检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

电商评论情感分析及销量预测方法研究

电商评论情感分析及销量预测方法研究

作者：马欣大连海事大学

学位级别：硕士

随着互联网技术迅猛发展,人们逐渐开始接受并热衷于网络购物,同时习惯于查看商品评论信息来决定是否购买。这些评论数据中不仅蕴含着用户的兴趣与偏好信息,还包含着商品信息。因此如何通过商品评论数据获取到有价值的信息成为一个亟待... 详细信息

随着互联网技术迅猛发展,人们逐渐开始接受并热衷于网络购物,同时习惯于查看商品评论信息来决定是否购买。这些评论数据中不仅蕴含着用户的兴趣与偏好信息,还包含着商品信息。因此如何通过商品评论数据获取到有价值的信息成为一个亟待解决的问题。首先爬取亚马逊平台的手机评论信息,对爬取到的数据进行预处理,包括数据清洗以及缺失值处理等工作,之后对数据进行文本分词、词性标注以及去停用词等文本语言化处理工作。实验中进行名词过滤以及同义词合并的操作,缩小商品特征词的筛选范围,利用隐狄利克雷分配模型来获取商品特征信息,筛选出出现次数较多的特征词。然后通过将知网HowNet、台湾大学NTUSD、清华大学李军中文褒贬义词典以及一部分未标注来源的词典中的正负向情感词分开整合,同时加入知网词典中的副词,从而构成一个完整的情感词典。为了计算商品特征词情感极性值,需要为情感词典中的不同词赋予不同的权重。使用主成分分析算法对建模数据进行降维,保留数据中有用信息,去除噪声数据。将情感因子加入多元线性回归模型、支持向量机回归以及极端梯度提升算法对商品销量做预测。实验中销量是通过商品销量排名来体现,所以实验中具体是对销量排名进行预测。在使用多元线性回归模型进行预测时,预测结果出现了过拟合。使用支持向量机回归与极端梯度提升算法建模时,同时结合k折交叉验证的方法,最终得到的销量预测结果的准确度进一步提升,缓解了过拟合的情况。最后利用R语言做一个可视化的平台,因为R语言的可视化是非常好的,可以更加清晰美观地展示实验结果,主要是利用R语言的shiny制作。

关键词：电商评论情感分析销量预测

基于BERT的电商评论观点挖掘系统设计与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于BERT的电商评论观点挖掘系统设计与实现

作者：武新楠华中科技大学

学位级别：硕士

电商行业的兴起,各类货品的流通速度加快。既方便了消费者购买,又让人们对商品的品质产生更高的要求。基于电商平台的载体,一种评论导向的消费方式逐步在市场上扩充开来。消费者购物时候,会参考以前买过该商品用户提供的评价信息,从而... 详细信息

电商行业的兴起,各类货品的流通速度加快。既方便了消费者购买,又让人们对商品的品质产生更高的要求。基于电商平台的载体,一种评论导向的消费方式逐步在市场上扩充开来。消费者购物时候,会参考以前买过该商品用户提供的评价信息,从而调整自己的消费意愿。这意味着电商评论数据对商品销量、商家利益产生了直接的影响。当前,电商平台上存在着庞大的评论文本数据,其中涵盖着店家想要急切知道的用户观点等信息。这些信息可有效帮助商家进行舆情分析、用户理解、产品优化和营销决策等,具有非常大的实用价值和应用前景。本文针对电商产品评论进行了方面级的观点挖掘,首先利用Bert预训练模型在Pytorch框架上使用监督学习的方法,训练出一个深度神经网络模型,并使用交叉验证的方法进行验证。实验结果证明,对于化妆品领域和笔记本电脑领域的精准率和召回率都可以达到70%以上,F1-score也因此达到了75%左右,这是一个十分理想的结果。但是化妆品领域的F1结果总是高于笔记本电脑领域,这是因为笔记本电脑的有标注数据集只有约900条,在数量上远小于14000条化妆品的有标注数据集。针对有标签的训练数据集数量小、训练效果欠佳的缺陷,提出一种基于深度迁移学习的改进方法,即基于不同的预训练模型,使用其他领域的数据重新对模型进行预训练,然后通过微调过程将模型迁移到目标领域,并通过集成学习的方法合并各模型,进一步改进了模型。实验结果表示,在精准率上,改进后的模型有5%-6%的提升,召回率有4%-7%的提升,F1-score值有5%左右的提升。无论是精准率、召回率还是F1-score值,经过再次预训练的模型的各项得分都远高于未经改进的Bert模型,特别地,经过集成学习以后,模型的F1-score值达到了82%,相较于改进前有8%的提升。本文最后设计并实现了一个B/S架构的基于Flask的电商评论观点挖掘系统,该系统包含注册登录、用户管理、观点挖掘、后台管理等模块,重点将改进后的深度神经网络模型部署到系统中,用户可以在友好的界面下与系统各模块进行交互,对商品评论数据进行观点挖掘,最终结果以图形化方式展现给用户。

