基于在线评论和网络搜索的汽车销量预测研究

使用情感分析算法获取在线评论的效价,并应用前景理论和熵值法对在线评论的效价进行调整,结合评论数量和网络搜索数据,建立了自回归分布滞后模型,并对不同价位档次汽车销量进行预测分析.研究发现,考虑了消费者受负面信息影响的在线评论的效价、数量和网络搜索数据的模型预测效果优于传统模型,更符合实际情况,但对不同价位档次汽车预测效果存在差异,低档汽车销量预测效果最佳,其次是中档汽车,最后为高档汽车.     

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。     

基于电子口碑和用户关注度的汽车销量预测研究

针对如何利用消费者购买行为数据进行产品销量的有效预测问题,以高卷入度产品——汽车为例,挖掘用户生成的评论以及搜索行为留下的数据,构建基于不同数据来源的预测模型,采用线性以及非线性机器学习算法对不同的预测模型求解均方误差MSE。研究结果表明,增加用户关注度的数据能够增强基准数据的预测效果,而添加具体口碑数据后,可以有效地增强搜索数据的预测效果。     

基于特征加权词向量的在线医疗评论情感分析

针对在线医疗评论文本具有行业专业性强、差异性大、不够规范等特点,提出一种基于特征加权词向量的在线医疗评论情感分析方法.利用Word2vec方法构建词向量模型,抽取情感词集合完善医疗服务领域情感词典,根据句法关系识别主题词与情感词的依存关系,引入期望交叉熵因子,建立特征加权词向量模型,分析在线医疗评论的情感倾向.实验结果表明扩充的医疗服务情感词典在分析性能上的准确率、召回率以及F₁值均高于基础情感词典,引入期望交叉熵因子后,基于特征加权词向量的情感分析方法在SVM分类上表现出更好的效果,体现了其在在线医疗评论挖掘领域的良好效用.      

基于量化情感的网店垃圾评论检测

提出量化情感的概念（评论中的情感值）,从用户评论的自然语言文本中得到用户表达的情感值。为了计算评论的量化情感,对评论中的情感词的依存关系进行了研究。给出了情感句的量化情感算法。对量化情感与垃圾评论的关系进行分析,通过直观观察,确定了一系列判别方法。最后本文以量化情感值为指标,建立时间序列对网店的评论选行分析,有效地检测了垃圾评论。实验结果证明在检测网店垃圾评论工作中,所提出的方法有良好的检测结果,优于已有的方法.     

面向延安景点评论的情感词典构建

景区评论中蕴含着丰富的情感内涵,如何挖掘出有价值的信息逐渐成为研究人员关注的焦点。运用TF-IDF算法和SO-PMI算法构建了面向延安景点评论的情感词典。实验结果表明,本文所构建的情感词典在情感分类方面准确率达到了89%,召回率以及F1值都有明显提升,从而验证了该词典的有效性和可行性。     

基于语义分析的互联网产品评论挖掘

从语义分析角度出发,对产品评论文本进行情感倾向分析研究。首先在现有的情感词典的基础上整理并构建一个面向产品评论的情感词典;然后以句子为单位对评论文本进行语句分割,根据词频统计提取产品的主要特征词,并构建特征关联词词库,针对不同的特征分别进行情感倾向分析;最后对所有评论文本作加权计算获得其总体情感倾向。实验结果表明,基于语义分析的产品评论挖掘方法具有较好的情感分析效果。     

微博产品评论的情感倾向性分析方法

提出一种微博平台上的产品评论情感倾向性分析方法,对特定语料库的产品特征词的词性进行分析,得到特征词的词性重要程度顺序;以情感词典识别的情感词为起点,提出一种依据词性重要程度的"特征观点对"识别规则,并依据该规则进行语义倾向的情感计算。实验结果表明,该方法在产品特征抽取及语义倾向的判断上具有较好的结果。结合微博的转发数和评论数,进行用户观点分析,计算用户对产品的认可度,挖掘产品属性的优缺点,实证分析证明这种方法的可行性。     

果树矮化效应预测方法的评论

就果树矮化效应预测所提出的根茎组织解剖法、叶结构测定法、生物物理学测定法、生理生化分析法等进行评论。建议以综合评价来代替单项的预测指标,以寻求更准确可靠的预测效果。     

