本文關(guān)鍵詞：基于消費(fèi)意圖和情感分析的票房預(yù)測(cè)建模，由筆耕文化傳播整理發(fā)布。

【摘要】：微博作為一種新興的社交媒體,已經(jīng)積累了大量的用戶和影響力。微博不斷增加的在線評(píng)論正在極大影響著傳統(tǒng)的市場(chǎng)決策,使得文本挖掘成為商業(yè)界和學(xué)術(shù)界共同的熱點(diǎn)話題。用戶的每一條評(píng)論所匯聚成的集體智慧,不僅含有對(duì)某種商品的購(gòu)買意愿,即消費(fèi)意圖,此外,微博平臺(tái)上包含著用戶對(duì)商品各方面評(píng)價(jià)的用戶評(píng)論也影響消費(fèi)者的購(gòu)買決策。這些包含消費(fèi)意圖和情感傾向的數(shù)據(jù)對(duì)科學(xué)研究和商業(yè)應(yīng)用有著極高的價(jià)值。本文以微博中電影主創(chuàng)人員的電影評(píng)論為研究對(duì)象,重點(diǎn)關(guān)注評(píng)論中的消費(fèi)意圖和情感信息挖掘,并探討將這種信息用于票房預(yù)測(cè)。具體來(lái)說(shuō)本文的工作主要包括以下五個(gè)方面:(1)對(duì)消費(fèi)意圖分類進(jìn)行重定義:在微博評(píng)論中即便用戶表達(dá)出了消費(fèi)意圖,也不一定代表會(huì)有消費(fèi)行為,因?yàn)橄M(fèi)意圖正例包括顯式消費(fèi)意圖和隱式消費(fèi)意圖。因此,本文將消費(fèi)意圖正例定義為顯示消費(fèi)意圖,即明確表明要進(jìn)行消費(fèi)的用戶。(2)對(duì)情感分類標(biāo)準(zhǔn)進(jìn)行重定義:由于正面評(píng)論的數(shù)量和票房之間沒(méi)有直接的關(guān)系。因此本文首先假設(shè)如果有更多的微博評(píng)論是和票房增長(zhǎng)相關(guān),則電影的票房會(huì)更好�；谶@個(gè)假設(shè)將經(jīng)過(guò)主客觀分類的微博評(píng)論分為3類:正面評(píng)論即消費(fèi)意圖正例;中性評(píng)論即對(duì)影片、演員等表達(dá)積極情感的評(píng)論;負(fù)面評(píng)論是對(duì)劇情、演技等表達(dá)負(fù)面或者消極的情感。(3)基于SVM的消費(fèi)意圖挖掘:本文提出了基于SVM的消費(fèi)意圖分類算法,首先通過(guò)對(duì)微博語(yǔ)料的觀察,定義消費(fèi)意圖正例的2類特征;然后采用人工標(biāo)注的方式獲得消費(fèi)意圖正例;將定義的2類特征用來(lái)表示評(píng)論文本并訓(xùn)練出消費(fèi)意圖分類模型,并利用該模型對(duì)給定的微博評(píng)論進(jìn)行消費(fèi)意圖分類;最后將分類結(jié)果與人工標(biāo)注的結(jié)果對(duì)比,準(zhǔn)確率高達(dá)73%。(4)基于SVM的情感分類:為了對(duì)評(píng)論中的信息進(jìn)行挖掘,本文首先對(duì)已有的情感資源加以概括和總結(jié),使用擴(kuò)展的點(diǎn)互信息算法(SO-PMI)判斷候選詞的情感類別,自動(dòng)獲得領(lǐng)域詞典,構(gòu)建一個(gè)面向微博電影評(píng)論的情感詞典。然后,由于微博表達(dá)方式的多元化,首先對(duì)評(píng)論文本進(jìn)行預(yù)處理,采用情感詞作為特征選擇;最后使用Libsvm進(jìn)行情感分類。(5)將消費(fèi)意圖和情感分析用于票房預(yù)測(cè):本文探討了將消費(fèi)意圖和情感分析應(yīng)用于票房預(yù)測(cè),并使用線性回歸模型和SVR分別進(jìn)行了實(shí)驗(yàn)。結(jié)果表明,融入了消費(fèi)意圖的模型在首映周有更好的預(yù)測(cè)效果,其對(duì)首映周的票房解釋能力高達(dá)87%。此外,本文提出的模型和Baseline實(shí)驗(yàn)對(duì)比,首映周相對(duì)誤差絕對(duì)值降低了24個(gè)百分點(diǎn);總票房的相對(duì)誤差絕對(duì)值降低了14個(gè)百分點(diǎn)。
【關(guān)鍵詞】：消費(fèi)意圖 情感分析 票房預(yù)測(cè) 支持向量機(jī) 線性回歸模型
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：J943;F713.55
