基于评论特征提取和隐因子模型的评分预测推荐系统

评分预测是推荐系统研究的核心问题,通过用户的历史行为来预测用户对商品的评分,根据评分高低来推荐用户喜欢的商品.当前基于评论评分预测推荐系统普遍只使用卷积神经网络捕获局部特征或者循环神经网络捕获全局特征,忽略了将这两类特征的有效融合.针对现存问题,本文提出基于评论特征提取和隐因子模型的评分预测推荐模型,使用自适应感受野的卷积神经网络(CNN)提取局部特征,同时使用门控循环单元(GRU)提取全局特征,将不同特征融合为评论的嵌入表达.再结合隐因子模型(LFM)对用户的特征偏好和商品的特征属性进行建模.最后,通过对用户和商品的嵌入表达进行评分预测.实验结果表明,本文模型在5个数据集上均高于现有基线模型.     

融合图卷积神经网络的文本情感分类

文档级别情感分类旨在预测用户对评论文本的情感极性标签。最近研究发现,利用用户和产品信息能有效地提升情感分类性能,然而,现有大多数研究只关注用户与评论、产品与评论的信息,忽略了用户与用户、产品与产品之间的内在关联,因此,本文提出一种融合图卷积神经网络的文本情感分类模型。首先,根据数据集构建了用户与用户关系图、用户与产品关系图;然后,融合两种关系图形成异质图,并使用图卷积神经网络学习用户与用户、产品与产品之间的内在联系,获得更好的用户和产品表示;最后,使用融合CNN的用户注意力和产品注意力机制的分层网络进行情感分类。实验结果表明,在公开数据集IMDB、Yelp2013和Yelp2014上,本文提出的模型能取得较好的分类效果。     

基于产品评论情感分析的用户满意度挖掘

互联网的广泛应用和电子商务的迅速发展使得用户满意度分析的重要性日益凸显.传统的用户满意度研究都是以认知理论为基础的小样本分析,难以适应海量网络购物数据的应用场景.针对此,提出了一种基于产品评论情感分析的用户满意度挖掘方法,首先选择用户评论为研究对象,然后运用半监督的递归自编码深度学习模型进行产品评论级情感倾向性分析,最后对用户满意度的动态演化模式进行灰色建模与预测.3种京东商品的评论数据的实验表明方法的有效性.     

基于word2vec的评论有用性研究

建立一个评论有用性模型,该模型能够对在线商品评论进行有用性预测.基于精心建立的情感词典,联合基于神经网络构建的商品属性词典.设计了合理的匹配算法,采用随机森林算法和五折交叉验证对评论有用性不同特征进行准确率、召回值和F指标的预测.结果显示评论有用性方差值能够很好地反应评论的有用性.评论有用性模型能够对评论进行准确的预测,所预测的结果可以为消费者提供有效的参考.     

基于BERT模型的文本评论情感分析

目前,用户的评论对产品的改进具有重大意义,为了解决文本情感人工阅读效率低下和传统词向量搭配神经网络解决文本情感分析准确率不高的问题,本文中提出了一种基于BERT模型的文本情感分类的解决方案.本文实验中使用谭松波酒店评论语料,通过使用预训练好的BERT模型进行fine tune,将得到的结果通过搭建的神经网络模型进行分类...     

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.     

网络课程用户体验满意度结构模型的构建与研究

在分析网络课程建设现状的基础上,结合产品设计领域的用户体验思想,以信息系统成功模型和技术接受行为相关理论为基础,探讨构建网络课程用户体验满意度结构模型的参考模型及理论依据,根据参考模型确定本研究中结构模型的关键变量,分析各变量之间的路径关系,形成网络课程用户体验满意度结构模型,并通过数据分析对结构模型进行验证.研究结果发现,认知有用性、使用行为和学习成就感与用户体验满意度呈正向相关,其中系统品质和内容品质通过认知有用性间接影响用户满意度,学习者的使用行为通过学习者情感反馈和学习成就感间接影响用户体验满意度.研究结果对于网络课程的设计和开发有一定的启示.     

