电商评论中细粒度主题情感混合模型建构

发布时间：2019-11-01 07:49

【摘要】：本文对细粒度观点挖掘的相关理论做了深入探讨,详细研究了LDA模型,又对该模型加以改进,提出了细粒度主题情感混合模型,该模型能对实体提取、意见词识别、情感倾向分析、评论信息自动汇总分析、用户评价等提供评价分析,为用户提供直观的信息。
【图文】：

流程图,个性化推荐,流程

了改进，在文档和主题层之间设置了超参数，解决了PLSA模型过拟合现象。（二）LDA模型文本文档的LDA模型被认为是由多个主题组成的概率分布，如图3所示，它是由文档、主题和词组成的三层模型，每个主题的概率分布由多个词组成。图3中各变量的含义如表1所示。LDA模型先确定评论文档的主题分布，再选择一个主题，接着选择一个词语，从上一步骤生成的对应主题词条分布中进行选择，反复进行上述两个过程，完成文档的编辑后过程结束。（三）细粒度观点挖掘主题模型设计细粒度观点挖掘的实现目标有以下四个方面：在众多图1个性化推荐流程图2细粒度观点挖掘流程图图3LDA模型表1LDA模型变量解释表2词条所属滑动窗口分布表市场营销

概率分布,挖掘流程,细粒度,观点

又称为细粒度观点挖掘，使用过程中评论中的被评价实体方面被这种方法细节化，实体所有方面的详细观点和情感倾向都能被分析得出。实现较深层次的任务是细粒度观点挖掘的一大优势，另一优点是向消费者或商家提供被评价实体与之相关的情感观点信息，细粒度观点挖掘获得的信息可以满足用户更高层次的需求。（四）细粒度观点挖掘承担的主要任务细粒度观点挖掘的目标定在被评价实体方面的抽取，抽取过程中注重情感分析，即从众多的评论中生成评价摘要。提取实体、提取意见词和分析情感倾向是细粒度意见挖掘的三个主要任务。图2展示了细粒度观点挖掘的流程。挖掘过程为：采集电商网上消费者的评论数据→过滤无用数据（数据预处理）→删掉停用词等→转化数据，生成可识别的格式供算法使用→抽取被评价实体方面和观点词，在此基础上从情感倾向角度进行分析→生成评价摘要且评价摘要可视化。细粒度主题情感混合模型（一）主题模型文档中常常有一些隐含的主题，对于这些主题的建模采用主题模型的方法实现，每一个文档的生成模型称为主题模型。若干个词语组成了文档，文档的形成包括以下过程：词语确定主题；在这个主题中选择词语；不断重复前两步的选择过程，从而生成文档。主题模型在上述选择主题或词的过程中均以采取相应的概率为前提，，PLSA和LDA是电商评论中被普遍采用的两种主题模型，这两种模型在应用过程中的使用情况如下：PLSA模型容易出现过拟合，应在文档层和主题层之间增加概率模型；LDA模型在PLSA模型基础上做了改进，在文档和主题层之间设置了超参数，解决了PLSA模型过拟合现象。（二）LDA模型文本文档的LDA模型被认为是由多个主题组成的概率分布，如图3所示，它是由文档、主题和词组成的三层模型，每个主题的概率分布由

【相似文献】