本研究提出一個以監督式學習方法為基礎，使用英語新聞報導文章做為研究 語料，進行意見持有者辨識方法，事先經過周詳的自然語言處理細節步驟，而後 結合非監督式學習方法實作出本研究的意見持有者辨識系統。
本研究根據意見持有者的類別，分為文章作者意見辨識與意見持有者辨識兩 部分。在文章作者意見方面，本研究使用詞彙相關資訊、詞性相關資訊、標點符 號相關資訊、具名實體相關資訊、句法相關資訊及意見詞資訊等特徵值，並使用 支援向量機進行監督式學習方法，來解決此問題。在意見持有者辨識方面，本研 究使用詞性相關資訊、詞彙相關資訊、具名實體相關資訊、文句組成相關資訊及 標點符號相關資訊等特徵值，也使用支援向量機進行監督式學習方法，並結合非 監督式學習方法進行錯誤結果的修復動作，用以提升整體意見持有者辨識準確 度。
本研究實作的辨識系統，經由監督式學習方法使用支援向量機，得到初步的 辨識結果，再結合非監督式學習方法，使用我們制定的修改動作，將錯誤的辨識 結果經過規則修復與加權距離計算公式，最終從本研究的系統得到更為準確的意 見值有者。文章作者辨識的方面，在Taiwan News 英語新聞語料中可以達到訓練 模型F-1 值為 89.71%與測試資料 F-1 值為 91.58%的效能；意見持有者辨識的方 面，在語料中可以達到F-1 值 71.83%的效能。
檢視本研究實驗結果之摘要如下，主要的兩個辨識實驗結果如表5.1：
表5.1 本研究的實驗結果表
實驗 準確率P 召回率 R F-1 值 正確率 A 文章作者意見辨識 99.23% 86.08% 91.58% 95.68%
意見持有者辨識 73.63% 71.94% 71.83% 75.62%
另外，也與其他相關研究做比較，因測試語料不同，所以結果不能直接比較； (Maximum Entropy Ranking Algorithm)，透過解析樹取得
意見持有者辨識的研究中，指代消解問題為一大挑戰，本研究透過 Hobbs Algorithm 解決了大部分的錯誤，使得辨識實驗結果為人稱代名詞的情形，重新 指代為具有意義的意見持有者代表詞，經由 Stanford Coreference Resolution System 初步得到的結果與使用 Hobbs Algorithm 基於剖析句法規則的指代消解步 驟，最終可以達到正確率 75.41%的效能。而意見持有者短語擴展實驗，使用非 監督式方法，運用我們制定的組合規則，將意見持有者由單詞修復為詞組的形式，
得到意義較為完整的持有者名稱，可以達到正確率為94.02%的效能。
本研究使用的是英語新聞語料進行實驗，未來希望本研究方法能夠延伸至多 語言的辨識應用，也希望能夠涉及不同用詞習慣的語料，如社群網站資訊、部落 格文章與購物平台評論等。本研究透過人工標記意見持有者，建立了一個可供利 用的語料庫，可讓後續研究提出更多有利辨識的特徵值。
當今的意見持有者研究，只能夠辨識出單一代表人物或組織，我們可以看到 這個問題仍然是尚待解決，一般情況下，一個檔案層級的意見文章，富有多個意 見主題、持有者與評論目標，而本研究能夠處理檔案層級的文本內容，判斷每一 句為文章作者意見或是具有代表詞的持有者，將檔案層級的文本指派主觀性或客 觀性的情感意見，卻無法將同一句中多個人物或組織的意見同時擷取，必須進一 步地對字的層級進行深度學習，使用包含複雜結構或由多重非線性變換構成的多 個處理層，對資料進行高層抽象的演算法，將用非監督式或半監督式的特徵學習 和分層特徵提取的高效演算法來替代人工取得特徵所花費的時間。
本研究的系統可以有效的辨識出意見持有者，即使是有指代問題的情況。然 而多數的錯誤是可被解決的，最大的挑戰在於具名實體的假設，更多未知詞與新 型態的意見持有者。此問題的一個弱點是太過依賴字彙線索，儘管詞彙特徵是有 效的，但其出現頻率較低的字，會使得它很難做為線索。另外，一個特殊定義的 實體可以看作是意見持有者，但本研究並沒有專注在辨識地名實體，本研究只針 對了人名、組織名與職稱名。也存在一些多重意見持有者的問題，多數決計算辨 識結果分數，可以選擇出多個意見持有者，然而本研究的方法只能擷取一句中的
單個持有者，本研究的模型有待加強，因為特徵值並無針對多重持有者做特徵選 取，一個更複雜的問題，當意見持有者同時出現指代和非指代，例如：Someone said he/she …，本研究的做法優先考慮人名，而排除人稱代名詞做為持有者。
本研究結合監督式與非監督式學習方法，辨識新聞語料句的文章作者與意見 持有者，並驗證了本研究的方法是可行的，本研究貢獻於建立意見持有者標記語 料庫，和提出在英語新聞語料方面，有效的結合辨識方法。
參考文獻
[1] Kim, S. M., & Hovy, E. (2004, August). "Determining the sentiment of opinions." In Proceedings of the 20th international conference on Computational Linguistics (p. 1367).
