發(fā)布時間：2019-10-18 11:26

【摘要】：在電子商務平臺,用戶評論為用戶提供了豐富的意見乃至購物導向,影響著用戶的購物決策。而隨著電子商務的發(fā)展和越來越多的用戶參與其中,在線評論的數(shù)量急劇增長,用戶難以從海量的評論中攝取有用的信息借以對產(chǎn)品的各方面有所了解,更難以從龐雜的信息流中對可靠和有用的評論加以識別。近年來針對評論的研究主要涉及垃圾評論、評論質(zhì)量和評論摘要三個方面。垃圾評論通過發(fā)掘特征基于機器學習方法都能較好識別,評論摘要和評論質(zhì)量是多年來研究領域一直討論的問題,是在線網(wǎng)絡平臺對評論的不同組織方式。本文針對評論摘要和評論質(zhì)量研究中存在的問題,主要完成了以下工作:(1)針對傳統(tǒng)基于句法分析在不規(guī)范評論文本中的缺陷和主題模型應用于產(chǎn)品特征提取中的問題,提出了基于句法分析和主題模型結合的改進LDA模型SA-LDA進行產(chǎn)品特征抽取。(2)對于特征詞的聚類,結合語義相似度和觀點相似度的方法對特征詞之間的距離進行度量。(3)利用句法分析得到的特征集和觀點集對觀點句進行識別,作為主題模型的輸入,并結合must-link和cannot-link兩種約束條件進行主題學習,保證了模型的準確率。(4)探索評論摘要與評論有用性之間的聯(lián)系,基于相同觀點具有一致有用性的思想,提出一個無監(jiān)督模型OSUD通過觀點支持度對評論的有用性進行預測。(5)挖掘評論回復信息對觀點支持度以及評論有用性的影響,評論回復表征了用戶針對產(chǎn)品某方面特征的意見表述,比評論有用投票更具參考價值。本文的實驗數(shù)據(jù)從中關村網(wǎng)站獲取,通過人工標記數(shù)據(jù)的方式構造數(shù)據(jù)集,實驗證明本文的特征提取方法在保證較好召回率的同時對準確率也有所提升,且對于部分隱式特征也能較好抽取�；谟^點支持度的評論有用性模型在保證有效性的同時能夠?qū)嶒灲Y果提供很好的解釋。
【圖文】：

重慶大學碩士學位論文 1 緒 論1 緒 論1.1研究背景及意義1.1.1 研究背景中國互聯(lián)網(wǎng)絡信息中心（CNNIC）2016 年 1 月發(fā)布了《第 37 次中國互聯(lián)網(wǎng)發(fā)展狀況統(tǒng)計報告》[1]，報告顯示，2015 年新增網(wǎng)民近四千萬人，如今網(wǎng)民規(guī)模已達 6.88 億，互聯(lián)網(wǎng)普及率已超過百分之五十，較 2014 年底提升了 2.4 個百分點。如圖 1.1 所示。

品進行改進和提升，從而提高產(chǎn)品在市場中的競爭力；用戶通過評論可以快速對產(chǎn)品各個方面有所了解，并且通過產(chǎn)品的性能評價對比，為用戶購物決策帶來方便。此外，也有商家利用評論信息對消費者進行誤導，通過發(fā)表垃圾評論信息推廣自己的產(chǎn)品或詆毀競爭對手的產(chǎn)品；同時，消費者所發(fā)表的評論信息質(zhì)量良莠不齊，不同用戶也會關注產(chǎn)品不同方面的特性，于是產(chǎn)生了信息洪災，使用戶難以便捷地獲取對自己有用的評論數(shù)據(jù)，也難以辨別評論內(nèi)容的可信度。這就需要一種有效合理的方法對海量評論信息進行挖掘和分析，進而有效地對評論進行組織。目前，電商網(wǎng)站大都提供兩種評論組織方式，即評論排序和評論摘要。評論排序用于將評論按照某種順序進行列表展示，，許多網(wǎng)站基于時間和有用投票率兩種方式對評論進行排序顯示，但效果并不理想。林煜明等提到，按時間排序可能會使得許多高質(zhì)量的評論排序靠后，且不能識別垃圾評論，評論質(zhì)量難以保證；而按有用性得票率排序則可能存在得票不公平的問題，因為用戶更傾向于投有用的票，且新產(chǎn)生的評論投票較少難以區(qū)分[3]。 如此，“評論挖掘”技術應運而生。
【學位授予單位】：重慶大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.1

【參考文獻】

相關期刊論文 前6條

1 周紅慶;吳揚揚;;中文客戶評論對象特征的抽取與聚類方法[J];微型機與應用;2014年15期

2 黃婷婷;曾國蓀;熊煥亮;;基于商品特征關聯(lián)度的購物客戶評論可信排序方法[J];計算機應用;2014年08期

3 靳健;季平;;用于在線產(chǎn)品評論質(zhì)量分析的Co-training算法[J];上海大學學報(自然科學版);2014年03期

4 林煜明;王曉玲;朱濤;周傲英;;用戶評論的質(zhì)量檢測與控制研究綜述[J];軟件學報;2014年03期

5 扈中凱;鄭小林;吳亞峰;陳德人;;基于用戶評論挖掘的產(chǎn)品推薦算法[J];浙江大學學報(工學版);2013年08期

6 劉海濤;依存語法和機器翻譯[J];語言文字應用;1997年03期

本文編號：2551060