發(fā)布時(shí)間：2017-10-05 21:24

  本文關(guān)鍵詞：基于DDAG-SVM的在線商品評(píng)論可信度預(yù)測(cè)研究

  更多相關(guān)文章： 在線商品評(píng)論 評(píng)論可信度 文本分類 支持向量機(jī) DDAG-SVM

【摘要】：在線商品評(píng)論作為一類重要的電子口碑,大大地降低了消費(fèi)者與在線商家之間的信息不對(duì)稱程度,在消費(fèi)者的在線購(gòu)物活動(dòng)中發(fā)揮了重要作用。但當(dāng)前大數(shù)據(jù)環(huán)境下,很多熱門(mén)產(chǎn)品評(píng)論數(shù)量多達(dá)數(shù)萬(wàn)甚至數(shù)十萬(wàn),并且質(zhì)量參差不齊,這給消費(fèi)者通過(guò)閱讀電子口碑來(lái)降低對(duì)產(chǎn)品或服務(wù)的不確定性帶來(lái)了嚴(yán)重的“信息過(guò)載”困擾。因此,本文在分析在線商品評(píng)論可信度影響因素的基礎(chǔ)上,基于決策導(dǎo)向無(wú)環(huán)圖支持向量機(jī)(Support Vector Machine Based Decision Directed Acyclic Graph, DDAG-SVM)模型實(shí)現(xiàn)了對(duì)在線商品評(píng)論可信度的預(yù)測(cè)。本文首先從消費(fèi)者在線購(gòu)物后發(fā)布自身對(duì)商品或服務(wù)意見(jiàn)的動(dòng)機(jī)研究入手,并梳理了該行為對(duì)其他消費(fèi)者在線購(gòu)物活動(dòng)及整個(gè)電子商務(wù)交易活動(dòng)的影響,接著分別從評(píng)論可信度研究,評(píng)論意見(jiàn)挖掘研究以及文本分類研究等幾個(gè)方面展開(kāi)綜述。然后對(duì)虛假在線商品評(píng)論形成過(guò)程中的4類形成路徑主體,6種形成路徑進(jìn)行了詳細(xì)地分析,并得到了各類虛假評(píng)論的主要特點(diǎn)。由此從評(píng)論內(nèi)容、在線評(píng)論者特征和商家特征三個(gè)維度確定了在線商品評(píng)論可信度的10個(gè)影響因素指標(biāo),其中基于細(xì)粒度的商品屬性情感傾向離群度計(jì)算是本文的重要?jiǎng)?chuàng)新點(diǎn)之一。接著,本文在這10個(gè)特征指標(biāo)向量的基礎(chǔ)上提出了基于DDAG-SVM的在線商品評(píng)論可信度預(yù)測(cè)模型。最后,本文基于MATLAB以及LIBSVM,利用淘寶平臺(tái)近5000余條數(shù)據(jù)集對(duì)該模型的準(zhǔn)確度進(jìn)行了對(duì)比測(cè)試,達(dá)到了93.687%的平均分類準(zhǔn)確率。實(shí)驗(yàn)表明,該模型具有較高的準(zhǔn)確率和一定的可行性。本文對(duì)在線商品評(píng)論可信度預(yù)測(cè)模型的研究,進(jìn)一步降低了大數(shù)據(jù)環(huán)境下消費(fèi)者處理信息泛濫問(wèn)題的能力要求,從而輔助消費(fèi)者做出正確的購(gòu)物決策,同時(shí)也有助于進(jìn)一步完善現(xiàn)有電子商務(wù)平臺(tái)評(píng)論挖掘與分析系統(tǒng)。因此本文研究成果對(duì)于完善在線購(gòu)物評(píng)論體系,提升消費(fèi)者在線購(gòu)物體驗(yàn),正確評(píng)價(jià)商家商品或服務(wù)具有較為重要的理論和實(shí)踐意義。
【關(guān)鍵詞】：在線商品評(píng)論 評(píng)論可信度 文本分類 支持向量機(jī) DDAG-SVM
【學(xué)位授予單位】：華中師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：F724.6;F713.55
【目錄】：

