基于自注意力机制的TransNet推荐模型

在神经网络的推荐模型基础上引入自注意力机制，提出一种改进的基于自注意力机制TransNet推荐模型SATransNet。SATransNet模型使用卷积神经网络提取评论特征，通过自注意力神经网络自动学习特征内部的依赖关系，由依赖关系来决定需要关注的特征，从而解决数据表达能力不足的缺陷。本文在不同数据集上进行了实验比较与分析，SATransNet推荐模型在不同数据集上的预测评分较好，均方误差总体呈优。与基于注意力机制的推荐模型相比，SATransNet推荐模型的归一化折损累计增益均有提升，具有较好的预测评分效果和推荐相关性。     

基于密度Canopy的评论文本主题识别方法

融合Sentence-BERT和LDA的评论文本主题识别（SBERT-LDA）方法，将LDA的主题数作为K-means算法中的k值，导致算法可解释性较差、主题一致性较低。为了解决上述问题，提出基于密度Canopy的SBERT-LDA优化方法（SBERT-LDA-DC），利用密度Canopy改进K-means算法。实验结果表明，提出的方法在一致性指标上要优于使用K-means以及K-means++对特征向量聚类的同类方法；与SBERT-LDA方法相比，在1 852条戏剧评论数据集上，一致性指标值提高了22.9%。因此，所提出的SBERT-LDA-DC方法是有效的，对产品或服务提供者更好地了解用户意见、完善自身产品或提升服务水平提供了新方法，具有较强的实际应用价值。     

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.     

负面在线评论文本特征对消费者购买意愿的影响 ——基于自我构建视角的分析

信息技术的发展变革了口碑传播方式,越来越多的消费者自发地在网络上分享有关产品正面或负面的文字或图片信息,消费者在分享负面在线评论时更加诚实,负面在线评论对消费者的决策影响更大。本文基于自我构建理论,采取3个情景实验探讨负面在线评论文本特征的内在说服机制。研究表明,自我构建影响着负面在线评论文本特征对消费者购买意愿的作用效果。就文本内容而言,负面在线产品质量评论对独立自我消费者购买意愿的影响强于负面在线服务水平评论;负面在线产品质量评论和负面在线服务水平评论对相依自我消费者购买意愿的影响无显著差异。就情感强度而言,强负面情感强度的负面在线评论对独立自我消费者购买意愿的影响最强;中负面情感强度的负面在线评论对相依自我消费者购买意愿的影响最强。据此,建议企业识别不同自我构建导向消费者的信息偏好,对负面在线评论进行差异化管理。     

《北京理工大学学报》(自然科学中文版)征稿简则

本刊是由工业与信息化部主管、北京理工大学主办的科技类综合性学术期刊,创刊于1956年,1986年起正式向国内外公开发行,现为月刊。本刊为美国《工程索引》(Ei)、美国《化学文摘》(CA)、美国《数学评论》(MR)、美国《剑桥科学文摘社网站及数