本文選題：在線評論　切入點：缺陷識別　出處：《哈爾濱工業(yè)大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：隨著大數(shù)據(jù)時代來臨,各種社交網(wǎng)絡(luò)如微信朋友圈、微博、知乎、貼吧等、電子商務(wù)購物網(wǎng)站如京東、天貓、網(wǎng)易優(yōu)選等平臺的興起,通過網(wǎng)絡(luò)平臺表達(dá)用戶的觀點和情感,分享個人經(jīng)歷等已經(jīng)越來越普遍。近幾年來,電子商務(wù)領(lǐng)域也為家電行業(yè)帶來了生機(jī),家電產(chǎn)品的質(zhì)量問題也慢慢顯露。如果能盡早地發(fā)現(xiàn)產(chǎn)品缺陷,就可以最大程度減少企業(yè)產(chǎn)品缺陷對用戶和企業(yè)品牌帶來的傷害。用戶在購買商品后通常會在網(wǎng)上留下評價,可以從這些海量的無結(jié)構(gòu)化文本中發(fā)現(xiàn)產(chǎn)品缺陷。由于現(xiàn)有的中文環(huán)境下產(chǎn)品缺陷識別模型中有監(jiān)督學(xué)習(xí)方法人工標(biāo)注效率低,以及半監(jiān)督學(xué)習(xí)基于分歧的Tri-training分類算法性能不夠好,改善產(chǎn)品識別分類算法的效果對中文環(huán)境下網(wǎng)絡(luò)評論下進(jìn)行企業(yè)產(chǎn)品質(zhì)量管理有著一定的借鑒意義。為了從互聯(lián)網(wǎng)環(huán)境下的用戶評論中分析出企業(yè)產(chǎn)品缺陷內(nèi)容,本文通過分析前人所做出的模型和方法,構(gòu)建本文的基于互聯(lián)網(wǎng)環(huán)境下在線評論的產(chǎn)品缺陷識別模型框架,包含數(shù)據(jù)準(zhǔn)備、文本分類和文本聚類。根據(jù)家電產(chǎn)品缺陷識別的特點,選擇基于分歧的半監(jiān)督分類Co-forest算法建立評論分類模型,對基于互聯(lián)網(wǎng)環(huán)境下在線評論的家電行業(yè)產(chǎn)品評論識別缺陷,得到包含缺陷的產(chǎn)品評論。對文本分類后包含缺陷的評論再使用針對短文本評論的BTM主題聚類算法對缺陷評論進(jìn)行主題聚類,得到缺陷主題、主題描述詳情及占比。通過某品牌的一款暢銷除濕機(jī),對上述研究進(jìn)行了相關(guān)實驗。研究結(jié)果表明,本文提出使用Co-forest算法與現(xiàn)有的有監(jiān)督分類產(chǎn)品缺陷識別方法和Tri-training分類算法相互比較,Co-forest算法具有較高的算法準(zhǔn)確率和召回率。并且對Co-forest算法識別出的缺陷評論再基于主題模型BTM算法進(jìn)行缺陷主題聚類,得到可被產(chǎn)品缺陷管理人員理解的缺陷主題結(jié)果。本文對國內(nèi)家電行業(yè)產(chǎn)品缺陷進(jìn)行分析,拓展了社會媒體挖掘研究范圍,在一定程度上能協(xié)助企業(yè)在生產(chǎn)設(shè)計、質(zhì)量管理等方向根據(jù)產(chǎn)品缺陷反饋及時處理。
[Abstract]:With the advent of big data, the rise of various social networks, such as the WeChat Moments, Weibo, Weibo, Tiefa, etc., and the rise of e-commerce shopping websites, such as #china_person鈪，

本文編號：1645637