基于TextCNN的文本情感分类系统

通过分析用户在线评论的文本信息来预测消费者的网购偏好意愿,进而提高消费者的满意度成为众多企业的需求.但庞大的评论数据量使得人工手动对评论文本进行分类打标签难以实现,结合Word2vec和TextCNN模型实现对在线评论进行文本情感分类.对评论文本进行规格化处理,通过结巴分词库等对已处理数据进行分词,即提取关键字词.使用Word2vec工具对每个分词进行词向量的训练,得到word embedding权重矩阵作CNN模型的嵌入层,采用TextCNN模型训练得到本文的情感分类模型.相比于直接用传统的卷积神经网络CNN默认的词嵌入层,本文训练出来的神经网络模型效果更佳.

基于RoBERTa和图增强Transformer的序列推荐方法

自推荐系统出现以来,有限的数据信息就一直制约着推荐算法的进一步发展。为降低数据稀疏性的影响,增强非评分数据的利用率,基于神经网络的文本推荐模型相继被提出,但主流的卷积或循环神经网络在文本语义理解和长距离关系捕捉方面存在明显劣势。为了更好地挖掘用户与商品之间的深层潜在特征,进一步提高推荐质量,提出一种基于Ro BERTa和图增强Transformer的序列推荐(RGT)模型。引入评论文本数据,首先利用预训练的Ro BERTa模型捕获评论文本中的字词语义特征,初步建模用户的个性化兴趣,然后根据用户与商品的历史交互信息,构建具有时序特性的商品关联图注意力机制网络模型,通过图增强Transformer的方法将图模型学习到的各个商品的特征表示以序列的形式输入Transformer编码层,最后将得到的输出向量与之前捕获的语义表征以及计算得到的商品关联图的全图表征输入全连接层,以捕获用户全局的兴趣偏好,实现用户对商品的预测评分。在3组真实亚马逊公开数据集上的实验结果表明,与Deep FM、Conv MF等经典文本推荐模型相比,RGT模型在均方根误差(RMSE)和平均绝对误差(MAE)2种指标上有显著提升,相较于最优对比模型最高分别提升4.7%和5.3%。

基于文本挖掘的新冠肺炎疫情下医药在线消费者的需求研究

基于新冠肺炎疫情下医药电商交易规模的爆炸式增长,对医药电商在线评论进行文本分析,以某B2C医药电商平台2019—2021年在线评论数据为样本,利用LDA主题模型提取在线评论蕴含的主题,并构建情感词典融合深度学习的情感分析模型,对评论和主题词进行情感分析。研究结果显示:1)消费者网购医药商品始终关注平台的可靠性、物流服务、商品价格、药品的使用效果;2)新冠肺炎疫情爆发之前,消费者对服务态度、商品品牌、购买便捷性有很大关注度;疫情爆发后对感冒类和维生素类药品关注度更高,疫情的爆发会影响消费者的购药决策;后疫情时代,消费者更关注商品性价比、购买快捷性以及药品的品质;3)消费者对于在医药电商平台进行购药整体上表现出积极正面的情感态度;4)负面在线评论主要集中在价格、药效、处方药购买、虚假宣传、物流包装、限购等方面。本研究挖掘出疫情下消费者对于网购医药商品的需求重点和痛点,对医药电商平台改善服务质量提供建设性意见。

Review of general, organic, and biological chemistry, second edition

Overall, General, Organic, and Biological Chemistry is a very useful text to support a twosemester undergraduate course series in chemistry for health sciences students. Its strengths are the use of the P.A.V.E. way to student learning applications. It is very obvious that the author has the background and the preparation of the student taking the course(s) in mind when she was writing the textbook.

RM-RT^(2)NI:融合评论时效与可信近邻影响力的推荐模型

基于矩阵分解的推荐模型虽然能够处理高维评分数据,但容易遭受评分数据稀疏性的困扰。基于评分和评论的推荐模型通过外加隐藏在评论中的用户偏好与物品属性信息,缓解了评分数据的稀疏性,但在特征提取时大多没有关注评论时效性和可信近邻影响力,无法获得更丰富的用户和物品特征。为进一步提高推荐精度,提出了融合评论时效与可信近邻影响力的推荐模型RM-RT^(2)NI。基于评分矩阵,该模型使用矩阵分解提取了用户偏好和物品属性的浅层特征,利用云模型和修正的用户相似度评估模型和新构建的信度评估模型提取出可信近邻影响力;基于评论文本,该模型利用BERT模型获得每条评论的隐表达,利用双向GRU提取评论间的联系,利用新构建的融合时间因子的注意力机制识别各评论的时效贡献度,以获取用户和物品的深层特征。在此基础上,将用户浅层特征、深层特征以及可信近邻影响力特征融合成用户特征,将物品浅层特征和深层特征融合成物品特征,并将它们输入全连接神经网络以预测用户-物品评分。在5组公开数据集上对RM-RM-RT^(2)NI的推荐性能进行了实验评估,结果显示,与7个基线模型相比,RM-RT^(2)NI具有更高的评分预测精度,且RMSE平均降低了3.0657%。