在线评论对商品销售影响的实证研究

以淘宝网的护肤品为研究对象,收集实际数据,分析在线评论的评论数量、评论得分、好评率和差评率对护肤品销售情况的影响;研究结果表明:评论数量对护肤品销售的影响极为显著,评论得分对护肤品销售的影响较为显著,好评率和差评率对护肤品销售的影响则不显著;可为网络商品销售商的营销及用户评论处理提供依据基础及指导。     

采用在线评论的景点个性化推荐

通过对旅游网站的景点评论进行情感分析,综合利用自然语言处理技术和领域本体构建技术,准确把握游客对旅游目的地的满意度和需求;将群体智慧和个人偏好有效地结合,为游客出行制定合理的个性化推荐策略.实验结果表明:所提出的推荐策略能够有效地将碎片化的游客评论数据转化为对其他游客出行地选择的辅助信息,提高了游客获取旅游知识的效率,真实地反映游客的旅游感受,为游客景点选择提供参考.     

PORSC:融合用户个性化特征的在线评论情感分类模型

针对传统在线评论情感分类忽视了用户个性化的问题,提出了一种融合用户个性化特征的在线评论情感分类(PORSC)方法,该方法为每一类型用户构建一个在线评论情感分类器.PORSC模型由2部分构成:一部分是具有学习评论中常见情感信息的全局情感分类模型;另一部分是能捕捉每种类型用户的个性化特征的特定用户类型分类模型.为解决PORSC模型在训练中的数据稀疏问题,引入多任务学习方法,以协同方式训练分类器,以并行方式解决了PORSC模型中参数的优化问题.通过在2个实际中文产品评论数据集和一个公开的英文评论数据集上实验,并与已有基线方法进行比较与综合分析,结果表明PORSC模型在一定程度上提高了在线评论情感分类的精度.     

郑州市自来水销售量预测研究

通过分析郑州市2006-2009年的自来水销售量,建立了郑州市自来水销售量的灰色模型GM（1,1）,并预测了今后几年郑州市的自来水销售量。     

C2C环境下感知在线评论与初始信任的调节因素

对网上卖家缺乏初始信任已经成为顾客选择网上购物的一个主要障碍.通过对C2C网上购物环境下的顾客进行问卷调查,探讨感知在线客户评论与顾客初始信任之间的影响因素,挖掘顾客专业能力和产品参与的调节效应.研究发现顾客专业能力对评论质量与顾客初始信任,以及评论者专业能力与顾客初始信任之间的关系具有调节作用;产品参与对评论质量、评论数量和评论者专业能力与初始信任之间的关系具有调节作用.     

商品销量的趋势分析及预测

本通过分折一部分季节性商品销量的历史资料，以时间序列分折方法为基础，找到了一种对于季节性商品未来销量较为有效的预测方法，并以某城市的啤酒销售量进行实证分析。     

基于人工神经网络的销售量预测方法初探

提出了一种新的销售量预测方法——神经网络方法。以我国电视机销售量为实际预测对象,运用神经网络方法对其进行了试验预测,并和常规的线性回归方法进行了比较,结果表明神经网络方法具有较高的精确度和较好的预测能力。     

移动通信技术发展背景下的在线评论形式演进及价值挖掘

伴随着移动通信技术的发展,在线评论形式不断演进。信息海量增长,引发消费者对在线评论的真实性和可靠性存疑,决策成本上升。为探讨在线评论对消费者购买决策的影响,本文基于精细加工可能性模型,以在线评论可信度为中介变量,构建研究模型,进而开展问卷调查并进行实证分析。结果表明,网络环境认知、在线评论质量、在线评论数量、评论者资信度对在线评论可信度有显著性正向影响,在线评论效价对在线评论可信度有显著性负向影响。在线评论可信度对消费者购买决策有显著性正向影响,并发挥中介作用。基于此,本文提出了在5G时代深度挖掘在线评论价值可采取的相关举措。     

用于在线产品评论质量分析的Co-training算法

在线评论广泛存在于电子商务网站平台, 其中包含着客户对产品的评价及偏好. 高效分析在线评论数据并满足客户需求, 对许多谋求立足于竞争激烈的国际化市场的企业来说至关重要. 但因在线评论的质量不一, 使得如何分析在线评论的质量成为一项重要工作. 从两个方面提取特征对在线评论进行描述, 并构建了一种Co-training算法来判断评论的质量. 通过对比实验验证了该算法相对于单一分类算法的优势.