基于情感词汇的在线评论产品个性化推荐方法研究

针对网络在线产品评论,利用Apriori算法从在线产品评论中挖掘出产品的热门属性,提取情感词汇并确定词汇和属性的搭配关系;对情感词汇进行模糊化表示,通过构建产品属性与推荐度的模糊推理规则,实现个性化产品推荐计算.以京东商城网站手机产品评论为例进行了实际计算,结果表明,该方法较传统的按销量排序方法更具个性化和针对性.     

基于在线评论的产品竞争力分析方法

随着电子商务的发展，在线评论已成为企业分析其产品竞争力的重要数据资源.通过评论文本提取消费者最关注的产品特征维度，采用情感词典法对评论文本进行情感分析得到特征-情感分数对.计算特征维度的重要度和满意度以确定特征维度的机会得分，并绘制机会景观图，分析目标产品自身的竞争力.依据特征维度的满意度，比较目标产品与其竞争产品的竞争优劣势.基于两种视角下的竞争力分析结果给出目标产品竞争力提升策略，使用Zol.com.cn网站提供的在线评论进行实验，结果表明了所提出方法的可行性和有效性.     

结合用户评论与评分信息的推荐算法

为了提高推荐系统为用户推荐新产品的准确率,挖掘出每位顾客的隐藏喜好以及每个产品的性能十分关键。基于用户反馈技术经常被用于发现产品的潜在特性和用户维度,本文提出了一种将用户评分中的潜在因子和评论中的潜在主题相结合的推荐模型。该模型通过对评论文本进行分析从而实现更精确的评分预测,特别适用于对新产品和新用户的评分预测。通过在公开数据集上的验证实验,证明了该模型较传统推荐系统在性能上有显著提升。     

融合双重注意力机制的多源深度推荐模型

针对评分数据稀疏导致协同过滤算法推荐质量下降的问题,通过充分挖掘评论信息增强推荐性能,提出了一种融合双重注意力机制的多源深度推荐模型(MSDA)。该模型基于评分数据、用户评论集和商品评论集3个信息源进行推荐,结合卷积神经网络和双重注意力机制挖掘评论文本特征,利用神经因子分解机进行评分和评论特征之间的高阶非线性交互,从而实现评分预测。实验结果表明,相比于NeuMF、NARRE、HRDR等先进基准方法,MSDA显著提升了模型的评分预测性能。     

基于在线评论的产品选择方法

随着大数据时代的到来,电子商务网站规模迅速扩大,产品的种类和数量已成海量规模,消费者需要高效的产品选择方法帮助他们做出决策.为了提出基于在线评论的产品选择方法,首先,确定在线评论的效用,并对产品属性进行提取得到属性集合,在考虑评论效用的情况下确定属性权重;然后,对在线评论中的情感词进行分析,将消费者情感倾向表示为关于评价标度的概率分布;再依据随机占优准则得到两两产品关于每个属性的占优关系;进一步,通过PROMETHEE II方法对备选产品进行排序.最后,通过一个产品选择的实例说明该方法的可行性和实用性.     

基于商品评论的群体用户情感趋势预测研究

提出了一种基于商品评论的群体用户情感趋势预测方法.首先,提出了基于Boson NLP的情感特征词识别算法,对时间维度下的商品评论信息进行特征选取;其次,使用群体用户多维特征向量构造多层感知器(MLP)模型进行情感分析;最后,融合评论时间和用户情感倾向值构建群体用户时序情感倾向序列,并通过长短时记忆网络(LSTM)模型进行时序情感趋势预测.在大规模真实数据集上的实验结果表明,MLP模型具有较好的分类效果;相比于现有的自回归(AR)模型,LSTM模型的平均均方差降低了79. 06%,能够取得更加精准的预测结果.     

