面向群体用户的情感趋势预测方法研究
发布时间：2021-06-10 02:41
在线购物已成为最主流的消费方式之一,用户在电商平台发表的评论往往带有对商品的购买体验和情感观点。然而群体用户对商品评论的动态性导致情感趋势随时间发生变化,如何高效挖掘评论中潜在的情感观点,分析和预测群体用户对商品的真实情感倾向,从而辅助商家精准地定位用户需求,是促进电子商务发展的关键问题。现有情感趋势预测方法主要从单一用户角度获取情感趋势,难以深层次挖掘群体用户评论对商品的情感趋势变化,导致预测准确率低。本文从特征提取、情感分析、时序情感趋势预测三方面入手,提出一种面向群体用户的情感趋势预测方法。其主要研究工作包括以下几个方面:（1）为提高特征词提取精准度,针对传统TF-IDF算法存在的过度依赖词频计算特征词权重问题,提出一种基于多特征因素相融合的文本特征提取方法。首先,利用传统算法计算特征词权重;其次引入特征词位置和词性因子对TF-IDF算法权重进行重新分配和排序;最后融合三个结果计算更新特征词的权重。实验表明,优化后的TF-IDF算法的特征词提取精确度相对提高了1.6%。（2）为改善情感分类准确率较低问题,设计了一种基于多维情感特征向量的多层感知器（MLP）网络模型。首先,结合优化...
【文章来源】：西北大学陕西省 211工程院校
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
网络购物和手机网络购物用户规模及使用率
购物作为电商模式的典型代表，对传统销售模式造成了不可避免的冲击模式能够完全打破传统销售的时间和空间制约，让用户享受到更为便捷也扩大了可供用户选择的商品种类范围，进而选出更加物美价廉的商品进行网络购物之后，通常会根据自身的购买体验和商品实际需求度进行同时也会对商品及商家服务等信息进行满意度评分。根据《2017 年用查分析报告》发现[5]，71.9%的用户网络购物时会参考用户评论信息，且 过查看文字描述来了解商品，如图 2 所示。通过阅读这些文字性评论信了解到以往用户对该商品的直观评价，对自身购买意向做出决策[6,7,8]。同所对应的用户评论数量庞大，如果只分析每一条单个用户的评论，是不考意义的。因此，将每一条单个用户评论按照时间维度综合为群体用户评这些潜在的评论信息，分析群体用户对商品的情感倾向变化，不仅能为提供辅助购买意图的直观性意见，也能够帮助商家定位群体用户的需求感趋势变化等信息，进而辅助商家做出营销指导性策略。
Python TensorFlow1.3.0 框架+Python3.5 版本硬件环境 CPU Intel(R) Core(TM) i5-4590 @3.30GHz内存 8G硬盘 1TB3.5.1 数据集处理为了验证模型的真实有效性，实验通过网络爬虫获取了京东平台上手机评论信息。时间范围在 2017 年 6 月至 2017 年 10 月之间，选取属性主要包括商品编号、用户评分、评论时间和评论信息，最终获得评论数据量达 44010 条。由于少数商品对应的评论信息数量极少，因此，实验筛选了评论条数大于 500 条以上的商品信息，其中包含37 种类型的商品数据，最终评论数据规模达 38801 条，如图 12 所示。此外，整个实验过程将数据集分为两个部分，按照 7:3 的比例进行划分，第一部分数据集用作本章和第四章的实验验证，总规模达到 27161 条，第二部分数据集用作第五章的实验环节，数据规模达 11640 条。
【参考文献】：
期刊论文
[1]多特征关键词提取算法研究[J]. 王洁,王丽清. 计算机系统应用. 2018(07)
[2]基于多通道卷积神经网络的中文微博情感分析[J]. 陈珂,梁斌,柯文德,许波,曾国超. 计算机研究与发展. 2018(05)
[3]OPEN:一个基于评论的商品特征抽取及情感分析框架[J]. 卿勇,刘梦娟,薛浩,刘冰冰,秦志光. 计算机应用与软件. 2018(01)
[4]基于属性特征的评论文本情感极性量化分析[J]. 李慧,柴亚青. 数据分析与知识发现. 2017(10)
[5]基于汉语组块产品特征——观点对提取与情感分析研究[J]. 刘臣,韩林,李丹丹,安咏雪,霍良安. 计算机应用研究. 2017(10)
[6]一种基于联合深度学习模型的情感分类方法[J]. 杨艳,徐冰,杨沐昀,赵晶晶. 山东大学学报(理学版). 2017(09)
[7]融合多特征的TextRank关键词抽取方法[J]. 李航,唐超兰,杨贤,沈婉婷. 情报杂志. 2017(08)
[8]一种基于多特征因子改进的中文文本分类算法[J]. 叶敏,汤世平,牛振东. 中文信息学报. 2017(04)
[9]基于未登录词识别的微博评价短语抽取方法[J]. 汪龙庆,张超,宋晖,刘振宇. 计算机应用与软件. 2017(06)
[10]基于神经网络模型的产品属性情感分析[J]. 刘新星,姬东鸿,任亚峰. 计算机应用. 2017(06)
博士论文
[1]面向社交网络的群体分析关键技术研究[D]. 张鲁民.国防科学技术大学 2015
硕士论文
[1]中文文本情感分析中的特征选择和权重研究[D]. 苏煜宇.南京邮电大学 2017
[2]基于时序分析的移动用户情感预测研究与应用[D]. 曹瑞.西北大学 2017
[3]中文短文本未登录词发现及情感分析方法研究[D]. 陈守钦.北京工业大学 2017
