大数据视角下基于文本挖掘的电商问答系统持续使用意向研究

发布时间：2021-07-20 19:48

　　随着互联网技术的不断发展和完善,越来越多的人在购物时将京东、淘宝等电商平台作为自己的首要选择。但是,由于电商产品质量的参差不齐,存在的信息不对称问题严重阻碍了双方信任的建立,商家提供的商品信息逐渐失去了用户的信任,这在很大程度上也阻碍了电商的持续健康发展。针对电商平台存在的信息不对称和信任问题,主要的一种解决方法是在线评论,虽然其在降低信息不对称上起到了不可小觑的作用,但评论数量激增、商家不正当干扰等行为所造成的在线评论信息超载与失真问题也同样不容忽视。鉴于此,电商平台推出了问答系统。与评论相比,通过问答系统得到商品信息的可信度要更高、所耗费的时间和精力更少。然而,由于电商问答系统的发展时间较短,如何最大化地利用问答系统增加用户的满意度、保持用户的持续使用意向是平台和学者目前较为关注的重要问题。针对以上问题,本文在大数据视角下开展基于文本挖掘的电商问答系统持续使用意向研究。首先,采用文本挖掘技术从问答系统的文本中提取信息内容特征,以京东自营笔记本电脑数据为数据集,结合长短期神经网络（LSTM）和K-means算法,得到问答系统为消费者提供的信息服务类别;其次,对相同商品的在线评论进行文... 

【文章来源】：浙江工商大学浙江省

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

京东问答模块

大数据视角下基于文本挖掘的电商问答系统持续使用意向研究91.4研究思路与组织架构本研究共分为了6个章节，各个章节紧密联系，本文的研究框架图如图1-2所示。图1-2本研究框架图第1章，绪论。介绍论文的研究背景和研究意义，并对国内外电商平台问答系统、在线评论与文本挖掘、以及信息系统持续使用的国内外研究现状进行详细地综述；总结现阶段对于电商平台、电商问答系统研究中的局限性，最终详细地介绍了每个章节的内容。第2章，相关技术与理论研究。介绍信息系统持续使用模型，以及电商问答系统文本挖掘使用的相关技术，包括电商问答数据获取方法、文本预处理、文本分类相关技术和K-means文本聚类。第3章，基于文本挖掘的电商问答系统信息内容特征提龋本章以京东平台自营笔记本为例，阐述了实验数据的爬取和数据预处理。并选取效果更好的分类算法进行问答

大数据视角下基于文本挖掘的电商问答系统持续使用意向研究11第2章相关理论与技术研究2.1信息系统持续使用模型Bhattacherjee提出了信息系统持续使用模型（ECM-IT），认为最初的接受只是实现信息系统成功的第一步，这最终取决于信息系统的继续使用，而不是其最初的接受程度，模型结构如图2-1所示[62]。这个模型认为用户继续使用的意愿直接受到他们对未来使用信息系统的预期收益的感知，以及基于他们之前使用经验的满意度的影响。反过来，用户在使用前对使用该技术的好处的预期得到确认，从而直接影响感知有用性和满意度。从概念上讲，ECM-IT依赖于这样一个前提:经验反应(确认)、利益预期(感知有用性)和情感反应(满意度)塑造了用户继续使用信息系统的决定。在这一点上值得注意的是，确认先前的期望是ECM-IT与其他解释信息系统使用行为(如TAM、TPB及它们的扩展)的模型的主要区别。图2-1信息系统持续使用模型（ECM-IT）ECM-IT相比于ECT主要在三个方面进行了修改。第一，ECM-IT模型忽略了对用户使用系统前的考察，仅考察用户使用信息系统后的期望。第二，大部分模型主要关注用户使用前的期望，而ECM-IT模型重点关注用户使用后的期望确认。第三，在ECM-IT模型中，用感知有用性来表达用户使用后的期望，这主要来源于TAM模型[63]，许多研究人员己经证实感知有用性显著影响用户行为，且它会影响用户的持续使用行为。ECM-IT模型自从被提出后，许多学者对其有效性进行了分析和验证，如模型的提出者Bhattacherjee在电子商务和在线银行中应用了此模型，对模型的有效性进行了检验；后来Bhattacherjee与Premkumar研究在线软件指南时运用了ECM-IT模型，同样也验证了ECM-IT模型是有效且可靠的[64]。越来越多的研究人员加入相关的研究中，在ECM-IT中加?

【参考文献】：
期刊论文
[1]Integrated Online Consumer Preference Mining for Product Improvement with Online Reviews[J]. Jie LI,Qiaoling LAN,Lu LIU,Fang YANG.  Journal of Systems Science and Information. 2019(01)
[2]基于Python的图片爬虫程序设计[J]. 云洋.  电子技术与软件工程. 2018(17)
[3]一种基于Python和BP神经网络的股票预测方法[J]. 曾武序,钱文彬,王映龙,杨文姬,柳军.  计算机时代. 2018(06)
[4]基于TAM的社交软件用户持续使用意愿研究[J]. 李志,朱甜甜.  电脑知识与技术. 2017(22)
[5]大数据环境下基于python的网络爬虫技术[J]. 谢克武.  电子制作. 2017(09)
[6]中文文本聚类常用停用词表对比研究[J]. 官琴,邓三鸿,王昊.  数据分析与知识发现. 2017(03)
[7]C2C电商平台中在线评论偏离真实性的诱因及应对策略[J]. 王宁,宋嘉莹,杨学成.  软科学. 2017(04)
[8]社会化问答社区知乎的用户持续使用行为影响因素研究[J]. 王哲.  情报科学. 2017(01)
[9]移动社交类APP用户持续使用意愿的影响因素研究[J]. 黄柏淅,朱小栋.  现代情报. 2016(12)
[10]一种结合上下文语义的短文本聚类算法[J]. 张群,王红军,王伦文.  计算机科学. 2016(S2)

博士论文
[1]基于延伸的计划行为理论的网络游戏持续使用研究[D]. 姚涛.浙江大学 2006



本文编号：3293474