广告虚假好评和返利虚假好评的识别:兼有情绪与文本双重特征的模型框架

在线商品广告虚假好评和返利虚假好评干扰了数字经济的良性发展。本文目的是建立兼有情绪与文本双重特征的模型框架,以识别两类虚假好评和真实好评。通过网络爬虫收集真实评论,依据对评论撰写者的调研实践提取标注规则,建立两类虚假好评与真实好评的中文数据集。引入PAD情绪理论解构评论蕴含的情绪,结合情绪强化调节影响,构造评论的情绪特征。利用n-gram分词和TF-IDF向量化评论文本,运用Boruta方法构建多维文本特征。采用18种主流分类算法构建多类好评的分类模型。实验与对比分析显示:两类虚假好评与真实好评在情绪强化调节影响分布与PAD三维度上存在显著差异,据此提出一种评价好评情绪的可行建模方法;提取的情绪与文本特征使得分类算法均可有效识别三类好评,体现所构建模型框架对分类算法的较低依赖性;引入多维情绪特征能够显著提升分类算法对三类好评,尤其可增强对隐蔽性较强的返利虚假好评的辨识力,体现情绪特征对文本特征的增益效果。本研究结论为电商平台改进虚假好评过滤机制与消费者识别两类虚假好评提供参考借鉴。

基于在线评论的运动服装顾客满意度研究

在纺织服装行业中,运动服装市场是最具潜力的市场。充分认识和了解顾客需求、提高顾客满意度是运动服装企业获取竞争优势的关键。本文运用文本挖掘的方法,以运动服装产品为研究对象,采集顾客的在线评论数据,对运动服装产品的顾客满意度进行研究。通过词频分析、情感分析和主题模型分析,明确了顾客满意度的主要关注点以及情感倾向,揭示了顾客满意度的影响因素主要有产品品质、产品性能、产品特色和平台服务四个方面。在此基础上,对运动服装企业提升顾客满意度提出相应建议。

地理标志农产品网购意愿影响因素研究——基于京东消费者评论的文本挖掘

[目的/意义]消费者网购地理标志农产品面临的购物环境比传统线下购物更为复杂,在线评论作为网络口碑主要呈现形式很大程度上影响着消费者购买决策。[方法/过程]通过爬取京东平台在线评论,利用SnowNLP情感分析、TF-IDF算法和LDA模型,研究消费者网购地理标志农产品的影响因素。[结果/结论]消费者对于地理标志农产品购物整体表现出积极正面的情感态度。消费者网购地理标志农产品的需求关注点集中在产品质量、价格折扣、电商服务、原产地形象、品牌形象、物流配送六个方面。各个变量对消费者购买意愿的影响存在差异:产品质量>物流配送>电商服务>价格折扣>原产地形象>品牌形象。

基于文本挖掘的患者反馈对医生服务行为的影响研究

[目的/意义]随着互联网医疗平台的发展,医患关系逐渐向“以患者为中心”转变,研究患者反馈如何影响医生的服务行为,有助于医患双方更好参与在线医疗服务。[方法/过程]根据好大夫平台的在线评论数据,利用基于情感词典的方面级情感分析方法获得多维度评论文本特征,建立评论信息量、评论文本特征与医生服务行为的研究模型并进行回归分析。[结果/结论]评论数量比评论丰富多样性更能促进医生服务行为;专业评价强度比软实力评价强度更能促进亲社会服务行为,而软实力评价强度比专业评价强度更能促进付费咨询服务行为。研究结论对改善医患关系和医疗平台发展具有参考意义。

高斯混合模型与文本图卷积网络结合的虚假评论识别算法

针对文本图卷积网络(Text GCN)窗口边权阈值策略不足的问题,为了更精准地挖掘相关的词关联结构、提高预测精度,提出一种高斯混合模型(GMM)与Text GCN结合的虚假评论识别算法F-Text GCN。首先,利用GMM分离噪声边权分布的特性,提高虚假评论在训练数据上相对正常评论数不足的边信号强度;然后,考虑到信源的多样性,综合文档、词汇和评论以及非文本特征构造邻接矩阵;最后,通过Text GCN的谱分解提取邻接矩阵的虚假评论关联结构实施预测。根据国内某大型电商平台采集的126086条实际中文评论数据开展实证研究,实验结果表明,F-Text GCN识别虚假评论的F1值达到82.92%,与预训练表征模型BERT和文本卷积神经网络相比分别提升了10.46%和11.60%,相较于只使用评论文本信源的Text GCN模型F1值提升了2.94%;研究了高仿虚假评论的预测错误率,在支持向量机(SVM)作用后难识别的评论样本上尝试二次识别,F-Text GCN整体预测准确率可达94.71%,相较于Text GCN和SVM,在识别准确率上分别提升了2.91%和14.54%。研究发现,虚假评论的二阶图邻居结构显示出较强的干预消费者决策的词汇,这表明所提算法特别适用于提取用于虚假评论检测的长程词语搭配结构和全局句子特征模式变化的场景。

