结，并且指出研究的不足以供今后改进。在此基础上，还对今后情感分析领域的研究内容和实际应用进行了展望。

本书各章节的关系如图1-4所示。

图1-4　本书的结构体系