基于直觉模糊情感和双注意力BILSTM的商家排序方法

如何充分利用在线口碑中的情感信息和消费者的个性化偏好，实现具有较高准确性的在线商家排序，对于提高消费者在海量信息中的决策效率具有重要的现实意义和理论价值。提出了一种基于深度学习的考虑模糊情感、个性化偏好，并融合在线评论、评分及人气的排序方法。首先构建双注意力BILSTM方面级情感分类模型识别在线评论情感，将情感值转换为直觉模糊值，应用直觉模糊TOPSIS方法计算贴近度，然后结合消费者评分、商家人气度量确定排序。以标准数据集进行对比实验，表明双注意力BILSTM模型优于LR、SVM等传统模型以及BILSTM和单注意力BILSTM模型。在实例分析中，大众点评8家餐厅的排序结果与平台排序平均重叠分数较高，说明本文所提出的商家排序方法的有效性。     

基于情感分析和证据理论的多属性在线评论决策方法

近年来，大量的有关产品或服务的在线评论信息在许多网站涌现，如何基于在线评论进行决策分析是一个值得关注的研究问题。提出了一种基于情感分析和证据理论的多属性在线评论决策方法，在该方法中，首先针对决策者关注的备选方案及属性采集相应的在线评论；然后针对采集的多属性在线评论进行情感分析并得到在线评论针对各属性在不同情感强度等级上出现的频次；进一步，依据证据理论，将在线评论在不同情感强度等级上出现的频次转化为针对不同情感强度等级的信任度，并依据证据合成规则将备选方案各属性的信任度集结为综合信任度；在此基础上，通过计算所有备选方案的效用值，进而得到方案的排序结果用于决策者购买决策；最后，以基于汽车之家网站的在线评论信息进行汽车购买决策为例说明了该方法的可行性和有效性。     

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.     

基于Co-training协同训练的在线虚假评论识别研究

本文基于协同训练模型（co-training）提出了一种新的在线虚假评论识别方法CoDeRI以解决虚假评论识别中模型训练数据不足的问题.对同一评论信息，本文通过构建两个特征视图相互学习以识别虚假评论信息：视图一的特征来自于评论文本的词项（Term）；视图二的特征来自于对评论进行深度语法树分析之后得到的概率上下文无关语法规则（PCFG，probabilistic context-free grammars）.利用朴素贝叶斯（naïve Bayes）作为基分类器，本文提出了两种特定于CoDeRI方法的分类后样本选择策略：CoDeRI-C策略和CoDeRI-U策略.CoDeRI-C策略在对未标注信息进行标注之后，选取分类置信度最高的评论信息以扩大训练样本集；CoDeRI-U策略则随机均匀的选取标注之后的评论信息以扩大训练样本集.实验表明，CoDeRI算法在虚假评论信息识别上与现有方法相比能够取得较好的分类结果.并且，CoDeRI-U策略的虚假评论识别准确率优于CoDeRI-C策略.本文的研究为电子商务中的平台、商家和消费者如何识别在线虚假评论提供了一定的管理启示.     

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。     

依据在线评论的商品排序方法北大核心CSCD

提出了一种依据商品在线评论的基于多粒度情感强度分析和随机逼近理想点排序法的商品排序方法.使用爬虫软件和ICTCLAS对消费者关注的备选商品的在线评论进行获取和预处理.依据预处理后的评论,通过提出多粒度情感强度分析算法确定每条评论针对商品属性的情感强度值.通过对得到的情感强度值进行统计分析,得到备选商品针对商品属性的多粒度情感强度分布形式的属性值.最后,依据得到多粒度情感强度分布形式的属性值,采用随机逼近理想点排序法确定备选商品的排序.基于中关村在线中的数码相机在线评论,给出了提出方法应用的实例分析.     

