1.领域术语的识别——关联度计算

根据本章4.2.1节中的定义，领域术语是描述相关概念的词语，可能是概念的部件、属性或者属性值，与概念之间存在关联关系。由于两个词语在评论中的位置越接近，其相互之间的关联关系越紧密。因此，本章以产品的基本概念为中心，将上下文中邻近的词语作为候选领域术语，通过计算基本概念与候选领域术语的语义关联度，识别产品评论中的领域术语。

根据第3章3.3.1节中提出的领域术语提取方法，本章也根据词语的共现模式（包括共同出现、共同不出现以及二者仅出现其一等多种模式），采用平衡互信息法（BMI）计算语义关联度，详见式（3-39）。

对于每个基本概念，将其相关的候选领域术语以关联度从高到低排序，仅保留前30个关联的术语，生成该基本概念的领域术语集。在此基础上，以已经识别的领域术语作为新的概念，利用同样的算法寻找更多的术语。通过这一过程，将产品评论抽象为一个概念网络，并且量化概念之间的关系，实现领域本体的扩展与延伸。

此外，本章还利用概念的领域术语集构建文本向量，以概念与术语的关联度为向量值，以便于以下的语义计算工作。

2.概念子类的识别——隶属度计算

根据本章4.2.1节中的定义，概念的子类与概念之间具有不同逻辑层次上的种属继承关系。子类将继承概念的所有属性，并且对概念的隶属关系为非对称关系。因此，结合Lau[165]提出的非对称关联规则算法进行隶属度计算，以识别概念c的子类a。

其中，（t1，t2，…，tn）为概念c的相关术语，ass（a，ti）和ass（c，ti）表示概念与术语的关联度，详见式（3-39）。此外，还需要进一步对隶属度进行线性缩减，即，以确保语义隶属度取值在单位区间[0，1]。(www.daowen.com)

3.概念实例的识别——相似度计算

根据4.2.1节中的定义，概念与其在产品评论中的实例表达相近的意思，所以概念的相关术语与该概念的实例也存在关联关系。因此，采用余弦相似度算法确定概念c的实例b。

其中，（t1，t2，…，tn）为概念c的相关术语，ass（b，ti）和ass（c，ti）表示概念与术语的关联度（详见公式（3-39））。此外，还需要进一步对相似度进行线性缩减，即，以确保语义相似度取值在单位区间[0，1]。

4.领域本体的更新

随着评论的更新，领域术语在概念描述中的权重将发生变化，同时新的、关联度更高的术语被识别出来。因此，需要对每一个领域概念，添加新的相关术语，并且去掉权重低的术语。在此基础上，还需要对领域本体进行实时更新。

本书采用一种类似于Rocchio学习的方法[166]，实现领域本体概念空间的自动更新。令Rnew表示新增语料，表示新增语料Rnew中领域概念c的术语向量，其中向量值为概念与相关术语在新增语料中的语义关联度。

其中，，ass（c，t2），…，ass（c，tn））为原有的术语向量，为更新值，|Rnew|为新增的评论总数，为向量的模。令α=β=0.5，以保证评论学习的均衡与一致。