中國網(wǎng)絡購物市場飛速發(fā)展,消費形式的轉(zhuǎn)變已經(jīng)逐漸被大眾接受,大量的線上商城蓬勃發(fā)展,給人們生活帶來便利的同時也在運營中產(chǎn)生了大量的數(shù)據(jù),對于一件商品其大量的信息均來自于商家的描述和介紹,而商品的評論則是主要來自于真實的、具有消費記錄的消費者,從這一點來看商品文本評論不僅僅有助于消費者了解商品情況也可以幫助商家進行產(chǎn)品升級。大數(shù)據(jù)時代,傳統(tǒng)的統(tǒng)計調(diào)查已經(jīng)不能夠滿足海量文本的調(diào)查,不但既費時又費力,調(diào)查范圍小調(diào)查精度也不高。這種情況是大大不能滿足企業(yè)以及個人的需要。在人工智能高速發(fā)展的今天,部分傳統(tǒng)調(diào)查的技術(shù)漸漸被取代,這里要使用就是相對更為簡單、便利的文本挖掘的相關(guān)技術(shù)。本文以三大電商——淘寶、天貓、京東的主要品牌的兒童電話手表的評論為例,基于網(wǎng)絡爬蟲及自然語言處理技術(shù),緊緊圍繞消費者對兒童手機的需求特點,對近十萬真實的電話手表的評論文本進行一系列的統(tǒng)計分析和數(shù)學建模。主要進行了以下步驟:首先對于模型的原始數(shù)據(jù)進行采集,將采集好的的數(shù)據(jù)應用傳統(tǒng)統(tǒng)計方法和分詞、去詞等機器學習算法進行數(shù)據(jù)預處理,再將數(shù)據(jù)預處理后的數(shù)據(jù)利用Python軟件輸入到構(gòu)建好的長短期記憶神經(jīng)網(wǎng)絡(LSTM)模型中,得...

【文章頁數(shù)】：44 頁

【學位級別】：碩士

圖2-1LSTM模型結(jié)構(gòu)圖
饕?褪欠治?悴閔窬??嗷チ?擁娜?悖?餿?惴直鶚鞘淙�、�?藏和輸出。但是每一層之間的神經(jīng)元之間是互不相關(guān)的。而RNN循環(huán)神經(jīng)網(wǎng)絡的特別之處就在于RNN循環(huán)神經(jīng)網(wǎng)絡的隱藏層的輸入既有當前時刻的輸入，又有上一時刻隱藏層的輸出，也就是說，上一次的輸出會直接作為下一次的輸入。這種鏈式的特....

圖2-2LDA模型關(guān)系圖
，每一個主題的概率是多少，每個主題都有哪些詞，每一個詞的概率是多少。LDA模型首先要忽略詞在文檔中的順序進而將文檔的文本信息轉(zhuǎn)化成可以用于建模的數(shù)字信息。LDA模型中的三層關(guān)系可以表示為圖2-2所示,p(詞語|文檔)=p(主題|文檔)×p(詞語|主題)。其中P(詞語|文檔)是已知....

圖3-1店鋪占比圖
11這些品牌店鋪的文本評論數(shù)據(jù)進行采集，包括該評論的評論時間以及評論的文本內(nèi)容等字段。2、統(tǒng)計分析對經(jīng)過網(wǎng)絡爬蟲得到的的所有數(shù)據(jù)進行傳統(tǒng)統(tǒng)計分析，如圖3-1所示，在所挑選的43家售賣電話手表的店鋪中直營店、授權(quán)店和旗艦店的比例比較平均，品牌授權(quán)店占比略大有17家，旗艦店有15家，....

圖3-2店鋪統(tǒng)計圖
11這些品牌店鋪的文本評論數(shù)據(jù)進行采集，包括該評論的評論時間以及評論的文本內(nèi)容等字段。2、統(tǒng)計分析對經(jīng)過網(wǎng)絡爬蟲得到的的所有數(shù)據(jù)進行傳統(tǒng)統(tǒng)計分析，如圖3-1所示，在所挑選的43家售賣電話手表的店鋪中直營店、授權(quán)店和旗艦店的比例比較平均，品牌授權(quán)店占比略大有17家，旗艦店有15家，....

本文編號：3890294