Формат коллекции обучающих данных для задачи извлечения и классификации мнений из поисковой выдачи

Формат данных собранных по блогосфере:

 
<?xml version="1.0" encoding="windows-1251"?>
  <document>
    <ID>
      3
    </ID>
    <link>
      http://vlasoff-shyrka.ya.ru/replies.xml?item_no=3
    </link>
    <date>
      2011-02-06T20:59:15Z
    </date>
    <object>
      Fujifilm FinePix F300EXR
    </object>
    <text>
      v lasoff-shyrka написал отзыв опубликовано на Маркете полное
разочарование :-(( Достоинства: НЕт Недостатки: Сервис. Как мне
правильно сказали в одном магазине: качество у разных компаний
схожее- весь вопрос в подходе к клиенту и сервисе. А вот сервис у
фуджи на нуле. Принес гарантийный аппарат- через месяц накрылся
механизм приближения- кстати он очень слабый у них. Так вот там
умельцы отказались брать в ремон- даже не посмотрев на аппарат-
предположив что я туда варенье наливал. И где же сервис? Ужасно
тормозит при передаче фоток на диск Неудобная загрузка и выгрузка
батареи. Комментарий: Конечно можо рискнуть и купить фуджи- но тут
уж как повезет, а вот если что то никто вам его не отремонтирует.
Так что советую рассмотреть производителей с более качественным
сервисом.
    </text>
  <score-2>
    1
  </score-2>
  <score-3>
    1
  </score-3>
  <score-5>
    2
  </score-5>
  <type main="+">
    C
  </type>
  <real_object>
    Fujifilm FinePix F300EXR
  </real_object>
  </document>

Где:

• ID - идентификатор отзыва;
• link - ссылка на исходный текст;
• date - дата отзыва.
• object - предполагаемый объект, о котором идет речь (может быть не верным);
• text - текст отзыва;
• score-N - общая оценка текста по шкале N (наиболее вероятно, объекта указанного в тэге real_object);
• type - предметная область, о которой текст. Может принимать значения F(фильмы), B(книги), C(цифровые камеры). Атрибут main показывает, является ли эта область основной;
• real_object - настоящий объект, о котором идет речь в тексте;