关键词：观点挖掘预训练 BERT模型电商评论 Flask框架

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图文混合数据的电商评论挖掘研究

基于图文混合数据的电商评论挖掘研究

作者：刘振强大连海事大学

学位级别：硕士

在电商领域,商品的评论信息无论对于消费者还是营销者都具有非常重要的参考意义,随着电商平台技术的发展,评论信息规模不断扩大的同时,信息类别也呈现多样化的特征,图文混合数据已成为电商评论的重要表现形式。但是在中文评论领域,目前... 详细信息

在电商领域,商品的评论信息无论对于消费者还是营销者都具有非常重要的参考意义,随着电商平台技术的发展,评论信息规模不断扩大的同时,信息类别也呈现多样化的特征,图文混合数据已成为电商评论的重要表现形式。但是在中文评论领域,目前没有一个比较成熟的公开数据集来满足深度学习网络模型训练要求,另外图像和文本的数据挖掘方法已经比较成熟,而如何将两种单模态数据挖掘方法进行有效融合是当前研究的热点问题。为了能够挖掘到电商图文评论的潜在关系、模式和规律,本文主要进行了以下的研究:首先分析了图文混合数据挖掘的可行性并设计了图文混合数据挖掘的基本流程,然后在此基础上构建了电商图文评论数据挖掘模型,模型主要分为图文评论数据的获取、预处理、特征抽取以及融合四个阶段。获取和预处理阶段分别对图文评论数据进行了爬取和筛选,针对数据规模较小、类别不平衡的问题,提出了交叉式数据增广方法,经过不同比例的增广后,有效图文评论数据达到148470条,为后续的信息处理奠定了数据基础。特征抽取和融合阶段实现了电商图文评论信息的融合,提出了三种不同的融合方案:基于自编码器的数据层融合方案、基于相关系数的特征层融合方案以及基于集成学习的决策层融合方案,其中基于自编码的数据层融合方案,通过引入自编码网络结构,构建损失函数来实现数据层的图文融合。基于相关系数的特征层融合方案计算图文特征之间的相关系数来获取相关性更强的图文抽象信息,实现了图文信息在特征层更加有效的融合。基于集成学习的决策层融合方案通过对不同抽取模型和不同融合模型结果的两次集成,获取最优的决策结果。最后,为了验证融合模型的有效性设计了两组对比实验,第一组对比实验以情感分析为实验任务,实验结果显示基于相关系数的特征层融合方案的准确率最高,达到了97.4%,相对于单文本和单图像情况下准确率分别提高了3.2%和67%,第二组对比实验以商品类型分类为实验任务,实验结果显示基于相关系数的特征层融合方案的准确率最高,达到96.3%,相对比单文本和单图像情况下准确率分别提高了2.6%和46%,两组实验结果验证了融合模型的有效性。

关键词：多模态图文混合数据数据融合深度学习电商评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于电商评论的个性化产品推荐系统研究

基于电商评论的个性化产品推荐系统研究

作者：李艳凤哈尔滨工业大学

学位级别：硕士

随着电子商务的迅猛发展,商城的多样性,商品种类不断细化,物流的便捷性,消费者的网络购物也越来越频繁,人们慢慢从传统的实体店消费模式转移到网络购物。消费者在购买和使用产品之后,对商品发表评分及评论,在网络上分享自己的使用体验... 详细信息

