基于情感分析的评分预测模型的建立与优化

发布时间：2021-05-20 23:24

　　随着旅游业的快速发展,在网上预订旅游相关产品的人数越来越多,对有关景点的评价也在爆发式增长,景区评论数据不仅可以影响游客制定旅游计划,帮助景区管理人员扬长避短,吸引顾客,而且可以为旅游网站的个性化推荐系统提供数据。如何从大规模景区评论数据中精准、高效的获得需要的数据,将景区评论数据数字化,根据评论文本进行评分预测就显得尤为迫切。本文基于情感分析对景区评论评分数据进行研究,先介绍了评分预测的基本概念与流程,对数据进行获取,将景区评论评论数据进行分词以及去停用词等预处理之后,再分别使用三种不同方法对景区评论数据进行特征提取,发现合适的特征提取方法可以提高模型的预测效果。之后对数据进行5折交叉验证有效避免模型的过拟合现象,然后提出本文使用的评价指标,其中MSE用于模型调参、迭代过程的比较,RMSE用于不同模型的预测效果对比。具体介绍了评分预测模型用到的基本算法,强学习器LightGBM以及模型融合的主要方法。基于基本算法和LightGBM构建评分预测模型,并对预测结果进行分析比较,对常用的模型结合方法进行介绍,将这些预测模型进行Stacking融合,其中LightGBM模型作为Stackin... 

【文章来源】：长江大学湖北省

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题背景及研究意义
    1.2 国内外研究现状
    1.3 本文的主要研究内容
    1.4 本文的结构安排
第二章 评分预测理论概述
    2.1 情感分析概述
    2.2 评分预测流程
    2.3 数据预处理
    2.4 特征提取
    2.5 交叉验证
    2.6 评价指标
    2.7 本章小结
第三章 评分预测方法
    3.1 机器学习算法
    3.2 强学习器分析
    3.3 集成学习
    3.4 本章小结
第四章 单模型构建与结果分析
    4.1 引言
    4.2 实验数据和环境
    4.3 模型构建方法及流程
    4.4 单模型构建以及不同特征结果
    4.5 单模型预测结果对比分析
    4.6 本章小结
第五章 融合模型构建与结果分析
    5.1 引言
    5.2 Stacking融合模型基本流程与算法描述
    5.3 构建融合模型
    5.4 实验结果与分析
    5.5 融合模型进一步优化
    5.6 本章小结
第六章 总结与展望
    6.1 主要工作成果
    6.2 下一步工作展望
致谢
参考文献
个人简介



本文编号：3198617