基于DDAG-SVM的在线商品评论可信度预测研究

发布时间：2017-10-05 21:24

  本文关键词：基于DDAG-SVM的在线商品评论可信度预测研究

  更多相关文章： 在线商品评论 评论可信度 文本分类 支持向量机 DDAG-SVM

【摘要】：在线商品评论作为一类重要的电子口碑,大大地降低了消费者与在线商家之间的信息不对称程度,在消费者的在线购物活动中发挥了重要作用。但当前大数据环境下,很多热门产品评论数量多达数万甚至数十万,并且质量参差不齐,这给消费者通过阅读电子口碑来降低对产品或服务的不确定性带来了严重的“信息过载”困扰。因此,本文在分析在线商品评论可信度影响因素的基础上,基于决策导向无环图支持向量机(Support Vector Machine Based Decision Directed Acyclic Graph, DDAG-SVM)模型实现了对在线商品评论可信度的预测。本文首先从消费者在线购物后发布自身对商品或服务意见的动机研究入手,并梳理了该行为对其他消费者在线购物活动及整个电子商务交易活动的影响,接着分别从评论可信度研究,评论意见挖掘研究以及文本分类研究等几个方面展开综述。然后对虚假在线商品评论形成过程中的4类形成路径主体,6种形成路径进行了详细地分析,并得到了各类虚假评论的主要特点。由此从评论内容、在线评论者特征和商家特征三个维度确定了在线商品评论可信度的10个影响因素指标,其中基于细粒度的商品属性情感倾向离群度计算是本文的重要创新点之一。接着,本文在这10个特征指标向量的基础上提出了基于DDAG-SVM的在线商品评论可信度预测模型。最后,本文基于MATLAB以及LIBSVM,利用淘宝平台近5000余条数据集对该模型的准确度进行了对比测试,达到了93.687%的平均分类准确率。实验表明,该模型具有较高的准确率和一定的可行性。本文对在线商品评论可信度预测模型的研究,进一步降低了大数据环境下消费者处理信息泛滥问题的能力要求,从而辅助消费者做出正确的购物决策,同时也有助于进一步完善现有电子商务平台评论挖掘与分析系统。因此本文研究成果对于完善在线购物评论体系,提升消费者在线购物体验,正确评价商家商品或服务具有较为重要的理论和实践意义。
【关键词】：在线商品评论 评论可信度 文本分类 支持向量机 DDAG-SVM
【学位授予单位】：华中师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F724.6;F713.55
【目录】：

• 摘要6-7
• Abstract7-10
• 1 绪论10-14
• 1.1 研究背景10-11
• 1.2 研究意义11
• 1.3 本文的内容结构11-13
• 1.4 研究的创新点13-14
• 2 在线商品评论研究综述14-28
• 2.1 在线商品评论形成动因及影响研究14-17
• 2.1.1 在线商品评论形成动因14-15
• 2.1.2 在线商品评论影响研究15-17
• 2.2 在线商品评论可信度研究17-19
• 2.2.1 在线商品评论可信度影响因素17-18
• 2.2.2 在线商品评论可信度预测模型18-19
• 2.3 在线商品评论的意见挖掘研究19-22
• 2.3.1 在线商品评论的产品特征挖掘20-21
• 2.3.2 在线商品评论的情感倾向挖掘21-22
• 2.4 文本分类研究22-28
• 2.4.1 文本预处理22-23
• 2.4.2 文本表示23
• 2.4.3 特征选择降维23-24
• 2.4.4 分类算法24-26
• 2.4.5 分类性能评估26-28
• 3 在线商品评论可信度影响因素分析28-36
• 3.1 虚假在线商品评论特征分析28-32
• 3.1.1 虚假在线商品评论形成过程28-31
• 3.1.2 各类型虚假评论的特点31-32
• 3.2 在线商品评论可信度特征指标构建32-36
• 3.2.1 基于评论内容的特征指标32-33
• 3.2.2 基于评论者的特征指标33-34
• 3.2.3 基于商家的特征指标34-36
• 4 基于DDAG-SVM的在线商品评论可信度预测模型36-52
• 4.1 支持向量机简述36-42
• 4.1.1 支持向量机基本原理36-40
• 4.1.2 支持向量机多分类算法40-42
• 4.2 基于DDAG-SVM的评论可信度预测算法设计42-46
• 4.2.1 算法思想42-43
• 4.2.2 算法步骤43-46
• 4.3 基于商品属性的评论情感倾向离群度评估46-52
• 4.3.1 评论商品相关属性抽取46-49
• 4.3.2 基于细粒度的评论情感倾向离群度评估算法49-52
• 5 基于DDAG-SVM的在线商品评论可信度预测实验52-57
• 5.1 样本数据的获取与标注52-53
• 5.2 模型实现53-55
• 5.2.1 样本数据格式化处理53-54
• 5.2.2 分类器构建54-55
• 5.3 实验结果对比分析55-57
• 6 总结和展望57-58
• 附录58-62
• 参考文献62-67
• 攻读学位期间所取得的相关科研成果67-68
• 致谢68

【相似文献】

中国硕士学位论文全文数据库 前1条

1 陈燕方;基于DDAG-SVM的在线商品评论可信度预测研究[D];华中师范大学;2016年

，

本文编号：978897