基于在线评论数据的产品优化辅助决策信息获取方法与技术研究
发布时间：2021-01-30 19:24
在网络数据化时代,随着个性化、全球化市场竞争的加剧,顾客的评论信息对企业的经营管理具有非常重要的价值,对于产品更新升级具有重要意义。企业可以根据顾客的评论信息更好地了解顾客需求及其变化趋势,得到产品质量、产品不足等反馈信息,从而能够有针对性的对产品进行优化升级。但目前的在线评论数据多为非结构化数据,为了能够获取评论中与产品相关的重要信息,本论文利用深度学习和机器学习相关技术,对评论中产品优化信息的获取进行深入研究,提出了基于评论数据的产品优化策略,旨在为企业提供优化决策参考。论文的研究工作主要包括以下几个方面:提出了一种基于评论数据的顾客需求获取和评估的技术和方法。首先通过TF+词向量的方法从在线评论中提取出产品的特征要素;然后结合产品特征挖掘和语义分析的方法对顾客表述的需求进行结构化表达;接着通过定性和定量分析的方法对顾客需求的重要性进行评估;最后根据实例分析结果发现,该方法具有较好的效果,能够有效地对顾客需求获取和评估,发现重要的顾客意见。文章将顾客评论数据用于产品的优化中,为产品优化提供一种新的数据支撑,提高决策的科学性。提出了一种基于评论信息的顾客需求的发展趋势分析和应用方法,...
【文章来源】：宁波大学浙江省
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
大论文研究框架
宁波大学硕士学位论文-11-TF-IDF总的算法为IDFTFIDFTF*，优点是快速高效，通过算法模型可以过滤掉一些通用的词汇，找到真正代表文档的专属词汇，其分析结果一般复合实际；缺点是它可能高估了一些低频词的重要性。2.4词向量模型数据分析的第四步为向量化表示，词向量是文本数据连接机器学习的桥梁，通过对文本向量化的表示可以利用机器学习的相关算法进行分析，使得文本的分析更加的多元化。由于稀疏表示法的弊端太明显，近代提出了低维空间表示法，不仅消除了维数灾难，还可以进行一步挖掘词间的关联关系，且在语义上有较高的准确性。其中最为流行的为Word2vec和Doc2vec模型，它们都是基于深度学习的向量模型，可以对大规模数据进行分析，具有非常优秀的向量表示效果。2.4.1Word2vec模型Word2vec可以将词表示成数值向量的算法模型，可以把词投影到n维向量空间，这时词的特征通过n维向量表示，词在n维空间的距离表现了词间的语义相似关系。模型是由三层的神经网络实现，通过神经网络本质上是对语言模型建模，另外也获得词在n维向量空间的表示方法，从而实现了特征选择[50]。Word2vec的构建方式：CBOW和Skip-gram。CBOW是词袋模型的一种，用来计算当前词出现的几率，通过词的前后若干词来计算。而Skip-gram则是依据当前词计算其前后词出现的几率，如下图2.1所示[50]。图2.1Word2vec模型原理图Fig.2.1Word2vecModelSchematic
宁波大学硕士学位论文-15-顾客满意情况。(4)顾客意见的提龋本章通过语义分析的方式对评论进行分析，挖掘顾客对商品和服务维度的具体意见。(5)顾客意见的评估。对顾客意见提取后需要对顾客意见进行评估，识别出真正有用的意见，生成产品优化信息，辅助优化决策。图3.1基于评论数据的顾客需求提取流程Fig.3.1CustomerRequirementExtractionProcessBasedonCommentData3.2在线评论中顾客需求获取的技术研究3.2.1数据的抓取和预处理本章节通过python编写代码爬取电商网站评论数据（见2.1章节）进行分析，爬取的数据一般为非结构化的数据且含有大量与用户观点态度无关的信息，需要进行预处理变成可用于分析的数据，通过去重、分词、分句（见2.2章节），转化为本章节分析的数据类型。3.2.2在线评论的产品特征选取和词库构建通过对评论中各词的内容特征进行分析，发现评论中与产品相关性较强的特征词可分为产品特征、服务特征和情感表达三类。产品和服务特征为顾客较为关注的产品或服务属性，可以分析顾客对产品的关注点[59-60]。文章的特征提取方法为TF+Word2vec,通过TF（见2.3.3章节）筛选出主要的产品和服务属性，并通过词云图
