协同过滤推荐算法研究: 考虑在线评论情感倾向

协同过滤推荐算法通常是基于兴趣相似的用户行为来实现个性化推荐, 其核心义用户之间的兴趣相似度. 本文在传统的协同过滤推荐算法基础上, 考虑在线评论对用似度识别的影响. 在混合商品推荐中, 粗粒度识别评论情感极性; 而在同类商品推荐中, 细粒别每个商品特征的情感极性. 如果用户对产品的某个特征评价次数大于平均次数, 表明用户对征较关注; 如果对产品的某个特征评价低于平均评价, 表明用户对该特征较挑剔. 进而根据用户评论来建立用户偏好模型, 用户在评论中反映出来的相似度越高, 表明用户之间的偏好越. 实验表明, 同传统的协同过滤算法相比, 基于在线评论情感分析的用户协同过滤算法在率和召回率指标上有显著提升.     

在线评论中基于动态窗口提取特征观点对的产品推荐模型

在线评论所包含的产品特征观点在帮助用户做出购买决策时发挥着重要作用,然而,目前还没有挖掘客户评论中的产品特征观点作为主要数据来源的推荐系统,并且,监督型方法中提取特征观点对的算法较少关注中文句式结构,提取规则缺乏动态适应性.因此,提出一种基于特征观点对的产品推荐模型,首先,结合中文句式构成分析及特征观点的匹配关系分析,采用动态窗口提取特征观点对;在此基础上,结合特征树汇聚特征观点用于产品间比较,并为用户做出产品推荐;同时,提出情感可信度指标用于展示特征的典型评论.与采用静态窗口的基准方法相比,本模型的召回率和F值都有大幅提升,表明其可以为基于特征观点对的产品推荐提供可靠的数据来源,进而有效帮助用户做出购买决策.     

面向产品特征的中文在线评论情感分类:以本体建模为方法

在线产品评论反映了用户对产品的体验,对其进行情感分类不仅有利于商家的战略发展,也有助于消费者理性购物。然而,现有研究大多采用上下文无关的情感分类方法,却无法处理褒贬混合的评论及情感词极性随上下文变化的情况,从而导致情感分类的精度不高。针对现有研究的不足,提出一种产品特征级情感分类方法。基于领域本体识别评论中的特征观点对,根据已知极性的评论判断特征观点对的极性。最后,通过加权平均的方法合计评论中各个特征观点对的极性,最终实现对评论的情感分类。为了验证方法的有效性,以手机和数码相机评论为对象设计实验,实验结果表明,本文提出的方法具有一定的领域普适性,能有效识别不同领域评论中的特征观点对,并判断其情感极性。结果还显示,在准确率、召回率和调和评价值3项性能指标上,该方法都优于文档级、句子级和词语级的基线实验方法。     

基于在线评论的混合推荐算法

web2.0的快速发展使得网络数据剧增,全方位刻画用户特征、分析用户偏好信息并对用户进行产品推荐成为企业和客户的迫切需要,个性化产品推荐应运而生。目前的推荐算法大多以评分数据作为获取偏好的来源,主要根据用户偏好模型评估推荐效果的好坏。本文以产品在线评论为基础,通过特征属性的情感分析补充用户对产品的倾向性意见,基于内容推荐算法根据用户评分和在线评论构建用户偏好模型与产品特征模型。以协同过滤算法为框架,结合多种相似度算法构建了基于用户偏好与产品特征的混合推荐算法。采集携程网的数据进行实验,验证了模型良好的推荐精确度。     

知识图谱辅助的复杂装备需求感知开发研究

在复杂装备的开发和更新的过程中,因其复杂性,开发人员需要从大量的非结构化文本中寻找有用信息,而传统的开发方式需要很多专业咨询,且仍不能满足复杂装备智能化的新特性,如复杂的场景感知和不断发展的知识管理.为降低开发成本,克服开发过程中的不确定性并降低设计风险,提出了一种识别和整合复杂装备需求相关知识,发现并评估新的设计知识的方法,即将需求分析看作一系列信息处理流程,输入用户、产品等价值密度低的数据,输出研发产品可用的价值密度高的信息.具体来说,基于功能–行为–结构的产品开发模型、需求规格说明常用模板构建需求知识图谱本体;然后从用户反馈中提取包含场景信息的三元组,基于场景编码进行需求分析,得到用户关注的产品特征;接下来引入领域专业知识,对需求感知的产品特征进行产品组件分解,进而生成可以辅助产品开发的可选决策集合;最终对可选方案进行评估.最后进行了新能源汽车的案例研究,证明其知识演化的结果是有效的.     

基于在线评论词向量表征的产品属性提取

在线评论中蕴含的产品信息具有很高的电子商务应用价值.但是,与之相关的文本挖掘工作,常常会面临着特征抽取以及对特征属性进行归类等问题的挑战.基于词向量模型在表达词语的情景语义方面的优势,提出了一种结合词向量表征和K-means聚类相结合的半监督方法,用于从海量在线文本中高效挖掘出用户评论的特征,并进一步按照这些特征的语义提取出它们的归类信息.在真实数据集上的实验结果表明,提出的方法可有效应用于海量在线评论中的文本属性提取工作;与经典模型相比,本方法从特征中提取的归类属性信息能更好地呈现出评论者表达的语义.     