[2] Cambria, E., Schuller, B., Xia, Y., & Havasi, C. (2013). "New avenues in opinion mining and sentiment analysis." IEEE Intelligent Systems, 28(2), 15-21.
[3] Choi, Y., Cardie, C., Riloff, E., & Patwardhan, S. (2005, October). "Identifying sources of opinions with conditional random fields and extraction patterns." In Proceedings of the conference on Human Language Technology and Empirical Methods in Natural Language Processing (pp. 355-362).
[4] Lafferty, J., McCallum, A., & Pereira, F. C. (2001). "Conditional random fields:
Probabilistic models for segmenting and labeling sequence data." In Proceedings of the eighteenth international conference on machine learning, ICML (Vol. 1, pp.
282-289).
[5] Ku, L. W., Liang, Y. T., & Chen, H. H. (2006, March). "Opinion Extraction, Summarization and Tracking in News and Blog Corpora." In AAAI spring symposium: Computational approaches to analyzing weblogs (Vol. 100107).
[6] Cortes, C., & Vapnik, V. (1995). "Support-vector networks." Machine learning, 20(3), 273-297.
[7] Das, D., & Bandyopadhyay, S. (2011, July). "Emotions on Bengali blog texts:
role of holder and topic." In Advances in Social Networks Analysis and Mining (ASONAM), 2011 International Conference on (pp. 587-592). IEEE.
[8] Elarnaoty, M., AbdelRahman, S., & Fahmy, A. (2012). "A machine learning approach for opinion holder extraction in Arabic language." arXiv preprint arXiv:1206.1011.
[9] Kim, S. M., & Hovy, E. (2006, July). "Extracting opinions, opinion holders, and topics expressed in online news media text." In Proceedings of the Workshop on Sentiment and Subjectivity in Text (pp. 1-8).
[10] Kim, Y., Jung, Y., & Myaeng, S. H. (2007, November). "Identifying opinion holders in opinion text from online newspapers." In grc (p. 699). IEEE.
[11] Gangemi, A., Presutti, V., & Reforgiato Recupero, D. (2014). "Frame-based detection of opinion holders and topics: a model and a tool." Computational Intelligence Magazine, IEEE, 9(1), 20-30.
[12] Wiegand, M. (2013). "Predicate acquisition for opinion holder extraction." HiER 2013, 41.
[13] Wiegand, M., & Klakow, D. (2012, April). "Generalization methods for in-domain and cross-domain opinion holder extraction." In Proceedings of the 13th Conference of the European Chapter of the Association for Computational Linguistics (pp. 325-335).
[14] Kim, S. M., & Hovy, E. (2005, July). "Identifying opinion holders for question answering in opinion texts." In Proceedings of AAAI-05 Workshop on Question Answering in Restricted Domains (pp. 1367-1373).
[15] Chang, C. C., & Lin, C. J. (2011). "LIBSVM: a library for support vector machines." ACM Transactions on Intelligent Systems and Technology (TIST), 2(3), 27.
[16] Markov Random Field, from https://en.wikipedia.org/wiki/Markov_random_field
[17] Kudo, T., "CRF++: Yet Another CRF toolkit." https://taku910.github.io/crfpp/, 2003
[18] MPQA opinion finder, from http://mpqa.cs.pitt.edu/opinionfinder/
[19] Manning, C. D., Surdeanu, M., Bauer, J., Finkel, J. R., Bethard, S., & McClosky, D. (2014, June). "The Stanford CoreNLP natural language processing toolkit." In ACL (System Demonstrations) (pp. 55-60).
[20] 圖 3.2.10 意見表達的涵蓋範圍, from
http://www.aclclp.org.tw/rocling/2010/O10-2006.pdf/
[21] MPQA Subjectivity Lexicon, from
http://mpqa.cs.pitt.edu/lexicons/subj_lexicon/
[22] 李佳穎，2009，"意見持有者辨識及其意見立場分析"，國立台灣大學資訊工 程所碩士論文。
[23] 台灣主流觀點(Taiwan News), from http://taiwannews.com.tw/etn/index_en.php/
[24] 行政院雙語詞彙對照表, from
http://www.ey.gov.tw/bilingual.aspx?n=878A02401BC1B95E
[25] 外交部雙語詞彙對照表, from
http://www.mofa.gov.tw/Bilingual.aspx?n=00464E5D5C7BF1E0&sms=B2C9A CBE62E87999
[26] 外文姓名拼音對照表, from
http://www.boca.gov.tw/ct.asp?xItem=5609&ctNode=677&mp=1#r22
[27] 台灣地名列表, from
http://tbroc2.eyp.com.tw/eyp/front/bin/ptdetail.phtml?Part=0012-002-001&Categ ory=350001934
[28] 台灣公營事業列表, from
https://zh.wikipedia.org/wiki/%E4%B8%AD%E8%8F%AF%E6%B0%91%E5%
9C%8B%E5%85%AC%E7%87%9F%E4%BA%8B%E6%A5%AD