基于网格聚类的情感分析研究

传统基于语义词典和基于机器学习的中文情感分析方法,其情感分析结果受人的主观因素影响较大,在一定程度上依赖于人工建立的词典,词典的可扩展性不强.本文对于不被包括在知网情感词典中但又含有一定情感倾向的词语,使用点互信息PMI算法、设置参数阈值等方法,进行自动识别、提取和分类,从而达到扩充词典的目的.在此基础上,建立商品评论的特征向量模型,提出情感分类算法SCG,通过网格聚类算法建立分类模型,在网格聚类过程中引入动态衰减因子,周期性地移除稀疏网格,减少计算量.实验结果表明,相比Naive Bayes,SMO(sequential minimal optimization)等分类算法,SCG算法具有更高的准确率和领域适应性.     

基于商品评论的群体用户情感趋势预测研究

提出了一种基于商品评论的群体用户情感趋势预测方法.首先,提出了基于Boson NLP的情感特征词识别算法,对时间维度下的商品评论信息进行特征选取;其次,使用群体用户多维特征向量构造多层感知器(MLP)模型进行情感分析;最后,融合评论时间和用户情感倾向值构建群体用户时序情感倾向序列,并通过长短时记忆网络(LSTM)模型进行时序情感趋势预测.在大规模真实数据集上的实验结果表明,MLP模型具有较好的分类效果;相比于现有的自回归(AR)模型,LSTM模型的平均均方差降低了79. 06%,能够取得更加精准的预测结果.     

基于词典的商品评论情感分析

为了挖掘商品评论中有价值的信息,有效分析用户对商品的直接反馈,文章基于通用的情感词典,以国内某电商平台上的商品评论为研究对象,根据词频共现方法拓展情感词典,基于构建的情感词典对评论进行情感极性分析。根据分析结果,不仅能够帮助商家优化商品属性,更好地满足消费者的需求,还可以指导用户制定合理的购买决策。     

图像信息对书籍产品在线评论有用性的影响研究

为了优化在线点评系统,探究在线评论有用性的影响机制,基于心理学中的解释水平理论,结合图书产品的特点,从图文叠加与图片特征的角度,探讨了图文并茂评论、图片的可诊断力及图片可信性对在线评论有用性的影响.研究结果显示:图文并茂的在线评论比文本评论更有用,图像信息分辨率对评论的有用性有积极的影响,图片的可信度对评论的有用性有积极的影响.     

使用数据挖掘技术建立语言模型

基于远距离依赖信息对于准确预测当前词的重要作用，文中利用一种改进的Apriori算法来建立一种特殊的Trigger pair语言模型．它能够准确、全面地反映较远历史中多个词对当前词的影响，利用该模型识别系统不仅能够预测当前词，而且能够对最终识别结果进行纠正．     

面向突发事件倾向性分析的情感词典自动构建方法

随着突发事件的频发,对突发事件在线评论进行倾向性分析引起了广泛关注,情感词典是其中重要的资源.对面向突发事件的情感词典自动构建方法进行探讨.基于对大规模评论数据的统计分析,提出采用基于词性标注和snownlp的方法实现突发事件情感词典的自动构建.为验证构建词典的有效性,设计基于情感词典的情感倾向性分析模型.结果表明,词典构建方法在准确率和召回率方面效果较好.基于该词典的情感倾向性分析模型的性能较基础模型性能有较大的提升.     

考虑评论感知情感和宏观经济指标的汽车销量预测

为提高汽车销量的预测精度,从而为企业估算销售收入、制定生产计划和进行发展战略决策提供有效支撑,提出了一种考虑评论感知情感和宏观经济指标的汽车销量预测方法.首先通过构建领域专有情感词典,对口碑评论进行情感分数提取,其后基于前景理论和归因理论对评论情感的影响机理进行研究,获得评论感知情感指数,最后结合经济指标和历史销量,通过线性回归模型对真实汽车车型销量进行预测.结果表明:与仅使用历史销量数据相比,模型中加入评论感知情感和宏观经济指标有效提升了销量预测精度.     