基于情感词模糊统计的网络评论情感强度的研究

根据已有在线声誉系统特点,将用户的情感强度划分若干级别。考虑到情感强度的模糊性,为每个情感强度设置隶属度函数。在此基础上,提出一种基于情感词模糊统计的网络评论情感强度计算方法,并选取手机评论进行实验分析。实验结果显示:情感词的隶属度具有集中性和稳定性;否定词不但改变情感词的极性,还弱化情感词的情感强度;程度副词强化情感词的情感强度,但被修饰情感词的情感强度越大,程度副词对该词的强化程度越小。     

基于主题相似性的在线评论情感分析北大核心CSCDCSSCI

从在线文本评论挖掘消费者情感信息,能够得到更加真实的消费者购买体验及其偏好。主题情感混合模型作为一类有效的无监督情感分类模型,正在成为这方面的重要文本挖掘工具,但该模型存在分类准确率和稳定性还不够高的问题,为克服这一不足,提出一种基于主题相似性的无监督在线评论情感分类模型。以潜在狄利克雷模型分析在线评论主题,结合情感词典计算主题情感极性;引入理想评论并构造理想评论代表集,通过计算评论和理想评论集的主题相似度,实现在线评论情感分类。实验结果表明,该模型能有效判别消费者在线评论情感倾向,稳定性较高,衡量分类结果的综合指标F_1值比现有主题情感混合模型提高3%～20%。同时,在计算机、酒店、图书及手机等不同领域评论数据集上的实验结果显示,该方法具有较好的领域可移植性。     

社交网络商品在线口碑情感信息传播模型研究

针对商业产品在线口碑情感信息传播问题,基于SIR模型构建了考虑全局情感的基本在线口碑情感传播模型,以传播状态和口碑情感值两个属性刻画消费者肖像;进一步考虑企业干预,提出考虑企业资源投入量以及采取措施时间的在线口碑情感传播模型.通过仿真实验,发现初始口碑源情感分布可显著影响口碑情感传播过程,强情感强度的情感更具传染性;消费者对全局情感信息的平均感知能力越高,极端评论的影响越小;口碑传播初始阶段,是企业采取措施的黄金时间,企业资源投入量呈现边际效用递减规律.     

考虑在线评论中个体标准差异的汽车产品排序方法

用户在线评论是影响消费者汽车产品选择决策的重要信息来源.已有的基于用户在线评论的产品排序研究中,较少考虑用户评价标准差异对排序结果的影响.基于文本型、数值型和极性评论数据,本文提出一种考虑个体评价标准差异的汽车产品排序方法:首先分析文本型评论中的用户情感,构建情感词典,得到初步情感得分;然后利用数值型和极性评论相关值为...     

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.     

依据在线评论的商品排序方法

提出了一种依据商品在线评论的基于多粒度情感强度分析和随机逼近理想点排序法的商品排序方法.使用爬虫软件和ICTCLAS对消费者关注的备选商品的在线评论进行获取和预处理.依据预处理后的评论,通过提出多粒度情感强度分析算法确定每条评论针对商品属性的情感强度值.通过对得到的情感强度值进行统计分析,得到备选商品针对商品属性的多粒度情感强度分布形式的属性值.最后,依据得到多粒度情感强度分布形式的属性值,采用随机逼近理想点排序法确定备选商品的排序.基于中关村在线中的数码相机在线评论,给出了提出方法应用的实例分析.     

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.     

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。     

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.     

网络口碑影响机制：信任的中介和性别及涉入度的调节

网络口碑和在线评论已经成为网上消费者获取产品信息的最重要来源,也是影响其做出购买决策的最关键因素。但是,现有的研究缺乏对网络口碑的影响机制和作用路径的深入探索。开拓性地引入消费者信任作为中介变量,并将性别和涉入度等消费者特征作为调节变量,构建研究模型。采用在线实践后进行问卷调查的方法收集数据,并用结构方程模型软件进行模型验证与假设检验。研究结果表明：① 在线评论的理性强度、评论数量以及消费者的信任倾向,显著积极影响其对在线评论的感知可信度,而感知可信度进而通过消费者对商家的认知信任和情感信任的中介作用,最终影响其在线购买意愿。② 相比女性消费者,评论数量对男性感知评论可信度的影响更大,并且感知可信度对男性情感信任的影响也更大;但是女性感知评论理性强度对其感知评论可信度的作用更强。③ 与高涉入度消费者相比,在线评论的理性强度对低涉入者感知评论可信度的影响更大,认知信任对低涉入者购买意愿的影响也更大。然而,评论数量对高涉入者感知评论可信度的作用更强。这些研究结果蕴含着丰富的管理启示。     

