互聯(lián)網(wǎng)時(shí)代隨著信息技術(shù)的飛速發(fā)展,電子商務(wù)交易模式及線上服務(wù)已風(fēng)靡全球,在電商交易過程中,用戶依賴網(wǎng)絡(luò)口碑進(jìn)行購物決策已成為常態(tài)。然而,隨著用戶生成內(nèi)容的不斷增多,在線評(píng)論作為用戶生成內(nèi)容的形式之一,其數(shù)量也在不斷增長(zhǎng),信息超載的問題逐漸顯現(xiàn),大量涌現(xiàn)的在線評(píng)論會(huì)導(dǎo)致用戶信息搜尋成本變高,消費(fèi)者的決策效率更低,因此從大量評(píng)論中及時(shí)準(zhǔn)確地發(fā)現(xiàn)有價(jià)值的信息變得愈加困難。由于用戶的個(gè)體特征差異和任務(wù)特征差異,用戶的認(rèn)知水平和信息處理模式很難達(dá)成一致,在線評(píng)論信息質(zhì)量感知具有極強(qiáng)的主觀性,因此從大量評(píng)論中再進(jìn)一步尋找高質(zhì)量并且能夠符合用戶感知需求的評(píng)論信息也成為了更大的挑戰(zhàn)。本研究以電子商務(wù)購物網(wǎng)站的在線評(píng)論為研究對(duì)象,以在線評(píng)論信息質(zhì)量感知為研究核心,主要擬解決以下幾個(gè)問題:1.從信息處理視角出發(fā),構(gòu)建了在線評(píng)論信息質(zhì)量感知機(jī)理模型;2.應(yīng)用信息豐富度理論,檢驗(yàn)了信息豐富度、情感極性和產(chǎn)品類型三個(gè)影響因素在不同水平下,每個(gè)影響因素對(duì)在線評(píng)論信息質(zhì)量感知的不同影響方向;3.基于耶魯態(tài)度改變模型和線索利用理論,從評(píng)論信息的媒介、評(píng)論信息的內(nèi)容、評(píng)論信息的來源方面,結(jié)合評(píng)論信息的接收者,構(gòu)建了在線... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：219 頁

【學(xué)位級(jí)別】：博士

【部分圖文】：

技術(shù)路線圖

25示了用戶生成內(nèi)容、網(wǎng)絡(luò)口碑和在線評(píng)論三者的關(guān)系。圖2.1用戶生成內(nèi)容、網(wǎng)絡(luò)口碑和在線評(píng)論三者的關(guān)系圖2.1.3在線評(píng)論的作用Park等（2007）認(rèn)為，在線評(píng)論可以同時(shí)為后來的消費(fèi)者充當(dāng)知情者（Informant）和推薦者（Recommender）兩個(gè)角色[1]。（1）知情者。在線網(wǎng)站上的產(chǎn)品評(píng)論是產(chǎn)品信息的重要來源，與產(chǎn)品評(píng)論相關(guān)的同行評(píng)論具有信息參考價(jià)值，它可以滿足購物者的功利目標(biāo)[2]。在線購物者在做出購買決定時(shí)通常都會(huì)認(rèn)為未知消費(fèi)者發(fā)布的在線評(píng)論比賣家描述的產(chǎn)品信息更有價(jià)值。（2）推薦者。在線評(píng)論幫助用戶獲取產(chǎn)品知識(shí)、進(jìn)行價(jià)格比較，將風(fēng)險(xiǎn)最小化，因此能夠使用戶迅速做出明智的決定，消費(fèi)者通過瀏覽不同的評(píng)論以認(rèn)知地評(píng)估與產(chǎn)品相關(guān)的提示。消費(fèi)者能夠主動(dòng)收集信息并分享意見，因此消費(fèi)者不再是產(chǎn)品信息的被動(dòng)接收者，而是這些信息的積極生成者和分發(fā)者。O’Neil和Eisenmann（2017）研究了各種信息渠道的有效性，這些渠道最終會(huì)影響信息的可信度。他們確定了四種類型的信息渠道，即付費(fèi)渠道（傳統(tǒng)廣告），收入渠道（傳統(tǒng)新聞故事），共享渠道（消費(fèi)者評(píng)論）和自有渠道（公司博客）。其中重要發(fā)現(xiàn)是，消費(fèi)者對(duì)共享渠道（如在線消費(fèi)者評(píng)論或社交媒體）的信任度最高[3]。[1]ParkDH,LeeJ,HanI.TheEffectofOn-LineConsumerReviewsonConsumerPurchasingIntention:TheModeratingRoleofInvolvement[J].InternationalJournalofElectronicCommerce,2007,11(4):125-148.[2]ChiuCM,WangETG,FangYH,etal.Understandingcustomers"repeatpurchaseintentionsinB2Ce-commerce:Therolesofutilitarianvalue,hedonicvalueandperceivedrisk[J].InformationSystemsJournal,2014,24(1):85-114.[3]O’Neil,Julie,EisenmannM.Anexaminationofhowsourceclassi

