以手机评论为例，利用SA-LDA模型获得“情感-属性对”在词语向量空间上的分布矩阵（（S×A）×V），每一行表示“情感-属性对”在词语表上的多项式分布，数值取对数。如图3-17所示。

图3-17　“情感-属性对”在词语表上的概率分布矩阵

针对每一个“情感-属性对”，将词语按照概率的高低进行排序，以此提取产品评论中潜在的产品属性及其对应的情感。表3-9列出了SA-LDA主题模型从三类产品的测试语料中提取的部分“情感-属性对”，以及其概率排名前10的词语。

表3-9　基于SA-LDA主题模型提取的“情感-属性对”（部分）

(www.daowen.com)

通过对表3-9进行分析，不难发现基于SA-LDA主题模型识别的“情感-属性对”具有以下几个特点：

（1）一方面，每个“情感-属性对”下的词语表达的含义比较集中和一致，能够较大程度地反映具体的产品属性；另一方面，不同“情感-属性对”下的词语差异较大。这说明SA-LDA主题模型对词语的聚类效果较好，词语之间的关系比较密切，无关词语引起的噪声也较小。这些都有利于特征词和观点词的识别。

（2）在同一个产品属性的正面情感和负面情感词语集合中，存在不同情感极性的词语（例如，“便宜”和“贵”分别属于笔记本电脑评论中的“正面价格”和“负面价格”两个集合），同时也存在相同的词语（例如“屏幕”在手机评论中的“正面屏幕”和“负面屏幕”下都具有较高的概率）。这说明词语的分布能够较好地区分情感类别和识别产品属性。

（3）情感种子词与潜在观点词出现在同一个“情感-属性对”的词语列表中，有利于观点词的识别。例如，情感种子词“好”与潜在观点词“清晰”在“正面屏幕”下都具有较高的概率；情感种子词“问题”与潜在观点词“小”都属于“负面屏幕”。

（4）通过发挥领域术语和情感种子词对词语聚类的作用，SA-LDA主题模型能够识别产品评论中的部分流行新词和口语化词汇（如“坑人”和“价钱”等）。