基于主题相似性的在线评论情感分析

从在线文本评论挖掘消费者情感信息,能够得到更加真实的消费者购买体验及其偏好。主题情感混合模型作为一类有效的无监督情感分类模型,正在成为这方面的重要文本挖掘工具,但该模型存在分类准确率和稳定性还不够高的问题,为克服这一不足,提出一种基于主题相似性的无监督在线评论情感分类模型。以潜在狄利克雷模型分析在线评论主题,结合情感词典计算主题情感极性;引入理想评论并构造理想评论代表集,通过计算评论和理想评论集的主题相似度,实现在线评论情感分类。实验结果表明,该模型能有效判别消费者在线评论情感倾向,稳定性较高,衡量分类结果的综合指标F_1值比现有主题情感混合模型提高3%～20%。同时,在计算机、酒店、图书及手机等不同领域评论数据集上的实验结果显示,该方法具有较好的领域可移植性。     

基于多属性的系统结构建模与分析方法

模糊关系矩阵是全面、准确描述系统结构的有力工具.基于系统组成要素可以用多个属性描述的假设,提出了要素对属性和属性的系统结构模糊关系矩阵建模方法,并给出了利用属性对属性的模糊关系矩阵信息的相对贡献率和关联度分析方法,以及利用要素对要素的模糊关系矩阵信息的要素之间影响度分析方法.因此,本文所建立的系统结构建模与分析方法可以深入分析每个要素对整个系统的贡献大小与原因,以及每个要素在整个系统结构中的位置及其成因.     

一种双层情感图像检索模型

随着信息技术的迅猛发展,情感信息处理已成为21世纪人工智能领域所面临的重要挑战之一。借鉴认知心理学、绘画艺术和服装设计的研究成果,本文提出了一种双层情感图像检索模型。在该模型中,借鉴心理学中的“维量”思想,建立情感空间;同时,抽取图像中较容易引起情感变化的特征作为图像的视觉特征,建立图像的特征空间;另外,本文还提出了情感注释的思想,采用支持向量机的方法建立图像的低层特征空间到用户的高层情感空间之间的映射,自动注释用户未曾评估的图像,实现了图像情感注释,在情感空间进行公共情感检索,快速获得用户情感信息,在此基础上,采用可视化交互式遗传算法实现因人而异的个性化情感检索,该模型应用于风景和服装图像的情感检索,取得了较好的实验结果。     

基于趋势情感映射的物价舆情词典及舆情指数构建研究

互联网新闻中反映的市场观点和情感可为经济监测预警提供及时有效的参考.为更好地识别和量化文本中对于经济变动趋势的观点和情感,本文提出了一种基于趋势情感映射的舆情词典构建方法.该方法识别描述经济趋势的核心词汇形成趋势种子词集,并集成情感词相关性计算结果,利用重新设计的标签传播算法得到映射系数,获得情感词的观点值,形成能够量化新闻的物价舆情词典.本文还提出了一种考虑句法结构的物价舆情指数模型,通过主题匹配、程度量化、否定识别等过程实现对特定领域经济新闻中的观点和情绪的更为精确的度量.实证分析中构建了物价舆情词典并生成物价和食品及其分项物价等11个主题的舆情指数,通过分类检验及与CPI的对比分析,发现基于本文方法所建立的舆情指数在长期趋势上领先于CPI约1.25个月.本文所提出的舆情词典构建方法和舆情指数模型具有可扩展性,有望应用于其他宏观经济或行业市场景气分析研究,是现有基于经济文本的预测预警建模方法的重要改进.