基于评论特征提取和隐因子模型的评分预测推荐系统

评分预测是推荐系统研究的核心问题,通过用户的历史行为来预测用户对商品的评分,根据评分高低来推荐用户喜欢的商品.当前基于评论评分预测推荐系统普遍只使用卷积神经网络捕获局部特征或者循环神经网络捕获全局特征,忽略了将这两类特征的有效融合.针对现存问题,本文提出基于评论特征提取和隐因子模型的评分预测推荐模型,使用自适应感受野的卷积神经网络(CNN)提取局部特征,同时使用门控循环单元(GRU)提取全局特征,将不同特征融合为评论的嵌入表达.再结合隐因子模型(LFM)对用户的特征偏好和商品的特征属性进行建模.最后,通过对用户和商品的嵌入表达进行评分预测.实验结果表明,本文模型在5个数据集上均高于现有基线模型.     

基于Sword2vect的中文在线商品评价情感分析

商品的在线评论情感分析已经成为一个热门的研究话题。为了更好地解决情感分析中词语的上下文信息和词语的情感信息缺失问题,提出了一种基于句子情感得分加权句向量的Sword2vect情感分析方法,对中文在线评价进行情感分析。首先用基于词典的方法计算出评论句子的情感得分并对其进行预处理保证所有正向评论句子的情感得分为正,负向评论情感得分为负,用word2vect算法得到含有上下文信息评论的句子向量,然后用情感得分对句子向量进行加权得到情感句向量Sword2vect,用支持向量机算法对训练数据集进行训练得到模型,最后调用训练好的模型对测试数据集进行情感分析。采用基于情感得分加权的Sword2vect算法和word2vect词向量算法以及tf_idf特征词向量算法分别对京东手机在线评价以及谭松波酒店评价这2个数据集进行情感分析,从精确度、时间等方面进行比较。实验结果表明:基于情感得分加权的Sword2vect算法精确度较word2vect词向量算法精确度提升了10%～20%,相比于tf_idf特征词向量精度提升了20%～30%,Sword2vect算法的时间效率较其他2个算法也得到了较大的提升。     

基于MapReduce的商品评论热点发现算法研究

提出一种基于MapReduce框架的商品评论热点发现并行算法——PR-HD算法. PR-HD算法使用爬虫技术提取某电商平台下某热门手机的评论数据生成评论数据集,以TF-IDF算法来计算特征词的权重,通过特征词添加位置权重的方式来得到特征词的最终权值,建立向量空间模型(VSM)计算不同评论语句的相似度,使用Canopy算法和K-means算法相结合从而实现商品评论的热点发现.这使得产品开发人员可以从中获取更直接有效的建议和反馈.     

基于领域词典的民宿评论情感分析

通过基于领域词典的情感分析法,从用户生成的内容中更为准确地分析其情感状态,为民宿业提供一种新的研究视角。以贵阳民宿评论为研究样本,采用SO-PMI算法完成领域词典的构建,并借助LDA主题模型和可视化技术对用户评论进行情感分析。研究发现,构建的领域词典相较基础情感词典而言,性能上得到提升,尤其在负面评论方面,准确率、召回率上分别提升了17%和16%。同时结合LDA主题挖掘,详尽分析民宿评论中的正负面主题并分析其内在原因,这能为民宿管理者做出更好的决策提供数据支持和理论支撑。     

基于NAR模型的商品零售价格指数预测研究

基于样条估计理论,建立了我国商品零售价格指数的NAR预测模型.并应用此模型对我国2004-2007年的价格指数进行了预测分析,结果表明:相对于传统的ARMA模型而言,NAR模型能够更好地捕获我国社会商品零售价格指数的非线性特征,预测精度较高.     

基于评论主题的个性化评分预测模型

针对现有基于评论分析的推荐算法没有充分考虑个性化的问题, 通过对评论进行主题分析, 挖掘用户的喜好, 分别建立基于用户和物品的个性化评分预测模型。在真实数据集上进行实验验证, 结果表明该模型有效地提高了推荐系统的评分预测性能。     

融合LDA主题模型和支持向量机的商品个性化推荐方法

针对网络商品评论数据不能有效引导买方做出合理选择的问题,提出一种融合LDA主题模型和支持向量机的商品个性化推荐方法.首先爬取不同类型商品的用户评论数据并对其进行预处理;其次建立基于LDA的主题模型并对其特点进行量化;最后利用支持向量机实现商品个性化推荐.以智能手机商品为例进行实验分析,结果表明,所提方法能获得98％以上...     

