建議挖掘作為一項新興研究任務，具有重要的應用價值。針對傳統建議語句分類方法所存在的規則復雜、標注工作量大、特征維度高、數據稀疏等問題，提出一種基于PU學習的建議語句分類方法。首先，使用簡單規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，緩解數據稀疏性，在自編碼神經網絡（ Autoencoder）特征空間中使用Spy技術劃分可靠反例集合;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。該方法在中文數據集上的F1值和準確率值分別達到81. 98%和82. 67% ，實驗結果表明，該方法能夠有效地對建議語句進行分類，且不需要對數據進行人工標注。

　　隨著互聯網的快速發展，網絡上出現了海量的用戶評論，人們不僅會在評論中傳達積極或消極的情緒，有時也會對產品、服務等提出相應的建議。例如，在“希望三星手機能支持谷歌應用商店”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品質量，也有助于商家有針對性地制定銷售策略，具有重要的應用價值，建議挖掘”研究因此應運而生。

　　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研究很少，而中文環境和英語環境中的網絡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則方法［-31和有監督機器學習方法［4-7］。規則方法通過手工制定的規則來進行建議挖掘，需要提前建立復雜的規則模板，人工干預較多。而有監督機器學習方法雖然模型的精度較高，但模型訓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、數據稀疏等問題。