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.     

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.     

基于主题模型的产品在线论坛主题演化分析

产品论坛主题演化分析对企业的市场营销和产品改进决策具有重要价值.针对产品论坛的特点构建了一个基于潜在狄利克雷分布((latent Dirichlet allocation, LDA)模型的产品在线评论主题演化分析模型,从主题标签、主题热度和主题词热度三个层面挖掘海量在线产品评论的主题演化.实验表明,该方法能够挖掘产品在线论坛的主题演化规律.发现不同论坛上同一产品的消费者关注点存在共性和差异性,关注点热度变化存在随机性,关注中心存在稳定性,以及高评论丰富度的论坛更容易形成主题演化关系等规律.     

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。     

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...     

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。     

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...     

基于主题标签的在线社区话题发现

面对海量的互联网信息,如何快速有效地提取到用户关心的话题成为网络信息处理的一项基本任务。话题发现实质是无指导的聚类研究,本文引入主题标签概念,针对在线社区数据,提出了主题标签的话题发现算法。该算法以词项为粒度,基于词项的权重和上下文信息获取论坛帖子线索文档的核心词汇,作为文档的主题标签,在向量空间模型的基础上结合主题标签间的相似性进行相关话题的聚类。该方法的提出,一方面获得的主题词项不仅准确,而且具有较强的语义关联性,有效的避免了向量空间模型中容易丢失特征词间语义信息的缺陷;另一方面,与潜在语义模型相比,本文在向量空间模型基础上的话题发现具有更高的效率和更好的聚类质量。     

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.     

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。     

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.     

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.     

基于双向编码转换器和文本卷积神经网络的微博评论情感分类

对微博多分句的评论,ELMo-Text CNN、GPT等模型不能准确提取文本上下文联系,导致分类效果不理想.为了解决此问题,采用BERT-Text CNN模型,利用BERT独特自注意力机制的双向编码转换器结构获得具有句子全局特征的字向量,将字向量输入到Text CNN中,利用Text CNN捕获局部特征的能力,最终提取...     

基于情感分析与证据理论的新产品在线竞争力测度方法及实证研究

基于新产品投放市场初期的在线评论中的情感信息具有暗示产品某功能是否得到消费者青睐及青睐程度的信息,同时,这些评论会影响后面消费者态度及决策的角度,结合证据理论的融合机制,提出了一种基于情感分析与证据理论的短期新产品竞争力测度方法。该方法构建了新产品在线评价信息的特性情感词汇提取机制,以及特性词评价集合与潜在消费者对特性词评价集合的打分机制,并发展构造了Mass函数及证据融合规则。最后,以效用理论构建新产品在线竞争力评估基准,由此构成完整的短期新产品在线竞争力测度方法。实证研究结果表明,该方法具有较高的可行性。     

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.