【参考文献】：
期刊论文
[1]基于犹豫模糊广义Choquet积分的风险型供应商选择方法[J]. 张永政,叶春明,耿秀丽,王世磊. 工业工程与管理. 2019(04)
[2]大数据视域下的网络舆情决策创新[J]. 周伟. 情报杂志. 2019(05)
[3]基于信息熵-VIKOR模型的4PL供应商优选决策研究[J]. 李民,姚建明,吴阳,张恒. 工业技术经济. 2019(03)
[4]基于字符型属性值更新的动态三支决策模型[J]. 张清华,吕功勋,陈玉洪,谢秦. 电子学报. 2019(02)
[5]结合词性、位置和单词情感的内存网络的方面情感分析[J]. 王行甫,王磊,苗付友,邵晨曦. 小型微型计算机系统. 2019(02)
[6]基于有用性排序的在线评论与销量的关系研究[J]. 张梦莹,邓三鸿,王昊,王丽娟. 现代情报. 2019(02)
[7]互联网使用、就业决策与就业质量——基于CGSS数据的经验证据[J]. 毛宇飞,曾湘泉,祝慧琳. 经济理论与经济管理. 2019(01)
[8]基于LDA模型的公众反馈意见采纳研究——共享单车政策修订与数据挖掘的对比分析[J]. 杨奕,张毅,李梅,邓雯. 情报科学. 2019(01)
[9]“数据-智慧”决策模型:基于大数据的理论构建研究[J]. 邱国栋,王易. 中国软科学. 2018(12)
[10]在线评论对冲动性移动购物意愿的影响研究[J]. 何军红,杜尚蓉,李仲香. 当代经济管理. 2019(05)
博士论文
[1]大数据的社会价值与战略选择[D]. 张兰廷.中共中央党校 2014
硕士论文
[1]基于特征细分的中文情感分析研究[D]. 陈慧.上海师范大学 2018
[2]基于Scrapy框架的网络爬虫实现与数据抓取分析[D]. 安子建.吉林大学 2017
[3]产品概念设计过程中面向用户需求的优化分析及评价[D]. 严海峰.东华大学 2016
本文编号：3009454
【文章来源】：宁波大学浙江省
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
大论文研究框架
宁波大学硕士学位论文-11-TF-IDF总的算法为IDFTFIDFTF*，优点是快速高效，通过算法模型可以过滤掉一些通用的词汇，找到真正代表文档的专属词汇，其分析结果一般复合实际；缺点是它可能高估了一些低频词的重要性。2.4词向量模型数据分析的第四步为向量化表示，词向量是文本数据连接机器学习的桥梁，通过对文本向量化的表示可以利用机器学习的相关算法进行分析，使得文本的分析更加的多元化。由于稀疏表示法的弊端太明显，近代提出了低维空间表示法，不仅消除了维数灾难，还可以进行一步挖掘词间的关联关系，且在语义上有较高的准确性。其中最为流行的为Word2vec和Doc2vec模型，它们都是基于深度学习的向量模型，可以对大规模数据进行分析，具有非常优秀的向量表示效果。2.4.1Word2vec模型Word2vec可以将词表示成数值向量的算法模型，可以把词投影到n维向量空间，这时词的特征通过n维向量表示，词在n维空间的距离表现了词间的语义相似关系。模型是由三层的神经网络实现，通过神经网络本质上是对语言模型建模，另外也获得词在n维向量空间的表示方法，从而实现了特征选择[50]。Word2vec的构建方式：CBOW和Skip-gram。CBOW是词袋模型的一种，用来计算当前词出现的几率，通过词的前后若干词来计算。而Skip-gram则是依据当前词计算其前后词出现的几率，如下图2.1所示[50]。图2.1Word2vec模型原理图Fig.2.1Word2vecModelSchematic