随着电子商务的迅猛发展,商城的多样性,商品种类不断细化,物流的便捷性,消费者的网络购物也越来越频繁,人们慢慢从传统的实体店消费模式转移到网络购物。消费者在购买和使用产品之后,对商品发表评分及评论,在网络上分享自己的使用体验。这些评论日益增多,呈现信息过载的趋势,同时评论中包含了大量信息,也体现了消费者对产品的评价及喜好程度。越来越多的人在做出购买决策前喜欢先到网上参考产品的评论信息。用户的评价通常包含一个数值评分和一段文本形式的评论,这些评论体现了用户对产品不同属性特征的偏好和用户的情感倾向。随着购物数量的增大,评论信息的数量也会不断增加,如果全部阅读来帮助决策是十分困难的。电商评论近几年也成为研究的热点。评论数量的巨增,导致了信息过载。推荐系统已经被电子商务行业得到广泛的使用。在各大电商平台的界面都可见到“猜你喜欢”。推荐系统通过提供个性化的推荐帮助人们克服信息过载的问题,其核心是通过个性化的算法,利用不同用户对于不同商品的评价信息,发现他们的喜好。协同过滤推荐是目前应用广泛的推荐算法,由于它跟具体的领域相关性比较弱,所以在电商,新闻,评论,音乐等行业取得了比较成功的应用。简单讲就是把和目标用户具有相似喜好的用户喜欢的商品进行推荐。本文主要研究内容如下:对用户的评论文本进行结构化处理,通过中文分词进行提取特征值,通过对词频进行统计,提取倾向词袋,对潜在用户进行个性化推荐。通过对比对有共同爱好和基于用户的协同过滤推荐算法,使用对有共同爱好个性化推荐算法,并对相似性的计算进行了优化,提出了基于综合相似度的计算方法,分别从用户对商品评分的相似度,基于情感倾向评分的相似度,基于标签的相似度三个方面的综合相似度进行计算,提出相应的推荐公式。实验根据综合相似度与传统相似度的对比结果表明,在量化指标的衡量下本文中的算法优于传统相似度计算方法,改善了推荐的质量。

关键词：电商评论相似度协同过滤个性化推荐

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向电商评论的多模态聚类方法研究

面向电商评论的多模态聚类方法研究

作者：朱飞宇沈阳理工大学

学位级别：硕士

在日益信息化的现代社会,人们愈加喜欢在网上进行购物,因此越来越多的电商平台崛起,例如天猫、京东等等。电商经济也逐渐成为促进社会进步的一个重要组成部分。在购买完商品后,很多消费者都愿意发布自己对于所购买商品的使用体验或者消... 详细信息

在日益信息化的现代社会,人们愈加喜欢在网上进行购物,因此越来越多的电商平台崛起,例如天猫、京东等等。电商经济也逐渐成为促进社会进步的一个重要组成部分。在购买完商品后,很多消费者都愿意发布自己对于所购买商品的使用体验或者消费过程中的满意程度,这些评论可以为其他有意购买同样商品的消费者提供参考意见。但是这些评论包含了很大的信息量,所以本文利用文本挖掘分析技术以及情感极性分析相关技术,对电商评论的信息进行聚类分析,进而提取出对于消费者有意义的信息,具有重要的实际意义。由于电商评论大多都是短文本,评论的数据类型是多模态的,包含评分、日期、评论文本等等。消费者想要从中搜寻到对自己有用的信息需要消耗大量的时间,因此针对短文本进行第一次聚类,聚类模型为GSDPMM。但是GSDPMM无法考虑评论的打分以及时间。因此,将用户的评论时间作为一个单词,将评论日期的年月提取出来,组成一个单词,将这两个模态的单词扩展到评论词汇表中,增加了评论数据的相似度,输入到GSDPMM模型中可以得到聚类结果。具有类似观点的评论文本会被归到同一聚类中,同时可以得出每个聚类中的主题词即消费者在消费过程中最关注的地方。由于评论文本的数量很大,因此采用狄利克雷及多项混合模型作为第一次聚类所使用的模型,因为此模型不需要提前设置好聚类的个数,在大规模的数据集上有着良好的表现。对于第一次聚类的结果,虽然可以分析出消费者的关注点,但很难判断消费者的态度,所以将聚类结果中的主题词作为输入,组成新的短文本,利用TF-IDF方法对主题词构建出来的短文本进行特征提取,随后利用K-means方法进行情感极性的判断。通过两次聚类的实验结果,可以很明确地得出消费者在购买某种商品后,最关注的点在哪里,例如在购买衣服后,大多消费者关注的点为衣服的用料以及品牌等方面。经过聚类,可以得出所有消费者的聚类结果以及聚类的主题词,也就是说在同一聚类中的消费者对于商品的关注点都是类似的。通过第二次聚类后,可以分析出消费者们的感情极性,对消费者的购买决策有着积极的意义。

