互聯(lián)網(wǎng)的普及和網(wǎng)民規(guī)模的不斷壯大,支撐了我國電子商務(wù)的巨大發(fā)展,在線購物深受消費(fèi)者喜愛。隨著社交媒體的發(fā)展,電子商務(wù)也逐漸形成了社會商務(wù)的新發(fā)展模式,用戶在線評論也促進(jìn)了電子商務(wù)發(fā)展。海量的評論文本中蘊(yùn)含了豐富的信息,這些信息為消費(fèi)者決策、商家改進(jìn)產(chǎn)品、選擇營銷策略和升級用戶體驗(yàn)提供幫助,充分挖掘在線評論信息有助于產(chǎn)生巨大的經(jīng)濟(jì)價(jià)值,也為企業(yè)品牌的管理者提供決策支持和管理啟示。面對海量的在線評論文本,單純依靠人力對其進(jìn)行處理和分析,任務(wù)量大且效率不高。因此,通過文本挖掘技術(shù)對評論數(shù)據(jù)進(jìn)行爬取、處理、實(shí)驗(yàn),提取有價(jià)值的信息,成為電子商務(wù)網(wǎng)站研究的重點(diǎn)。在自然語言處理領(lǐng)域中,運(yùn)用機(jī)器學(xué)習(xí)方法進(jìn)行情感分析和文本分類是重要的研究課題,其中仍存在問題需要深入探究,自動(dòng)文本分類算法的也有改進(jìn)的空間。文章從情感分析和文本分類兩個(gè)角度,提出一種基于產(chǎn)品特征的情感分析方法,并在此基礎(chǔ)上,構(gòu)建基于情感分析改進(jìn)的在線評論分類模型,對在線評論文本進(jìn)行分析。情感分析方法使用Word2vec模型對文本進(jìn)行向量化轉(zhuǎn)換,結(jié)合人工提取和Word2vec建立產(chǎn)品特征詞庫和情感詞庫,完成“特征—觀點(diǎn)”對的識別,標(biāo)注情感極性...

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1-2文章技術(shù)路線圖

江南大學(xué)碩士學(xué)位論文121.3.3研究技術(shù)路線本文從情感分析和文本分類兩個(gè)角度，提出一種基于產(chǎn)品特征的情感分析方法，并在此基礎(chǔ)上，構(gòu)建基于情感分析改進(jìn)的在線評論分類模型，對在線評論文本進(jìn)行分析。情感分析方法使用Word2vec模型對文本進(jìn)行向量化轉(zhuǎn)換，結(jié)合人工提取和Word2ve....

圖2-1Word2vec文本表示結(jié)構(gòu)

第二章相關(guān)理論及方法介紹15示。Word2vec包含兩種經(jīng)典的訓(xùn)練模型：連續(xù)詞袋模型（CBOW）和跳字模型（Skip-gram）。CBOW模型的核心思想是輸入已知特征詞的上下文，輸出對當(dāng)前特征詞的預(yù)測。Skip-gram模型則是輸入已知當(dāng)前特征詞，輸出對上下文的預(yù)測。在大量的語料....

圖2-2一個(gè)特征詞上下文的CBOW網(wǎng)絡(luò)結(jié)構(gòu)

第二章相關(guān)理論及方法介紹15示。Word2vec包含兩種經(jīng)典的訓(xùn)練模型：連續(xù)詞袋模型（CBOW）和跳字模型（Skip-gram）。CBOW模型的核心思想是輸入已知特征詞的上下文，輸出對當(dāng)前特征詞的預(yù)測。Skip-gram模型則是輸入已知當(dāng)前特征詞，輸出對上下文的預(yù)測。在大量的語料....

圖2-3多個(gè)特征詞上下文的CBOW網(wǎng)絡(luò)結(jié)構(gòu)

第二章相關(guān)理論及方法介紹17圖2-3多個(gè)特征詞上下文的CBOW網(wǎng)絡(luò)結(jié)構(gòu)2.2.3Skip-gram模型Skip-gram模型思想和CBOW模型類似，但Skip-gram輸入的特征詞是已知的，但2,1,+1,+2是未知的。網(wǎng)絡(luò)結(jié)構(gòu)如圖2-4所示：圖2-4Skip-gram網(wǎng)絡(luò)結(jié)構(gòu)其....

本文編號：4004221