35圖2.2LDA模型盤子表示法（3）基于詞匯圖模型的關(guān)鍵詞抽�。夯谠~匯圖模型的關(guān)鍵詞抽取主要依據(jù)文本中詞匯的結(jié)構(gòu)信息測(cè)度詞項(xiàng)重要性，不需要對(duì)文檔集進(jìn)行訓(xùn)練，其中TextRank算法為典型代表[1]。TextRank根據(jù)PageRank算法的啟發(fā)而來，它是將文本轉(zhuǎn)化為圖模型，通過迭代計(jì)算出詞的得分，利用投票機(jī)制對(duì)文本中的重要詞語進(jìn)行排序，排名靠前的詞語即為關(guān)鍵詞。其中，將文本轉(zhuǎn)化為圖模型是將文本看成句子集合T={S1,S2,…,Sn}，任一個(gè)句子Si∈T看作詞語的集合Si={W1,W2,…,Wm}，構(gòu)建圖模型G=(V,E)，其中V=S1∪S2∪…∪Sn，當(dāng)兩個(gè)節(jié)點(diǎn)（詞語）共現(xiàn)于任一個(gè)句子時(shí)，則節(jié)點(diǎn)間有邊，否則無邊[2]。2.5.2依存句法分析法國語言學(xué)家Tesniere于1959年在其著作《結(jié)構(gòu)句法基捶中首次提出了依存句法的概念和研究理論[3]，目前依存句法已成為自然語言處理技術(shù)中十分重要的組成部分，在文本挖掘、搜索引擎、機(jī)器翻譯等多個(gè)文本處理與分析領(lǐng)域應(yīng)用廣泛。依存句法分析，又稱依存語法或依賴分析，是針對(duì)給定的句子序列應(yīng)用某一依存語法體系對(duì)自然語言進(jìn)行自動(dòng)分析、構(gòu)建句子對(duì)應(yīng)的依存樹的一種方法[4]。利用依存句法分析，能夠獲知文本的句法結(jié)構(gòu)，得到句子中各個(gè)詞語間的修飾關(guān)系[5]。依存句法分析的優(yōu)勢(shì)是，其更適合描述漢語文本中詞語間句法結(jié)構(gòu)的復(fù)雜關(guān)系，通過依存關(guān)系標(biāo)簽對(duì)文本中深層的句法結(jié)構(gòu)和語義關(guān)系進(jìn)行表示[6]。計(jì)算語言學(xué)中，每一個(gè)依存關(guān)系由核心詞和修飾詞構(gòu)成，而核心詞由一條依[1]MihalceaR,TarauP.TextRank:Bringorderintotexts[C].ProceedingsofEmpiricalMethodsinNaturalLanguageProcessing,Barcelona,Spain.2004:404-411.[2]徐立.基于加權(quán)TextRank的文本關(guān)鍵詞提取方法[J].計(jì)算機(jī)科學(xué),2019,46(S1):142-145.[3]劉海濤.依存語法和機(jī)器翻譯[J].

【參考文獻(xiàn)】：
期刊論文
[1]基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)評(píng)論信息有用性預(yù)測(cè)模型研究[J]. 楊東紅,吳邦安,孫曉春.  情報(bào)科學(xué). 2019(12)
[2]O2O平臺(tái)在線評(píng)論對(duì)消費(fèi)者采納的影響研究[J]. 付躍強(qiáng),夏天添.  技術(shù)經(jīng)濟(jì)與管理研究. 2019(11)
[3]結(jié)合詞向量和詞圖算法的用戶興趣建模研究[J]. 聶卉.  數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn). 2019(12)
[4]基于酒店業(yè)數(shù)據(jù)的用戶生成圖片分享與炫耀動(dòng)機(jī)探究[J]. 孫輕宇,徐健.  管理學(xué)報(bào). 2019(10)
[5]不同文本長(zhǎng)度的體驗(yàn)型產(chǎn)品在線評(píng)論時(shí)間序列研究——以電影評(píng)論為例[J]. 王軍,李子艦,劉瀟蔓.  圖書情報(bào)工作. 2019(16)
[6]基于主題挖掘技術(shù)的文本情感分析綜述[J]. 朱曉霞,宋嘉欣,張曉緹.  情報(bào)理論與實(shí)踐. 2019(11)
[7]基于在線評(píng)論的區(qū)域需求偏好識(shí)別方法[J]. 王安寧,張強(qiáng),彭張林,倪鑫.  中國管理科學(xué). 2019(07)
[8]用戶感知視角下影響知識(shí)付費(fèi)平臺(tái)信息資源質(zhì)量的因素分析[J]. 韓梅.  圖書情報(bào)工作. 2019(13)
[9]基于加權(quán)TextRank的文本關(guān)鍵詞提取方法[J]. 徐立.  計(jì)算機(jī)科學(xué). 2019(S1)
[10]面向多領(lǐng)域多來源文本的漢語依存句法樹庫構(gòu)建[J]. 郭麗娟,彭雪,李正華,張民.  中文信息學(xué)報(bào). 2019(02)

博士論文
[1]在線商品評(píng)論信息質(zhì)量影響因素及提升策略研究[D]. 江彥.華中師范大學(xué) 2018
[2]網(wǎng)絡(luò)社區(qū)交互對(duì)消費(fèi)者購買意愿的影響[D]. 朱東紅.華中科技大學(xué) 2012
[3]認(rèn)知的自然起源與演化研究[D]. 陳劍濤.華中師范大學(xué) 2008

碩士論文
[1]電子商務(wù)使用行為由PC端向移動(dòng)端轉(zhuǎn)移的影響因素研究[D]. 王博.武漢大學(xué) 2018
[2]基于文本分析的在線評(píng)論質(zhì)量評(píng)價(jià)模型研究[D]. 郭銀靈.內(nèi)蒙古大學(xué) 2017
[3]文本的特征提取及KNN分類優(yōu)化問題研究[D]. 劉強(qiáng).華南理工大學(xué) 2009
[4]基于主成分分析的綜合評(píng)價(jià)研究[D]. 張鵬.南京理工大學(xué) 2004



本文編號(hào)：3537880