在線購物已成為最主流的消費方式之一,用戶在電商平臺發(fā)表的評論往往帶有對商品的購買體驗和情感觀點。然而群體用戶對商品評論的動態(tài)性導(dǎo)致情感趨勢隨時間發(fā)生變化,如何高效挖掘評論中潛在的情感觀點,分析和預(yù)測群體用戶對商品的真實情感傾向,從而輔助商家精準地定位用戶需求,是促進電子商務(wù)發(fā)展的關(guān)鍵問題�，F(xiàn)有情感趨勢預(yù)測方法主要從單一用戶角度獲取情感趨勢,難以深層次挖掘群體用戶評論對商品的情感趨勢變化,導(dǎo)致預(yù)測準確率低。本文從特征提取、情感分析、時序情感趨勢預(yù)測三方面入手,提出一種面向群體用戶的情感趨勢預(yù)測方法。其主要研究工作包括以下幾個方面:（1）為提高特征詞提取精準度,針對傳統(tǒng)TF-IDF算法存在的過度依賴詞頻計算特征詞權(quán)重問題,提出一種基于多特征因素相融合的文本特征提取方法。首先,利用傳統(tǒng)算法計算特征詞權(quán)重;其次引入特征詞位置和詞性因子對TF-IDF算法權(quán)重進行重新分配和排序;最后融合三個結(jié)果計算更新特征詞的權(quán)重。實驗表明,優(yōu)化后的TF-IDF算法的特征詞提取精確度相對提高了1.6%。（2）為改善情感分類準確率較低問題,設(shè)計了一種基于多維情感特征向量的多層感知器（MLP）網(wǎng)絡(luò)模型。首先,結(jié)合優(yōu)化... 

【文章來源】：西北大學(xué)陜西省 211工程院校

【文章頁數(shù)】：81 頁

【學(xué)位級別】：碩士

【部分圖文】：

網(wǎng)絡(luò)購物和手機網(wǎng)絡(luò)購物用戶規(guī)模及使用率

購物作為電商模式的典型代表，對傳統(tǒng)銷售模式造成了不可避免的沖擊模式能夠完全打破傳統(tǒng)銷售的時間和空間制約，讓用戶享受到更為便捷也擴大了可供用戶選擇的商品種類范圍，進而選出更加物美價廉的商品進行網(wǎng)絡(luò)購物之后，通常會根據(jù)自身的購買體驗和商品實際需求度進行同時也會對商品及商家服務(wù)等信息進行滿意度評分。根據(jù)《2017 年用查分析報告》發(fā)現(xiàn)[5]，71.9%的用戶網(wǎng)絡(luò)購物時會參考用戶評論信息，且 過查看文字描述來了解商品，如圖 2 所示。通過閱讀這些文字性評論信了解到以往用戶對該商品的直觀評價，對自身購買意向做出決策[6,7,8]。同所對應(yīng)的用戶評論數(shù)量龐大，如果只分析每一條單個用戶的評論，是不考意義的。因此，將每一條單個用戶評論按照時間維度綜合為群體用戶評這些潛在的評論信息，分析群體用戶對商品的情感傾向變化，不僅能為提供輔助購買意圖的直觀性意見，也能夠幫助商家定位群體用戶的需求感趨勢變化等信息，進而輔助商家做出營銷指導(dǎo)性策略。

Python TensorFlow1.3.0 框架+Python3.5 版本硬件環(huán)境 CPU Intel(R) Core(TM) i5-4590 @3.30GHz內(nèi)存 8G硬盤 1TB3.5.1 數(shù)據(jù)集處理為了驗證模型的真實有效性，實驗通過網(wǎng)絡(luò)爬蟲獲取了京東平臺上手機評論信息。時間范圍在 2017 年 6 月至 2017 年 10 月之間，選取屬性主要包括商品編號、用戶評分、評論時間和評論信息，最終獲得評論數(shù)據(jù)量達 44010 條。由于少數(shù)商品對應(yīng)的評論信息數(shù)量極少，因此，實驗篩選了評論條數(shù)大于 500 條以上的商品信息，其中包含37 種類型的商品數(shù)據(jù)，最終評論數(shù)據(jù)規(guī)模達 38801 條，如圖 12 所示。此外，整個實驗過程將數(shù)據(jù)集分為兩個部分，按照 7:3 的比例進行劃分，第一部分數(shù)據(jù)集用作本章和第四章的實驗驗證，總規(guī)模達到 27161 條，第二部分數(shù)據(jù)集用作第五章的實驗環(huán)節(jié)，數(shù)據(jù)規(guī)模達 11640 條。