关键词：短文本聚类电商评论狄利克雷多项式混合 K-means

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于女性服装电商评论的情感分析

基于女性服装电商评论的情感分析

作者：杨婉莹苏州大学

学位级别：硕士

随着web2.0时代的到来,电子商务行业迅速发展,网络上海量的商品评论数据蕴藏着巨大的商业价值。本文运用多种分析和建模方法对大量女装电商评论文本进行挖掘和分析,既为其它用户提供参考信息,也为商家提供反馈信息,同时也可作为电商网... 详细信息

随着web2.0时代的到来,电子商务行业迅速发展,网络上海量的商品评论数据蕴藏着巨大的商业价值。本文运用多种分析和建模方法对大量女装电商评论文本进行挖掘和分析,既为其它用户提供参考信息,也为商家提供反馈信息,同时也可作为电商网站利用推荐算法进行个性化推荐的参考指标。本文情感分析进行的主要工作有:一、挖掘评论文本中的高频词和短语,观察用户评论特征;二、通过匹配SentiWordNet情感词典,识别出文本中出现的情感词及其对应的否定词和程度副词,并通过规则计算情感词的情感值,以及句子以致整篇评论文本的情感极性值,从而进行情感倾向判断;三、在对数据进行了清洗、规范化、删除停用词、词干提取、分词等预处理后,考虑到单词对于情感分析的重要性不同,基于TF-IDF编码方式将评论文本映射到向量空间,并利用朴素贝叶斯、逻辑回归、LightGBM三种算法训练机器学习分类模型;四、利用循环神经网络RNNs算法,建立深度学习分类模型;五、利用已有的数据集进行测试,对实验结果进行比较和分析,判断各模型的分类效果。研究结果表明,LightGBM算法训练的模型具有最佳的分类效果。

关键词：电商评论情感分析情感词典机器学习

面向电商评论细粒度观点挖掘的拓展主题模型研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向电商评论细粒度观点挖掘的拓展主题模型研究

作者：郑玉桂浙江工商大学

学位级别：硕士

随着互联网和电子商务技术的发展,网络购物成为一种热潮,人们可以实现足不出户购买到自己心仪的商品。但是,与传统线下购物相比,网络购物有着商品种类繁多、用户无法直接感受商品的质量、体验商品功能等特征,这使得电商网站上的商品评... 详细信息

