基于评论的商品改进需求获取方法研究

基于在线商品评论文本中产品特征与观点词的句法依存关系,综合关注度与观点值以及特征修饰词并考虑相关副词对观点词的影响,提出了一种结合用户的关注度和观点值以及特征修饰词来获取商品改进需求的方法。研究表明,该方法能够较好地获取商品的改进需求,可以为企业提供产品设计改进的方向。     

电商用户及时性反馈行为特征及影响因素研究

随着web2.0概念的提出,UGC（用户原创内容）的概念也深入人心。电商用户在平台上的行为特征对消费者本身、潜在消费者、电子商务平台和产品厂商都有着巨大的影响。目前对于电商用户在线评论的研究大部分为针对文本内容的研究,对于用户的反馈及时性的研究较少。通过数据爬取软件对京东商城商品评论字段及其数量进行爬取,来研究电商用户追评及时性反馈行为特征以及影响这些行为特征的因素。利用图表结合的方式来研究电商用户及时性反馈的行为特征,得出其反馈时间规律。利用SPSS对数据进行回归分析,得出其主要影响因素。根据研究结果得到的电商用户及时性反馈行为特征规律及其影响因素可以针对性向平台管理者、评论发布者以及潜在消费者提出建议。     

基于多维特征权重的虚假评论识别方法

在线商品评论是消费者网购决策的重要依据,利益的驱动使得越来越多的网络虚假评论呈现在消费者面前。针对此问题,提出一种多维特征权重的在线虚假评论识别方法。首先,从网购信息有用性角度出发,在商品、评论者和评论内容3个维度中选取9个对评论属类语义贡献大的特征。然后,基于Fisher准则,运用赋予权重的特征构建用于识别虚假评论的方法。试验结果验证了基于多维特征权重的虚假评论识别方法的有效性:多维特征权重方法的准确率、查全率和综合分类率均高于Logistic回归方法和自适应聚类方法     

基于在线评论主流特征观点对的商家信誉维度构建及评价

商家信誉维度是评价商家信誉的基础,但虚假评论信息严重干扰了用户关心的商品特征指标。提出了一种基于主流特征观点对的可信商家信誉信息特征维度的构建方法:首先基于依存句法关系进行主流特征观点对提取,其次对主流特征观点对进行聚类分析。以电子商务平台手机评论为例,构建商家的信誉维度体系并对其进行评价,证明了方法的可行性与有效性。设定不同阈值,针对不同数量的评论所提取的主流特征观点对数目不同,其稳定性也存在一定的差异;基于主流特征观点对构建的商家信誉维度能够较为准确地反映出用户关心的商品指标,并在一定程度上消除虚假评论带来的影响。     

基于用户评论下的生鲜农产品优选排序

现如今电商市场竞争激烈,众多小型垂直类生鲜电商紧紧围绕在京东商城和天猫超市这两大平台上。用户评论铺天盖地,如何减少消费者搜索和筛选的时间成本显得尤为重要。对于生鲜农产品来说,物流服务满意度是关键因素。以京东商城和天猫超市两大综合类电商平台的生鲜商品为例,采集大量的用户评论,从数据中获取物流服务满意度影响因素进行相关度分析并最终得出6个因素,采用机器学习的方法对大量标注文本进行模型训练,通过训练的模型识别待分类文本的情感倾向,建立基于物流服务满意度的商品排序方法,进一步提出威尔逊置信区间的方法修正物流服务满意度用于评论数量分布不均的情形,最后对这2种算法的应用场景作出分析介绍和对比,使商品排序过程中不仅考虑到商品的物流服务满意度,同时也引入评论数量,通过不同的需求和数据情况生成最符合用户期待的排序结果。     

逆变并网中LCL无源阻尼分裂电容设计

产品垃圾评论在一定程度上影响了评论信息的参考价值,本文旨在建立识别模型将垃圾评论从评论文本中剔除,保留真实的产品评论。首先,分析了产品评论的特点,从数据搜集、文本预处理、互信息检验、文本表示4个模块提取了14个特征。然后,利用高互补性建立了基于KNN和Bayes算法的组合分类器模型。最后,利用交叉验证对iPhone 6 Plus的产品评论进行检验,得到评价指标分别为：正确识别率75.3%、召回率82.1%以及F1值77.5%.     

基于社交媒体用户评论的企业竞争情报分析模型研究

在总结用户评论及企业竞争情报分析相关研究基础上,提出了社交媒体用户评论的情报价值,包括帮助企业及时发现自身产品特征和缺陷,帮助企业了解竞争对手产品的用户口碑,帮助企业跟踪用户需求及其变化趋势;提出了社交媒体用户评论的情报分析模型,包括确定用户评论情报源及其采集、数据预处理及研究对象特征提取、数据结构化处理及分析三大模块。最后通过快捷酒店案例论证了这一模型的价值。     

生鲜产品的多变量SVR需求预测——基于在线评论的顾客感知因素提取

为探索在线评论数据中蕴含的顾客感知产品信息对生鲜产品需求量预测准确度的影响，针对生鲜产品电商平台中大量评论数据，利用网络爬虫技术和Word2vec模型建立产品特征词库，提取主要需求预测影响因素，并基于产品特征词库对评论文本分类将影响因素量化，构建多变量SVR需求预测模型，同时运用粒子群算法对SVR模型中的主要参数进行优化，在此基础上进行实证分析。结果表明:1)Word2vec模型能挖掘在线评论数据中顾客关注的产品特征，有效提取顾客感知的需求预测影响因素；2)与单变量SVR模型相比，加入评论中顾客感知因素的多变量SVR在预测产品需求量时误差更小。利用在线评论中顾客感知因素建立多变量SVR需求预测模型能有效提高生鲜产品需求量预测准确度。     

基于品牌效应的在线评论对稻米销量影响的实证研究

为探索品牌、在线评论与农产品销量之间的关系以及二者如何对农产品销量产生影响。利用网络爬虫技术和统计方法,基于品牌效应视角,扩展了采纳信息模型,并依据网络中采集的真实在线评论内容,从产品特征和评论特征两个角度出发对稻米农产品进行研究,构建了稻米销量的影响因素模型并运用实际数据分析得到验证。结果表明:评论数量与稻米销量显著相关,品牌强度、评论效价和评论时效度对于稻米销售具有显著的正向影响。此外,评论效价和评论时效度能够削弱品牌强度的作用,对弱势品牌稻米销量具有更为显著的影响。     

基于CNN-BiLSTM-HAN混合神经网络的高校图书馆社交网络平台细粒度情感分析

[目的/意义]从高校图书馆社交网络平台用户评论数据挖掘角度出发，对用户评论情感极性进行细粒度分析，为高校图书馆了解用户真实情感倾向并提升服务质量提供科学依据。[方法/过程]以国内高校图书馆社交网络平台用户中文评论数据为研究对象，通过Tensor Flow深度学习框架，利用Keras人工神经网络库，将卷积神经网络（Convolution Neural Network,CNN）和双向长短时记忆网络（Bidirectional Long Short Term Memory,BiLSTM）结合，并引入层次化注意力机制（Hierarchical Attention,HAN），构建基于CNN-BiLSTM-HAN混合神经网络的情感分析模型。[结果/结论]利用真实高校图书馆社交网络平台用户评论数据集进行实验，本文方法取得93.38%的准确率，结果表明本文模型的有效性。模型较为复杂，导致模型训练时间上较长，方法模型的普适性有待进一步检验，表情符号信息没有得到有效利用，参数设置尚需进一步研究。