建議挖掘作為一項新興研究任務(wù)，具有重要的應(yīng)用價值。針對傳統(tǒng)建議語句分類方法所存在的規(guī)則復(fù)雜、標注工作量大、特征維度高、數(shù)據(jù)稀疏等問題，提出一種基于PU學(xué)習(xí)的建議語句分類方法。首先，使用簡單規(guī)則從無標注評論集合中選擇建議語句的正例集合;然后，為了降低特征維度，緩解數(shù)據(jù)稀疏性，在自編碼神經(jīng)網(wǎng)絡(luò)（ Autoencoder）特征空間中使用Spy技術(shù)劃分可靠反例集合;最后，利用正例集合和可靠反例集合來訓(xùn)練多層感知機（MLP）對剩余的無標注樣例進行分類。該方法在中文數(shù)據(jù)集上的F1值和準確率值分別達到81. 98%和82. 67% ，實驗結(jié)果表明，該方法能夠有效地對建議語句進行分類，且不需要對數(shù)據(jù)進行人工標注。

　　隨著互聯(lián)網(wǎng)的快速發(fā)展，網(wǎng)絡(luò)上出現(xiàn)了海量的用戶評論，人們不僅會在評論中傳達積極或消極的情緒，有時也會對產(chǎn)品、服務(wù)等提出相應(yīng)的建議。例如，在“希望三星手機能支持谷歌應(yīng)用商店”這條評論中雖然并未包含情感極性，但明確提出了對產(chǎn)品功能的改進建議。這類建議信息可以幫助廠家有效地提升產(chǎn)品質(zhì)量，也有助于商家有針對性地制定銷售策略，具有重要的應(yīng)用價值，建議挖掘”研究因此應(yīng)運而生。

　　進行建議挖掘，首先需要對建議語句進行分類，即將評論語句分為建議語句或非建議語句。但由于人們對建議的判定存在比較大的主觀性，導(dǎo)致建議語句的定義難以取得-致，這給語料標注和問題定義帶來了很多困難“。本文采用和文獻［1］類似的方案，將明確表達了期望或提出改進意見的語句定義為建議語句。目前，建議挖掘研究l2-71雖然已經(jīng)取得了一定的進展，但還存在以下問題：- -方面，已有研究大多是在英文語料上開展的，在中文語料上的相關(guān)研究很少，而中文環(huán)境和英語環(huán)境中的網(wǎng)絡(luò)文化和建議語句的表達方式存在較大差異，因此需要深入研究中文環(huán)境下的建議語句分類方法。另- -方面，在已有研究中，用于建議語句分類的方法主要有規(guī)則方法［-31和有監(jiān)督機器學(xué)習(xí)方法［4-7］。規(guī)則方法通過手工制定的規(guī)則來進行建議挖掘，需要提前建立復(fù)雜的規(guī)則模板，人工干預(yù)較多。而有監(jiān)督機器學(xué)習(xí)方法雖然模型的精度較高，但模型訓(xùn)練過程中需要大量人工標注語料，標注工作量大，代價昂貴，并面臨特征維度高、數(shù)據(jù)稀疏等問題。