宁波大学硕士学位论文-15-顾客满意情况。(4)顾客意见的提龋本章通过语义分析的方式对评论进行分析，挖掘顾客对商品和服务维度的具体意见。(5)顾客意见的评估。对顾客意见提取后需要对顾客意见进行评估，识别出真正有用的意见，生成产品优化信息，辅助优化决策。图3.1基于评论数据的顾客需求提取流程Fig.3.1CustomerRequirementExtractionProcessBasedonCommentData3.2在线评论中顾客需求获取的技术研究3.2.1数据的抓取和预处理本章节通过python编写代码爬取电商网站评论数据（见2.1章节）进行分析，爬取的数据一般为非结构化的数据且含有大量与用户观点态度无关的信息，需要进行预处理变成可用于分析的数据，通过去重、分词、分句（见2.2章节），转化为本章节分析的数据类型。3.2.2在线评论的产品特征选取和词库构建通过对评论中各词的内容特征进行分析，发现评论中与产品相关性较强的特征词可分为产品特征、服务特征和情感表达三类。产品和服务特征为顾客较为关注的产品或服务属性，可以分析顾客对产品的关注点[59-60]。文章的特征提取方法为TF+Word2vec,通过TF（见2.3.3章节）筛选出主要的产品和服务属性，并通过词云图
【参考文献】：
期刊论文
[1]基于犹豫模糊广义Choquet积分的风险型供应商选择方法[J]. 张永政,叶春明,耿秀丽,王世磊. 工业工程与管理. 2019(04)
[2]大数据视域下的网络舆情决策创新[J]. 周伟. 情报杂志. 2019(05)
[3]基于信息熵-VIKOR模型的4PL供应商优选决策研究[J]. 李民,姚建明,吴阳,张恒. 工业技术经济. 2019(03)
[4]基于字符型属性值更新的动态三支决策模型[J]. 张清华,吕功勋,陈玉洪,谢秦. 电子学报. 2019(02)
[5]结合词性、位置和单词情感的内存网络的方面情感分析[J]. 王行甫,王磊,苗付友,邵晨曦. 小型微型计算机系统. 2019(02)
[6]基于有用性排序的在线评论与销量的关系研究[J]. 张梦莹,邓三鸿,王昊,王丽娟. 现代情报. 2019(02)
[7]互联网使用、就业决策与就业质量——基于CGSS数据的经验证据[J]. 毛宇飞,曾湘泉,祝慧琳. 经济理论与经济管理. 2019(01)
[8]基于LDA模型的公众反馈意见采纳研究——共享单车政策修订与数据挖掘的对比分析[J]. 杨奕,张毅,李梅,邓雯. 情报科学. 2019(01)
[9]“数据-智慧”决策模型:基于大数据的理论构建研究[J]. 邱国栋,王易. 中国软科学. 2018(12)
[10]在线评论对冲动性移动购物意愿的影响研究[J]. 何军红,杜尚蓉,李仲香. 当代经济管理. 2019(05)
博士论文
[1]大数据的社会价值与战略选择[D]. 张兰廷.中共中央党校 2014
硕士论文
[1]基于特征细分的中文情感分析研究[D]. 陈慧.上海师范大学 2018
[2]基于Scrapy框架的网络爬虫实现与数据抓取分析[D]. 安子建.吉林大学 2017
[3]产品概念设计过程中面向用户需求的优化分析及评价[D]. 严海峰.东华大学 2016
本文编号：3009454
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3009454.html