基于情感分析的汽车造型设计感性评价方法

针对分析用户感性评价时出现的数据采集范围不够广、成本高、数据准确性低、非结构化数据利用率低等问题,提出一种基于情感分析的工业设计感性评价方法,以纯电动汽车为例,构建电动汽车造型感性意象的预测模型。首先基于情感分析量化用户的主观评论,获得感性意象评分,然后针对纯电动汽车的造型特征,提取了与传统内燃机汽车存在差异的主要设计要素,最后通过数量化理论I建立感性意象评分与设计要素的映射模型。以电动汽车设计方案优化为例,证明了该方法的可行性,预测结果的相对误差为5.41%。该方法符合用户的主观认知,能够有效预测用户对方案的感性评价,从而辅助设计师根据感性评价优化产品设计,具有实际应用价值。     

评价数据中的用户偏好建模:一种基于隐变量模型的方法

互联网应用中的评价数据包含丰富的用户观点和偏好信息.为了能更准确地发现用户偏好,综合考虑用户的评分和评论数据,基于贝叶斯网提出了一种针对评价数据的用户偏好建模方法.首先给出了从评论数据中抽取不同评论属性的方法,然后分别从评分和评论出发确定了用户偏好模型的初始结构约束和初始参数约束,最后给出了基于约束条件的用户偏好建模方法.实验结果表明,与单独评分或者评论数据构建的用户偏好模型相比,综合考虑评分和评论数据的用户偏好模型能更准确地估计用户偏好.     

基于BiLSTM-Attention的电商评论情感分析

为了更加准确的对电商评论中的文本信息进行情感分析,提出了一种融合注意力机制与双向长短期神经网络(LSTM)的混合模型结构。首先,利用长短期记忆神经网络对于时序序列结构的分析,充分挖掘句子中的潜在信息,有效克服长期遗忘的问题,然后通过注意力机制的使用能够对句子中不同特征分配权重,对于句子中倾向于用户情感的特征信息进行关注,有效改善识别效率。通过在有标签的京东某手机评论数据集上的实验,表明该方法在该领域具有良好的性能。     

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.     

基于产品属性的评论语句聚类分析算法

针对评论语句中产品各属性评价观点的提取问题,提出了一种基于产品属性的评论语句聚类分析算法,有效地将基于点互信息的算法和基于词典的方法结合了起来,提取产品评论语句中属性词及其关联词,挖掘用户关于产品各个属性的评价观点,并把对同一属性的评价语句归为一类,以便于用户和厂家能够及时的了解到产品使用过程中各个属性所出现的问题,形成对评价观点的整体把握,该分析模型对提升产品评论语句分析的质量具有重要意义。实验结果表明,该模型的分析准确率可达到72%,具有较好的分析性能。     

产品评论情感倾向性分类系统的设计与实现

针对消费者网上购物时选择商品的用户体验不足等问题,设计了产品评论情感倾向性分类系统。系统首先对评论进行了分词,然后根据停用词表去停用词,分别采用CHI、IG进行特征选择,最后比较了使用不同的特征选择算法对文本情感分类结果产生的影响。系统采用了Java Web相关技术实现了可视化,并对产品评论的分类过程进行了展示。实验结果表明,有效的特征选择方法有助于提升推荐系统的性能。     

融合用户信息和评价对象信息的文本情感分类

文档级别情感分类的目的在于预测用户对评论文本的情感倾向.目前大部分工作只关注于文档的内容而忽视了用户信息和评价对象信息.事实上,不同的用户在表达情感时选词存在着差异,并且对同一产品不同属性的关注度也会有所不同;不同的词汇在描述不同的评价对象时,也会有着不同的情感倾向性.为了能同时考虑用户和评价对象,提出了一个基于用户和评价对象的层次化注意力网络(hierarchical user aspect attention networks,HUAAN)模型.该模型首先用一个层次化的结构编码各类信息(包括词汇、句子、评价对象、文档),然后引入基于用户和评价对象的注意力机制来建模这两类信息.为了验证HUAAN模型的有效性,在两个真实的数据集上进行实验,结果表明在融入这两类信息之后,HUAAN在同等条件下比NSC+UPA系统的准确率高.