基于CNN-BiLSTM的消费者网络评论情感分析

现如今,商品在线评论的情感分析业已成为许多商家不可忽视的重要工作,它对于商家了解用户偏好有着重要意义,同时,它还能够为相关产品下一步的改进工作提供方向指导.然而,传统的分析方法已无法解决现在情感分析中特征提取及语义理解等方面存在的问题.针对此类问题,本文提出一种基于CNN-BiLSTM的在线评论情感分析方法,不仅可以像LSTM一样建立时序关系,而且可以像CNN一样刻画局部空间特征.医疗服务、物流快递、金融服务、旅游住宿和食品餐饮数据集的实验结果表明,该方法能有效判别消费者在线评论情感倾向,在文本的情感分类中效果较传统机器学习算法更准确,F1值可以达到94.67%.同时,实验证明该方法具有较好的领域可拓展性.     

特征观点对购买意愿的影响:在线评论的情感分析方法

网络口碑是影响消费者购买行为的因素之一,在线评论中的各种评价信息会改变用户对产品质量的感知,进而影响购买意愿.不同产品特征对用户购买意愿的影响程度各不相同.为此,结合情感分析技术,构建计量经济模型,分析产品特征评价与用户购买意愿的关系,能够识别产品特征的重要程度.首先对产品特征进行抽取和降维,提取"特征一观点对".然后依据信息增益的思想,计算特征的信息增益.利用情感分析技术识别情感极性及其强度,结合产品特征的信息增益,建立产品特征评价对用户购买意愿的计量经济模型,得到产品特征重要度的量化方法.对亚马逊网站上386款数码相机进行持续39个月的跟踪,实证结果表明,对数码相机产品特征的重要度识别高于TF-IDF算法以及HAC算法.研究结果建立起产品特征与用户购买意愿的联系,为网络口碑营销提供了理论依据.     

基于用户兴趣的混合推荐模型

从用户特征描述出发,分析用户兴趣模型的表达机制,提出一种基于用户兴趣的混合模式推荐方法.该方法将内容过滤和协同过滤的预测值进行加权求和,形成最终的综合相似度.实验结果表明,该方法的性能同时优于基于用户协同过滤的推荐方法和基于内容过滤的推荐方法,推荐系统的推荐质量得到显著提高.     

基于RoBERTa-BiLSTM-CRF融合模型的在线评论细粒度情感分析

在电子商务迅速发展的背景下,在线评论所蕴含的商业价值日益凸显.从在线评论中提取用户关于产品的评价和情感的研究,已经开始从句子级或篇章级的粗粒度情感分析转向属性级的细粒度情感分析.但当前细粒度情感分析方法在情感要素识别任务中存在不能同时解决一词多义、上下文语义信息不全以及标签约束关系缺失等突出问题,且面向属性的情感强度量化方法未充分考虑语法信息.对此,本文提出一种基于RoBERTa-BiLSTM-CRF融合模型的在线评论细粒度情感分析方法,该方法可以有效解决上述问题,更加准确地识别评论中用户评价的产品或服务属性,并结合情感三元组和语法信息有效地量化用户在评论中反馈的情感强度.为了检验所提方法的效果,本文在酒店评论数据、美团外卖评论数据、CLUENER2020等多个领域的数据集上进行对比实验与消融实验.实验结果表明,与已有经典模型相比,本文所提基于RoBERTa-BiLSTM-CRF融合模型的情感要素识别方法在多个数据集上均获得了最佳F₁值,且本文所提情感强度量化方法更加精细,能更好地契合人类情感的连续性.此外,消融实验进一步表明融合模型的每个结构都具有重要性.     

Feature network-driven quadrant mapping for summarizing customer reviews

With the rapid growth of e-commerce, customers increasingly write online reviews of the product they purchase. These customer reviews are one of the most valuable sources of information affecting selection of products or services. Summarizing these customer reviews is becoming an interesting area of research, inspiring researchers to develop a more condensed, concise summarization for users. However, most of the current efforts at summarization are based on general product features without feature’s relationship. As a result, these summaries either ignore feedback from customers or do a poor job of reflecting the opinions expressed in customer reviews. To remedy this summarization shortcoming, we propose a feature network-driven quadrant mapping that captures and incorporates opinions from customer reviews. Our focus is on construction of a feature network, which is based on co-occurrence and sematic similarities, and a quadrant display showing the opinions polarity of feature groups. Moreover, the proposed approach involves clustering similar product features, and thus, it is different from standard text summarization based on abstraction and extraction. The summarized results can help customers better understand the overall opinions about a product.     