基于优化广义回归神经网络的碟式太阳能温度预测研究

为了解决用传统数学模型预测碟式太阳能集热器出口温度过于复杂的问题,采用广义回归神经网络算法对太阳能集热器出口温度进行预测,引入交叉验证算法对神经网络模型进行优化,进一步提升预测的准确性,通过Matlab软件建立基于优化广义回归神经网络的蝶式太阳能出口气温预测模型.根据碟式太阳能光热系统试验平台的试验数据对所建立的模型进行了测试,预测结果符合预期,这表明优化后的广义回归神经网络能够实现对蝶式太阳能集热器出口气温的有效预测.该模型具有一定的应用前景,为预测模型研究提供了一个新的思路.     

云图纹理分析结合SVM的地表太阳辐射预测

太阳能资源的间歇性与不稳定性为地表太阳辐射的准确预测带来很大的挑战.本研究通过对全天空图像进行纹理特征分析,并结合支持向量机模型,实现了对地表太阳辐射的预测.首先,基于全天空图像,利用数字图像处理技术提取与太阳辐射相关的图像纹理特征,包括反差、熵、灰度相关与能量;然后,结合图像特征与辐射衰减系数建立回归模型;最后,基于支持向量机模型实现地表太阳辐射的预测.实验结果表明:本文算法的预测精度明显优于基于统计的传统算法,同时优于基于云团遮挡预测的算法,为准确预测复杂天气条件下的地表太阳能辐射提供重要的参考依据.     

基于情感分析和Word2Vec的图书推荐方法

为能够向广大读者精准推荐所需图书,达到节省搜寻精力和时间的目的,在传统图书推荐方法的基础上,将读者评论中的情感因素考虑在内,提出了一种基于情感分析和Word2Vec的图书推荐方法:抓取豆瓣网上的图书数据,构建专有特征数据集;针对情感词典设计了相应的情感计算规则,利用训练好的Word2Vec模型扩充情感词汇;通过情感词典完成对读者评论的情感分析,并将提取到的情感特征加入特征集内;采用随机森林算法对其进行口碑分类.研究发现,该方法优于基于原始特征集的方法,实验准确率和F值均有一定提升,是向读者实现图书精准推荐的有效途径,具有一定的实用价值和应用前景.     

基于评论分析的评分预测与推荐

推荐系统广泛地应用在网络平台中,推荐模型需要预测用户的喜好,帮助用户找到适合的电影、书籍、音乐等商品.通过对用户评分和评论信息的分析,可以发现用户关注的商品特征,并根据商品的特征,推测用户对该商品的喜好程度.本文提出将评论中隐含的语义内容与评分相结合,设计并实现了一种新颖的商品推荐模型.首先利用主题模型挖掘评论文本中隐含的主题分布,用主题分布刻画用户偏好和商品画像,在逻辑回归模型上训练主题与打分的关系,最终评分可以被视为是对用户偏好和商品画像的相似程度的量化表示.最后,本文在真实数据上进行了大量对比实验,结果证明该模型比对比系统性能优越且稳定.     

基于《现代汉语语义词典》的未登录词语义预测研究

基于《现代汉语语义词典》,首先建立不同语义层次的词典,根据词典分别构建模型并进行语义预测,然后将各个模型进行集成,通过集成模型再对未登录词进行语义预测,得到较好的预测性能。利用预测模型对2000年《人民日报》语料进行未登录词语义预测和标注,最终得到带有未登录词语义义项标注的语料资源。     

改进的CS-GRNN模型在城市需水量预测中的应用

为了更加准确地预测城市需水量,提出一种基于改进布谷鸟算法优化广义回归神经网络模型的城市需水量预测方法.该方法采用改进的布谷鸟算法对广义回归神经网络的平滑因子进行优化,建立改进布谷鸟算法优化的广义回归神经网络模型(ICS-GRNN),并应用于南宁市城市需水量预测中.通过使用南宁市2001—2012年城市需水量测试数据分别对传统GRNN法和ICS-GRNN法的预测结果进行比较,结果表明,该方法具有更高的预测精度和数据拟合能力.