随着互联网和电子商务技术的发展,网络购物成为一种热潮,人们可以实现足不出户购买到自己心仪的商品。但是,与传统线下购物相比,网络购物有着商品种类繁多、用户无法直接感受商品的质量、体验商品功能等特征,这使得电商网站上的商品评论信息成为消费者选择和购买决策的重要参考。同时,评论信息作为反馈机制也可以帮助商家改进产品、提升服务。但是,目前电商网站评论数据量巨大、内容庞杂,采用人工阅读方式无法准确有效的得到有用的信息。而且人们更希望得到的是关于产品或服务多个方面的细粒度评价信息,而非其整体情感倾向。因此,针对电商评论的细粒度观点挖掘成为了热门的研究课题,受到国内外研究学者的广泛关注。细粒度观点挖掘旨在从评论数据中抽取出被评价实体方面以及相对应的情感,生成评价摘要,,为潜在消费者和商家提供决策支持。考虑到目前细粒度观点挖掘方法如基于人工定义、基于频率、基于有监督学习方法的局限性,而LDA主题模型作为无监督方法不仅不需要人工标注的训练数据,还可以克服上面所述方法中没有将具有相似语义的特征词进行聚类的缺点,被研究者广泛应用。但是LDA模型抽取的主题粒度较粗,无法识别被评价实体方面,而且三层模型无法实现细粒度观点挖掘目标,需要进行改进和拓展。针对上面提到的问题,本文根据细粒度观点挖掘的目标,对LDA模型进行设计和拓展,提出了细粒度的主题情感混合模型(Fine-grained Topic Sentiment Unification Model,FG-TSU 模型)。首先针对标准的LDA模型识别出的主题粒度较粗,本文将主题分为局部主题和全局主题,利用滑动窗口的方法将词共现信息从文档级降到句子级,实现细粒度局部主题的抽取;然后,本文根据词分类和在模型中引入指示变量用以区分方面词和观点词;最后,本文在LDA模型的三层模型基础上加入了情感层,对主题和情感进行同时建模,实现情感倾向分析,不仅可以获得整篇评论的情感极性,还可以获得被评价实体方面层的情感极性,最终完成细粒度观点挖掘的目标,生成评价摘要。为了验证本模型具有跨领域性,本文选取了酒店和手机两个领域的电商评论数据集进行实验,设计了三个实验,实验结果表明本模型在实现电商评论细粒度观点挖掘上的可行性。

关键词：电商评论细粒度观点挖掘主题模型被评价实体方面情感分析观点词

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的电商评论情感分析

基于深度学习的电商评论情感分析

作者：史振杰河北经贸大学

学位级别：硕士

电子商务与传统商品交易相比提供了在线评论功能,这在电商平台竞争激烈的背景下,对于消费者的选择产生至关重要的影响。如何在海量的评论中准确挖掘消费者情感,并据此改进产品质量、销售策略、客户服务具有重要的商业价值和研究意义。... 详细信息

电子商务与传统商品交易相比提供了在线评论功能,这在电商平台竞争激烈的背景下,对于消费者的选择产生至关重要的影响。如何在海量的评论中准确挖掘消费者情感,并据此改进产品质量、销售策略、客户服务具有重要的商业价值和研究意义。本文采用深度学习的方法针对电商评论数据反映的情感倾向展开研究。结合长短期记忆神经网络LSTM、注意力机制、BERT和卷积神经网络CNN等算法,提高情感分析的准确度。本文的主要工作如下:（1）针对传统神经网络Long Short-Term Memory（LSTM）在粗粒度情感分析中理解语义不全面,情感信息的捕捉不准确的问题,提出了一种融合注意力机制（Attention）与双向LSTM网络相结合的BiLSTM-Attention网络模型,利用长短期记忆神经网络对于时序序列结构的分析,充分挖掘句子中的潜在信息,有效克服长期遗忘的问题。BiLSTM模型通过对语言文本的双向分析,对比普通的LSTM模型能够更好的捕获句子前后的信息。注意力机制的使用能够对句子中不同特征分配权重,对于句子中倾向于用户情感的特征信息进行关注,有效改善识别效率。实验结果表明,在京东爬取的小米手机评论数据集中,融合注意力机制与双向LSTM的神经网络模型相较于其他几个常用的模型,效果有较大的提升。（2）在对电商评论的细粒度情感分析中,使用Word To Vector（Word2Vec）,Global Vectors for Word Representation（GloVe）等常见的几种语言模型存在只能够产生固定化语义词向量问题。针对此问题,本文提出了一种基于预训练的Bidirectional Encoder Representations from Transformers（BERT）网络与卷积神经网络（CNN）相结合的BERT-CNN网络模型。BERT模型相较于Word2Vec,将上下文无关的静态（static）向量变成上下文相关的动态（dynamic）向量,进一步增加了词向量模型的泛化能力,充分描述了字符级、词级、句子级之间的关系特征,更好的实现了词语在高维空间的映射。本文采用BERT模型获取句子中的词向量,借助卷积神经网络进一步的进行特征选择与降维,最终获得用户的情感取向。实验表明,在多粒度的京东电商评论数据集中,BERT-CNN网络模型识别率更高,效果提升较大,但是相比于传统神经网络模型,需要消耗大量时间进行模型的训练。