[4]社交网络中个体情感反应机制和群体情感预测研究[D]. 潘杰.华中科技大学 2016
[5]基于中文在线评论的产品特征提取与情感分析研究[D]. 周立凤.东南大学 2016
[6]基于群体智能的微博公众情感预测方法[D]. 刘志江.华中科技大学 2015
[7]基于用户评论的群体情绪识别与演化研究[D]. 刘其.东华大学 2015
[8]基于情感词词典的中文句子情感倾向分析[D]. 潘文彬.北京邮电大学 2011
本文编号：3221848
【文章来源】：西北大学陕西省 211工程院校
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
网络购物和手机网络购物用户规模及使用率
购物作为电商模式的典型代表，对传统销售模式造成了不可避免的冲击模式能够完全打破传统销售的时间和空间制约，让用户享受到更为便捷也扩大了可供用户选择的商品种类范围，进而选出更加物美价廉的商品进行网络购物之后，通常会根据自身的购买体验和商品实际需求度进行同时也会对商品及商家服务等信息进行满意度评分。根据《2017 年用查分析报告》发现[5]，71.9%的用户网络购物时会参考用户评论信息，且 过查看文字描述来了解商品，如图 2 所示。通过阅读这些文字性评论信了解到以往用户对该商品的直观评价，对自身购买意向做出决策[6,7,8]。同所对应的用户评论数量庞大，如果只分析每一条单个用户的评论，是不考意义的。因此，将每一条单个用户评论按照时间维度综合为群体用户评这些潜在的评论信息，分析群体用户对商品的情感倾向变化，不仅能为提供辅助购买意图的直观性意见，也能够帮助商家定位群体用户的需求感趋势变化等信息，进而辅助商家做出营销指导性策略。
Python TensorFlow1.3.0 框架+Python3.5 版本硬件环境 CPU Intel(R) Core(TM) i5-4590 @3.30GHz内存 8G硬盘 1TB3.5.1 数据集处理为了验证模型的真实有效性，实验通过网络爬虫获取了京东平台上手机评论信息。时间范围在 2017 年 6 月至 2017 年 10 月之间，选取属性主要包括商品编号、用户评分、评论时间和评论信息，最终获得评论数据量达 44010 条。由于少数商品对应的评论信息数量极少，因此，实验筛选了评论条数大于 500 条以上的商品信息，其中包含37 种类型的商品数据，最终评论数据规模达 38801 条，如图 12 所示。此外，整个实验过程将数据集分为两个部分，按照 7:3 的比例进行划分，第一部分数据集用作本章和第四章的实验验证，总规模达到 27161 条，第二部分数据集用作第五章的实验环节，数据规模达 11640 条。
【参考文献】：
期刊论文
[1]多特征关键词提取算法研究[J]. 王洁,王丽清. 计算机系统应用. 2018(07)
[2]基于多通道卷积神经网络的中文微博情感分析[J]. 陈珂,梁斌,柯文德,许波,曾国超. 计算机研究与发展. 2018(05)
[3]OPEN:一个基于评论的商品特征抽取及情感分析框架[J]. 卿勇,刘梦娟,薛浩,刘冰冰,秦志光. 计算机应用与软件. 2018(01)
[4]基于属性特征的评论文本情感极性量化分析[J]. 李慧,柴亚青. 数据分析与知识发现. 2017(10)
[5]基于汉语组块产品特征——观点对提取与情感分析研究[J]. 刘臣,韩林,李丹丹,安咏雪,霍良安. 计算机应用研究. 2017(10)
[6]一种基于联合深度学习模型的情感分类方法[J]. 杨艳,徐冰,杨沐昀,赵晶晶. 山东大学学报(理学版). 2017(09)
[7]融合多特征的TextRank关键词抽取方法[J]. 李航,唐超兰,杨贤,沈婉婷. 情报杂志. 2017(08)
[8]一种基于多特征因子改进的中文文本分类算法[J]. 叶敏,汤世平,牛振东. 中文信息学报. 2017(04)
[9]基于未登录词识别的微博评价短语抽取方法[J]. 汪龙庆,张超,宋晖,刘振宇. 计算机应用与软件. 2017(06)
[10]基于神经网络模型的产品属性情感分析[J]. 刘新星,姬东鸿,任亚峰. 计算机应用. 2017(06)
博士论文
[1]面向社交网络的群体分析关键技术研究[D]. 张鲁民.国防科学技术大学 2015
硕士论文
[1]中文文本情感分析中的特征选择和权重研究[D]. 苏煜宇.南京邮电大学 2017
[2]基于时序分析的移动用户情感预测研究与应用[D]. 曹瑞.西北大学 2017
[3]中文短文本未登录词发现及情感分析方法研究[D]. 陈守钦.北京工业大学 2017
[4]社交网络中个体情感反应机制和群体情感预测研究[D]. 潘杰.华中科技大学 2016
[5]基于中文在线评论的产品特征提取与情感分析研究[D]. 周立凤.东南大学 2016
[6]基于群体智能的微博公众情感预测方法[D]. 刘志江.华中科技大学 2015
[7]基于用户评论的群体情绪识别与演化研究[D]. 刘其.东华大学 2015
[8]基于情感词词典的中文句子情感倾向分析[D]. 潘文彬.北京邮电大学 2011
本文编号：3221848
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3221848.html