• 摘要6-7
• Abstract7-10
• 1 緒論10-14
• 1.1 研究背景10-11
• 1.2 研究意義11
• 1.3 本文的內(nèi)容結(jié)構(gòu)11-13
• 1.4 研究的創(chuàng)新點(diǎn)13-14
• 2 在線商品評(píng)論研究綜述14-28
• 2.1 在線商品評(píng)論形成動(dòng)因及影響研究14-17
• 2.1.1 在線商品評(píng)論形成動(dòng)因14-15
• 2.1.2 在線商品評(píng)論影響研究15-17
• 2.2 在線商品評(píng)論可信度研究17-19
• 2.2.1 在線商品評(píng)論可信度影響因素17-18
• 2.2.2 在線商品評(píng)論可信度預(yù)測(cè)模型18-19
• 2.3 在線商品評(píng)論的意見(jiàn)挖掘研究19-22
• 2.3.1 在線商品評(píng)論的產(chǎn)品特征挖掘20-21
• 2.3.2 在線商品評(píng)論的情感傾向挖掘21-22
• 2.4 文本分類研究22-28
• 2.4.1 文本預(yù)處理22-23
• 2.4.2 文本表示23
• 2.4.3 特征選擇降維23-24
• 2.4.4 分類算法24-26
• 2.4.5 分類性能評(píng)估26-28
• 3 在線商品評(píng)論可信度影響因素分析28-36
• 3.1 虛假在線商品評(píng)論特征分析28-32
• 3.1.1 虛假在線商品評(píng)論形成過(guò)程28-31
• 3.1.2 各類型虛假評(píng)論的特點(diǎn)31-32
• 3.2 在線商品評(píng)論可信度特征指標(biāo)構(gòu)建32-36
• 3.2.1 基于評(píng)論內(nèi)容的特征指標(biāo)32-33
• 3.2.2 基于評(píng)論者的特征指標(biāo)33-34
• 3.2.3 基于商家的特征指標(biāo)34-36
• 4 基于DDAG-SVM的在線商品評(píng)論可信度預(yù)測(cè)模型36-52
• 4.1 支持向量機(jī)簡(jiǎn)述36-42
• 4.1.1 支持向量機(jī)基本原理36-40
• 4.1.2 支持向量機(jī)多分類算法40-42
• 4.2 基于DDAG-SVM的評(píng)論可信度預(yù)測(cè)算法設(shè)計(jì)42-46
• 4.2.1 算法思想42-43
• 4.2.2 算法步驟43-46
• 4.3 基于商品屬性的評(píng)論情感傾向離群度評(píng)估46-52
• 4.3.1 評(píng)論商品相關(guān)屬性抽取46-49
• 4.3.2 基于細(xì)粒度的評(píng)論情感傾向離群度評(píng)估算法49-52
• 5 基于DDAG-SVM的在線商品評(píng)論可信度預(yù)測(cè)實(shí)驗(yàn)52-57
• 5.1 樣本數(shù)據(jù)的獲取與標(biāo)注52-53
• 5.2 模型實(shí)現(xiàn)53-55
• 5.2.1 樣本數(shù)據(jù)格式化處理53-54
• 5.2.2 分類器構(gòu)建54-55
• 5.3 實(shí)驗(yàn)結(jié)果對(duì)比分析55-57
• 6 總結(jié)和展望57-58
• 附錄58-62
• 參考文獻(xiàn)62-67
• 攻讀學(xué)位期間所取得的相關(guān)科研成果67-68
• 致謝68

【相似文獻(xiàn)】

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 陳燕方;基于DDAG-SVM的在線商品評(píng)論可信度預(yù)測(cè)研究[D];華中師范大學(xué);2016年

，

本文編號(hào)：978897