随着社交媒体逐渐兴起,更多的用户选择在各类网络平台上发表自身的看法。这类表达大多以评论数据的形式被展示在网络之中,以供其他人进行浏览和进一步的探讨。游戏平台作为近年快速发展的网络平台类型之一,其内部也留下了大量的用户游戏评论数据,这些数据蕴含着重要的价值。可以利用自然语言处理的相关技术对这些数据进行处理分析,面向游戏评论的评价标签抽取技术的研究对发掘用户信息、帮助提高用户体验等方面有着重要的指导意义。本课题主要任务为:给定一段游戏评论文本信息,通过模型自动抽取出富含游戏特征的评价标签。研究内容属于细粒度情感分析领域,主要有以下四个子任务:评价对象的抽取、评价词的抽取、评价对象与评价词的搭配、候选标签聚类。以往的研究中,对于此类任务的解决方法大多是使用一种线性的、流程化的方式,从第一个子任务到最后一个子任务分步进行处理,层层递进,处理流程冗长复杂。本论文提出一种基于多任务学习的神经网络模型,可以同时进行对评价对象和评价词的抽取。分别获取到评价对象以及评价词之后,只需通过简单分析,可以得到候选标签。最后使用Kmeans算法对候选标签进行聚类分析,筛选出富有代表性的评价标签。本研究的最终展现形式为微信小程序,将进行过处理的评论数据展示在小程序中。显示的信息主要包括处理后的游戏评论以及抽取出的游戏评价标签。本设计通过分析现有各大游戏平台中的游戏评论,产生对应游戏标签,帮助用户快速地了解游戏类型以及游戏风格;同时分析玩家评论,反映广大玩家对于某款游戏的满意程度以及玩家对游戏所蕴含的情感,帮助其他用户更快捷直观地了解某款游戏。简单来说,用户可以通过此小程序快速便捷地了解目标游戏的基本信息及风评好坏。