关键词： BERT词向量注意力机制情感分析电商评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于BERT算法的电商评论情感分析研究

基于BERT算法的电商评论情感分析研究

作者：陈鹏杰广东工业大学

学位级别：硕士

如今,电子商务与人们的日常生活密切相关。电子商务平台提供评论区供用户在线评论,评论数据会长期保存在电商平台上。这些评论对于消费者来说,直接影响到是否选择该商品;对于商家来说,可以了解用户对商品的评价,并及时改进不足。但各个... 详细信息

如今,电子商务与人们的日常生活密切相关。电子商务平台提供评论区供用户在线评论,评论数据会长期保存在电商平台上。这些评论对于消费者来说,直接影响到是否选择该商品;对于商家来说,可以了解用户对商品的评价,并及时改进不足。但各个电商平台上的评论区积累的评价内容十分庞大,直接阅读评论十分费力,难以获取有效的信息,不仅降低用户阅读评论的效率,也使得商家难以获取用户反馈的信息,增加改进商品的难度。因此如何在如此庞大的评论数据中高效获取消费者的情感信息,及时获取有价值的评论信息,对于提升用户体验和商家改进产品质量来说具有重要的研究意义和商业价值。本文基于BERT算法,通过对观点的实体和评价主体的识别,评价主体情感分析,来获取用户评论的评价主体和情感极性,实现细粒度的情感分析。主要任务和贡献包括:在词嵌入方式与训练数据的收集和处理中,通过分析使用传统的Word2Vec(Word To Vector)词向量的不足,提出针对中文评论的字向量与词向量相结合的词嵌入方式。提出的词嵌入方式与单独使用字向量和词向量的词嵌入方式相比,分类准确率更高、语义信息保留更加完整、未登录词减少、词嵌入质量提高。通过分析普通数据集的不足,提出高质量标签数据集构建的意义。对比高质量标签数据集与普通数据集下的实验结果,发现高质量标签数据集能提高模型训练的质量,提高预测准确率。在观点的实体和评价主体识别中,为了解决传统Word2Vec模型只能够产生固定化语义的词向量的问题,提出基于改进BERT(Bidirectional Encoder Representations from Transformer)掩藏策略的BERT-BIGRU-CRF模型。该模型根据中文评论中字与字组成的词组联系较为紧密的特点,改进BERT算法的掩藏语言模型,并将其作为词嵌入层的语言模型。在该模型上训练得到的词向量能更好地挖掘词与词之间的语义信息,获得更加完整的语义信息。在特征抽取层中,采用Bi GRU代替传统的Bi LSTM,在提升训练速度的同时保证准确率。提出的模型与常用的命名实体识别模型LSTM-CRF相比,在F值、召回率和精确率上均有提升。在评价主体情感分析中,针对传统的RCNN(Regions with Convolutional Neural Networks features)模型对于文本情感相关信息的特征提取不够充分,分类不准确的问题,提出字词向量融合的M-BERT-ATT-Res GCNN模型。该模型首先使用预训练BERT语言模型代替Word2Vec语言模型,并针对电商评论数据进行改进,改进模型为M-BERT;然后使用两层Bi GRU来提升其提取特征的能力,并在两层之间使用残差连接的方式进行连接防止出现梯度消失;最后采用注意力机制对关键信息进行提取。将提出的模型与多个常用的情感分析模型进行比较,结果表明,提出的模型在准确率上对比目前较优的RCNN模型提升近一个百分点。

关键词：电商评论词嵌入情感分析实体识别 M-BERT模型