Towards exploring when and what people reviewed for their online shopping experiences

Web 2.0 technologies have attracted an increasing number of people with various backgrounds to become active online writers and viewers. As a result, exploring reviewers’ opinions from a huge number of online reviews has become more important and simultaneously more difficult than ever before. In this paper, we first present a methodological framework to study the “purchasing-reviewing” behavior dynamics of online customers. Then, we propose a review-to-aspect mapping method to explore reviewers’ opinions from the massive and sparse online reviews. The analytical and experimental results with real data demonstrate that online customers can be sectioned into groups in accordance with their reviewing behaviors and that people within the same group may have similar reviewing motivations and concerns for an online shopping experience.     

基于树型小波和灰度共生矩阵的SAR图像分类

SAR图像包含有相干斑噪声 ,传统的方法不能很好地对SAR图像进行分类。为了能对SAR进行精确分类 ,将图像的灰度和纹理特征 ,空域和频域特征相结合 ,提出了一种新的SAR图像分类方法。该方法采用由树型小波中频纹理能量特征、灰度共生矩阵特征、树型小波滤波后的灰度组成的特征矢量对SAR图像进行分类。实验结果分析表明 ,该方法是一种有效的SAR图像分类方法。     

Products Ranking Through Aspect-Based Sentiment Analysis of Online Heterogeneous Reviews

With the rapid growth of online shopping platforms, more and more customers intend to share their shopping experience and product reviews on the Internet. Both large quantity and various forms of online reviews bring difficulties for potential consumers to summary all the heterogenous reviews for reference. This paper proposes a new ranking method through online reviews based on different aspects of the alternative products, which combines both objective and subjective sentiment values. Firstly, weights of these aspects are determined with LDA topic model to calculate the objective sentiment value of the product. During this process, the realistic meaning of each aspect is also summarized. Then, consumers’ personalized preferences are taken into consideration while calculating total scores of alternative products. Meanwhile, comparative superiority between every two products also contributes to their final scores. Therefore, a directed graph model is constructed and the final score of each product is computed by improved PageRank algorithm. Finally, a case study is given to illustrate the feasibility and effectiveness of the proposed method. The result demonstrates that while considering only objective sentiment values of the product, the ranking result obtained by our proposed method has a strong correlation with the actual sales orders. On the other hand, if consumers express subjective preferences towards a certain aspect, the final ranking is also consistent with the actual performance of alternative products. It provides a new research idea for online customer review mining and personalized recommendation.     

多媒体数据库系统设计的关键技术研究之一:特征的提取与索引

首先在分析MMDBMS体系结构的基础上,指出MMDBMS设计中的关键技术及其相互关系。本文的中心议题是多媒体对象特征的提取与索引,其中,在特征的提取方面概述了当前科技界在这个领域取得的成果;在特征的索引方面,结合已有的多维索引结构树,给出了一个适合MMDBMS的数据结构MIX-TREE。     

基于混合类别序列规则的中文比较评论的识别

在线评论中的比较信息揭示了品牌和商品的竞争性关系,为消费者的购买决策提供了有力的依据.在线评论中比较信息通常以显性和隐性两种形式存在.为此,提出一种将句法、规则、特征相结合的比较句识别算法.针对显性比较评论,提出了融合CSR方法与依存句法分析算法,即比较句的形式化结构与内在依存关系两个方面结合,提高比较句识别的效率.针...     

基于互相关特征图和扩张稠密卷积网络的SFBC-OFDM识别方法

针对传统的空频分组码(space-frequency block code, SFBC)识别方法存在人工提取特征困难、低信噪比(signal to noise ratio, SNR)下识别准确率低和不适用于非协作通信的问题, 提出一种基于互相关特征图和扩张稠密卷积网络的SFBC自动识别方法。首先,计算接收端频域上的互相关函数并进行维度变换, 得到二维互相关特征图。然后, 对得到的特征图进行预处理以扩大卷积核感受的有效区域, 去除图像冗余信息。最后,构建扩张稠密卷积网络以自动提取预处理图像特征, 实现SFBC分类识别。仿真结果表明, SNR为-8 dB时, 该方法对SFBC信号的识别准确率达到了96.1%。相比于传统算法, 该方法具有更好的抗低SNR和特征自提取能力, 验证了深度学习方法在SFBC识别领域的有效性, 为该领域的后续研究奠定了基础。     

要加强对复杂适应性系统的研究——对自组织理论的反思

简单回顾了自组织理论的发展历史、内容和采用的方法,重点分析了自组织理论的研究对象和研究范围;指出自组织理论在研究复杂系统上的局限性——只适于研究简单巨系统,它研究的是系统演化的结果而非过程;自组织理论使用微分方程作为数学工具,要求子系统之间的相互作用要满足叠加原理而不考虑涌现的情况。在此基础上,本文提出要加强复杂适应性系统的研究,具体有两方面的工作：首先要加强计算机作为数学工具的应用,扩展对系统状态描述的范围;另外要加强对层次性的研究,重点是对涌现问题的分析。最后提出现在加强复杂系统的研究应从实际的具体系统入手。