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。     

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。     

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.     

基于在线评论的客户偏好趋势挖掘

为了有效地从在线评论数据中获取客户的需求偏好,提出了一种客户偏好趋势挖掘方法.该方法采用时间序列模型预测下一阶段产品属性重要性,利用决策树模型分析客户偏好的变化趋势,将产品属性分为关键属性和非关键属性.并进一步,根据Mann-Kendall趋势检验将非关键属性分为过时属性、增值属性和稳定属性.此外,以汽车产品为案例,验...     

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.     

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。     

基于在线评论服务策略的电商供应链决策

为了解决在线评论导致的信息不精准问题,考虑在线评论的产品质量和产品喜好两个维度,构建了由制造商和网上零售商组成的Stackelberg博弈模型.研究网上零售商是否提供在线评论服务的策略选择问题,分析在线评论对供应链成员与消费者的影响.结果表明,产品退货率较低时,网上零售商提供在线评论服务的策略对供应链成员与消费者均有益...     

在线评论中基于边界平均信息熵的产品特征提取算法

随着电子商务业务的迅猛发展,基于用户网上评论的文本研究也成为热点课题.用户在进行购买决策时,不仅需要了解该商品的整体评价,同时需要知道商品各个特征的情感态度倾向,故文章的目的在于研究在线评论中产品特征的自动提取的问题.实验选择满足BNP(base noun phrase)模式的N-Gram作为候选项,并利用N-Gram的边界平均信息熵的指标以及子串依赖关系对候选项进行过滤,提取最终的产品特征.与仅采取BNP模式直接作为产品特征的参照条件相比,当前方法选取的过滤条件可以有效提高产品特征提取的准确率.文中的方法不依赖于外部的领域语料且不需进行人工干预,其最终输出的结果具有子串依赖的层次性,可以作为领域知识构建的有效的参考数据结构.     

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.     

动态多模型指数平滑法融合的在线预测方法

针对传统预测算法实时性差、难以适应多种数据变化情况、参数无法根据数据的实时变化进行在线调整等问题,提出了一种动态多模型指数平滑法融合的在线预测算法。该算法根据历史数据的预测误差,动态调整指数平滑法的平滑系数,以及1次、2次、3次指数平滑法的融合权值,实时得到对传感器测量参数的准确预测。仿真表明,该算法在多种数据变化情况下均优于单一采用指数平滑法。     

动态多模型指数平滑法融合的在线预测方法

针对传统预测算法实时性差、难以适应多种数据变化情况、参数无法根据数据的实时变化进行在线调整等问题,提出了一种动态多模型指数平滑法融合的在线预测算法。该算法根据历史数据的预测误差,动态调整指数平滑法的平滑系数,以及1次、2次、3次指数平滑法的融合权值,实时得到对传感器测量参数的准确预测。仿真表明,该算法在多种数据变化情况下均优于单一采用指数平滑法。     

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。     

电商平台自营渠道引入决策:在线产品评论的价值

在产品多样性、生命周期缩短等因素增加消费者在线购买不确定性的背景下,在线产品评论对于消费者购买与电商平台运作的影响愈加显著.针对在线产品评论背景下的电商平台自营渠道引入决策及其影响问题,构建引入自营渠道前后电商平台及其上游制造商的博弈模型,分析电商平台自营渠道引入决策、在线产品评论的价值以及二者对消费者福利的影响.研究发现:当在线产品评论为正向评论或者在线产品评论为负向评论且其有效性水平较高时,电商平台会有动机引入自营渠道;并且,如果渠道竞争程度足够大,则在线产品评论还能增大电商平台引入自营渠道的动机.然而,当电商平台引入自营渠道时,各企业的定价策略调整取决于在线产品评论有效性水平及其精度,引入自营渠道对制造商有利,而在线产品评论对制造商不利.其次,在线产品评论会影响消费者的购买渠道选择,可能损害选择自营渠道购买产品的消费者福利.最后,对原始模型进行拓展,分析自营渠道影响在线产品评论情形下的电商平台自营渠道引入决策及其影响.     

基于消费者信任关系的在线口碑信息传播模型

在社会化媒体环境下,研究信任关系对在线口碑传播过程的影响,有助于企业制定合理的营销策略控制口碑传播。以社会关系强度刻画消费者之间的信任度,考虑社会强化现象及消费者兴趣转移现象;以SIR传染病模型为基础,构建基于信任关系的连续时间马尔科夫在线口碑传播模型。通过数值实验,分析了不同网络结构下信任关系对在线口碑传播的影响。实验结果显示：信任度的提升可显著促进在线口碑传播,当社区存在交叠时,社区信任度的促进作用增强,而社会信任度作用则减弱;另外,相比于社区内部信任,提升陌生人之间的信任促进作用更强,尤其是当网络社区结构一般或较弱时,且此时高影响力用户可在控制口碑传播过程中发挥更大作用。     

基于在线优化的多模型自适应控制

针对常规多模型自适应控制中子模型数量过多问题,提出在线优化的多模型自适应控制算法。将整个控制系统分为基本工况级和控制模型级的两层递阶结构。在系统运行过程中,通过在线学习自动地建立多模型及相应的控制器,并对所建的动态模型库进行优化,以进一步减少子模型数量和计算时间。证明了该算法能够保证闭环系统的稳定性和跟踪误差的渐近收敛性。计算机仿真结果表明该算法的有效性。     

基于传感器网络的在线决策融合目标检测方法

针对传感器网络(sensor network, SN)目标融合检测应用中融合中心无法精确地获得局部传感器节点检测性能参数的问题,建立了基于SN的目标融合检测系统,提出了一种非理想信道条件下在线决策融合的目标检测方法。该方法依据解调后数据构建了节点未知虚警概率、检测概率以及节点与融合中心信道平均传输错误概率等未知参数求解模型,并采用非线性最小二乘方法在线地估计出这些未知参数。进而通过选择性能优的节点参与融合,最大化融合检测系统检测概率。仿真结果表明:这种在线决策融合方法能够准确地估计出传感器节点的概率参数以及信道的平均传输错误率;相比于已知先验的最优似然比融合规则,在线决策融合规则检测性能相当。     

基于个性化和记忆机制的多模态情感计算模型

随着情感计算研究的不断深入,记忆、个性化、情感之间的密切联系逐渐引起研究者的重视.已有方法在机器情感的感知、理解和表达方面仍存在着诸多不足.提出一种集情感感知、理解和表达于一体的情感计算模型.该模型是一个面向记忆机制的、接受多模态输入(视觉、听觉、词汇)的深度网络感知模型,并应用一种模糊化的情感集成决策来实现不确定性情...