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 1 緒論11-21
• 1.1 研究背景及意義11-12
• 1.2 研究現(xiàn)狀12-18
• 1.2.1 票房預(yù)測(cè)研究現(xiàn)狀12-15
• 1.2.2 消費(fèi)意圖研究現(xiàn)狀15-16
• 1.2.3 情感分析研究現(xiàn)狀16-18
• 1.3 本文工作18-19
• 1.4 本文結(jié)構(gòu)19-20
• 1.5 本章小結(jié)20-21
• 2 相關(guān)概念及技術(shù)21-33
• 2.1 微博相關(guān)概述21-22
• 2.1.1 微博的定義及發(fā)展21
• 2.1.2 微博文本中的符號(hào)21-22
• 2.1.3 中文微博研究中的難點(diǎn)22
• 2.2 文本預(yù)處理22-27
• 2.2.1 中文分詞22-26
• 2.2.2 去掉停用詞26-27
• 2.3 特征選擇27-29
• 2.3.1 詞頻法27-28
• 2.3.2 文檔頻率法28
• 2.3.3 互信息法28-29
• 2.3.4 信息增益法29
• 2.3.5 CHI統(tǒng)計(jì)29
• 2.4 情感分類方法29-32
• 2.4.1 基于詞典和規(guī)則相結(jié)合的方法30
• 2.4.2 基于機(jī)器學(xué)習(xí)的方法30-32
• 2.5 本章小結(jié)32-33
• 3 基于SVM的微博消費(fèi)意圖分類33-36
• 3.1 引入微博消費(fèi)意圖的原因33-34
• 3.2 消費(fèi)意圖語(yǔ)料的獲取與標(biāo)注34
• 3.3 基于SVM的消費(fèi)意圖挖掘34-35
• 3.3.1 問(wèn)題描述34-35
• 3.3.2 微博消費(fèi)意圖分類35
• 3.4 本章小結(jié)35-36
• 4 微博情感詞典構(gòu)建和情感極性分類36-46
• 4.1 情感詞典相關(guān)介紹36-38
• 4.1.1 情感術(shù)語(yǔ)說(shuō)明36
• 4.1.2 情感詞典的重要性36-37
• 4.1.3 微博情感詞典的構(gòu)成37-38
• 4.2 情感詞典的構(gòu)建38-44
• 4.2.1 基礎(chǔ)情感詞典38
• 4.2.2 網(wǎng)絡(luò)用語(yǔ)情感詞典38-39
• 4.2.3 表情符號(hào)情感詞典39-40
• 4.2.4 否定詞詞典40-41
• 4.2.5 領(lǐng)域情感詞典41-44
• 4.3 基于SVM的中文微博情感極性分類44-45
• 4.3.1 文本表示模型44
• 4.3.2 基于SVM的中文微博情感極性分類44-45
• 4.4 本章小結(jié)45-46
• 5 基于消費(fèi)意圖和情感分析的票房預(yù)測(cè)46-55
• 5.1 問(wèn)題引出46-49
• 5.1.1 前向建模法46-47
• 5.1.2 研究假設(shè)47-49
• 5.2 預(yù)測(cè)模型49
• 5.2.1 基于線性回歸的票房預(yù)測(cè)模型49
• 5.2.2 基于SVR的票房預(yù)測(cè)模型49
• 5.3 實(shí)驗(yàn)結(jié)果與分析49-54
• 5.3.1 數(shù)據(jù)準(zhǔn)備49-50
• 5.3.2 評(píng)價(jià)指標(biāo)50-51
• 5.3.3 實(shí)驗(yàn)設(shè)計(jì)51
• 5.3.4 結(jié)果分析51-54
• 5.4 本章小結(jié)54-55
• 6 總結(jié)與展望55-57
• 6.1 全文總結(jié)55
• 6.2 進(jìn)一步的研究方向55-57
• 致謝57-58
• 參考文獻(xiàn)58-61
• 附錄 161

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 峻冰;;中國(guó)電影評(píng)論的現(xiàn)狀及未來(lái)[J];電影文學(xué);2006年11期

2 李建強(qiáng);;需要什么樣的電影評(píng)論?[J];電影藝術(shù);2006年01期

3 胡泊;;當(dāng)下電影評(píng)論的迷失與建構(gòu)[J];新疆藝術(shù)學(xué)院學(xué)報(bào);2009年04期

4 王宜文;李t犵，

本文編號(hào)：441474