近幾年的高速增長點則集中在社會媒體上,微博微信等網絡社交媒體的雨后春筍般興起,讓人們可以隨時隨地分享自己的生活、對熱點的關注以及對時事的觀點,人們的生活隨著社會媒體的普及變得更加互聯(lián)互通、共話共享。本文以微博為例,用戶在微博上通過140字以內的短文本表達自己的想法,通過深度挖掘、條分縷析用戶的微博文本來識別用戶的消費意圖。本文中定義消費意圖為用戶對于商品或者服務,表現(xiàn)出來的購買意向。通過發(fā)掘識別用戶消費意圖,可以將分析預測結果多角度多維度應用于商業(yè)推廣和業(yè)績預測等領域。例如在推薦系統(tǒng)中,如果發(fā)現(xiàn)用戶具有消費意圖,就可以精準的定向推薦給用戶對應的內容,創(chuàng)造商業(yè)價值;在電影上映或商品發(fā)布的時候,相關文本中具有消費意圖的比重可以反映用戶對于它們的需求,為下一步的判斷提供依據;在分析預測用戶的消費行為時,首先需要確定用戶是否具有消費意圖,在判斷清楚消費意圖的基礎上進一步的研究才具有價值。傳統(tǒng)的消費意圖識別方式是根據用戶可能具有的不同的消費意圖,構建特定的模版進行匹配。本文收集微博用戶在電影領域領域的微博文本,將消費意圖問題看作一個文本分類問題,首先采用支持向量機的方式對消費意圖進行識別,解決了... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：52 頁

【學位級別】：碩士

【部分圖文】：

SVM分類示意圖

圖 3 1 所示，主要分為特征工程和分類器兩部分。圖 3 1 文本分類的基本過程在上述模型中，特征工程是非常重要的一個部分，這部分工作十分耗費精力。在機器學習方法特征工程完成了數(shù)據到信息的轉換過程，其決定了最終結果的上限，而分類器則是信息到數(shù)據的轉換過程，其引導結果不斷靠近這一上

圖 3-2 NNLM 的網絡結構神經網絡語言模型(，    )，該模型分布式方法表示文本，訓練得到了連續(xù)的實數(shù)向量表示的詞向量（）。圖 3 2 的網絡訓練得到的矩陣 就是表示詞語含義的詞向量。該矩陣是訓練過程中的一個副產物，但是結構的設計使其與詞語一一對應，在

【參考文獻】：
期刊論文
[1]面向社會媒體的消費意圖識別:任務、挑戰(zhàn)與機遇[J]. 付博,劉挺.  智能計算機與應用. 2015(04)

碩士論文
[1]基于微博的消費意圖挖掘[D]. 陳浩辰.哈爾濱工業(yè)大學 2014
[2]面向微博的消費意圖識別[D]. 焦揚.哈爾濱工業(yè)大學 2013
[3]面向微博的消費意圖挖掘與分類[D]. 高漢東.哈爾濱工業(yè)大學 2012



本文編號：3142219