【參考文獻】：
期刊論文
[1]多特征關(guān)鍵詞提取算法研究[J]. 王潔,王麗清.  計算機系統(tǒng)應(yīng)用. 2018(07)
[2]基于多通道卷積神經(jīng)網(wǎng)絡(luò)的中文微博情感分析[J]. 陳珂,梁斌,柯文德,許波,曾國超.  計算機研究與發(fā)展. 2018(05)
[3]OPEN:一個基于評論的商品特征抽取及情感分析框架[J]. 卿勇,劉夢娟,薛浩,劉冰冰,秦志光.  計算機應(yīng)用與軟件. 2018(01)
[4]基于屬性特征的評論文本情感極性量化分析[J]. 李慧,柴亞青.  數(shù)據(jù)分析與知識發(fā)現(xiàn). 2017(10)
[5]基于漢語組塊產(chǎn)品特征——觀點對提取與情感分析研究[J]. 劉臣,韓林,李丹丹,安詠雪,霍良安.  計算機應(yīng)用研究. 2017(10)
[6]一種基于聯(lián)合深度學(xué)習(xí)模型的情感分類方法[J]. 楊艷,徐冰,楊沐昀,趙晶晶.  山東大學(xué)學(xué)報(理學(xué)版). 2017(09)
[7]融合多特征的TextRank關(guān)鍵詞抽取方法[J]. 李航,唐超蘭,楊賢,沈婉婷.  情報雜志. 2017(08)
[8]一種基于多特征因子改進的中文文本分類算法[J]. 葉敏,湯世平,牛振東.  中文信息學(xué)報. 2017(04)
[9]基于未登錄詞識別的微博評價短語抽取方法[J]. 汪龍慶,張超,宋暉,劉振宇.  計算機應(yīng)用與軟件. 2017(06)
[10]基于神經(jīng)網(wǎng)絡(luò)模型的產(chǎn)品屬性情感分析[J]. 劉新星,姬東鴻,任亞峰.  計算機應(yīng)用. 2017(06)

博士論文
[1]面向社交網(wǎng)絡(luò)的群體分析關(guān)鍵技術(shù)研究[D]. 張魯民.國防科學(xué)技術(shù)大學(xué) 2015

碩士論文
[1]中文文本情感分析中的特征選擇和權(quán)重研究[D]. 蘇煜宇.南京郵電大學(xué) 2017
[2]基于時序分析的移動用戶情感預(yù)測研究與應(yīng)用[D]. 曹瑞.西北大學(xué) 2017
[3]中文短文本未登錄詞發(fā)現(xiàn)及情感分析方法研究[D]. 陳守欽.北京工業(yè)大學(xué) 2017
[4]社交網(wǎng)絡(luò)中個體情感反應(yīng)機制和群體情感預(yù)測研究[D]. 潘杰.華中科技大學(xué) 2016
[5]基于中文在線評論的產(chǎn)品特征提取與情感分析研究[D]. 周立鳳.東南大學(xué) 2016
[6]基于群體智能的微博公眾情感預(yù)測方法[D]. 劉志江.華中科技大學(xué) 2015
[7]基于用戶評論的群體情緒識別與演化研究[D]. 劉其.東華大學(xué) 2015
[8]基于情感詞詞典的中文句子情感傾向分析[D]. 潘文彬.北京郵電大學(xué) 2011



本文編號：3221848