基于用户评论的IPCA分析的产品优化研究——以京东商城平板电脑为例

[目的/意义]利用文本分析技术从用户评论文本中挖掘用户关注的主题,并结合重要性绩效竞争对手分析法(IPCA),探究如何进行产品优化,从而提升产品竞争力。[方法/过程]采集京东商城平板电脑的用户评论文本,采用LDA主题挖掘获取用户评论文本中关注的主题及与主题相关的主题词,并结合情感分析技术构建IPCA模型,基于构建的模型进行产品优化分析。[结果/结论]用户关注主题中的客户服务位于优势特征区,赠品与配件、系统位于正面竞争区,物流服务、外观设计位于紧急行动区,硬件性能位于无效优势区。基于用户评论构建IPCA模型可进行有针对性的产品优化分析,为产品的优化指明方向。

游客大数据视角下的辽宁省海岛旅游发展研究

探索海岛旅游高质量发展路径,推动旅游业高质量发展是满足游客高品质旅游需求和实现旅游业提质增效,实现可持续发展的必由之路。基于辽宁省海岛旅游大数据,从游客的视角对辽宁省海岛旅游发展进行研究,探索辽宁省海岛旅游的发展路径。结果显示:游客对辽宁海岛旅游的情感态度以正面情绪为主,但辽宁海岛旅游发展还有很大的提升空间;旅游吸引物以资源型为主,自然资源和游客体验吸引力较强,而基础设施与服务、人文旅游资源吸引力较弱;人文旅游资源及基础设施与服务这两个维度吸引力在辽宁省海岛普遍较弱;旅游发展不均衡,空间差异显著。辽宁省海岛旅游总体发展主要集中在大连市长海县。并提出如下解决措施:走文旅融合路线,突出海岛特色和文化特色;创新旅游产品开发策略,完善海岛内基础设施;相关部门要加强市场监管;加强营销宣传力度,创新旅游业高质量发展动能;打造海岛全域旅游网络,建立海岛旅游示范区。

再论孔子的“述而不作”与“温故而知新”——以中国早期文明中的文本与口传为视角

后人对孔子形成了创新与守旧的不同认识,其原因可以追溯到孔子的思维世界:“述而不作”和“温故而知新”分别针对文献整理和口头诠释展开。“述而不作”是孔子向老子学习史官“主书主法”的专业技能,其中不需要太多个人意志。孔子按照教化旨趣,把王官之学的单篇文本填充到“六艺”的框架中。孔子“温故而知新”获得的“新得”,很大程度上体现在口头层面,其评论中有大量“论、议、辩”的成分,促进了“语”类文献的繁荣。孔子时代的典章制度文本依然发挥着不可替代的作用,口头表达的“新得”是补充。汉代文本系统产生的古文经和口传系统产生的今文经的争端,可归因于孔子“述而不作”和“温故而知新”的命题,以及周代“文”与“献”之间的辩证矛盾。

基于语义量化匹配的汽车外观显著性意象挖掘

目的 为解决传统感性设计研究中意象实验耗时大以及小样本偶然性等问题,依托现有网络评价文本信息提取了用户意象认知。方法 首先,爬取大规模汽车外观评论文本,构建语义分析词汇库,构建word2vec词向量模型;然后,基于模型获取词库内部的语义联系,计算高频关键形容词之间的语义离散性,以构建代表性意象词空间;最后,通过语义量化匹配将评论映射到意象词空间,得到大规模用户对各车型的显著性意象表征,明确了指定意象词汇下的汽车外观匹配结果。结果 运用该方法挖掘汽车外观显著性意象与基于人工评价的实验结果无显著性差异且具有高度相关性,证明了该方法的有效性。结论 以该方法挖掘用户意象认知,运用了现有的大批量用户反馈知识,提高了意象分析效率,有助于决策者快速理解消费者对汽车外观的感性知识,在设计迭代中可使产品更符合市场期望;对比相关研究,基于语义量化匹配的方式无需对超高维向量进行降维和聚类,避免了以往研究因特征降维而可能导致的词向量语义联系的损失,以得到更为准确的意象挖掘结果。

开放同行评审中自动评审分类方法研究

[目的/意义]科技论文是学术界传递和交流知识的重要方式。科技论文评审是对科技论文承载的知识的价值衡量,高效准确的科技论文评审分类预测可以快速判断论文价值,加速有价值的知识传播进程。[方法/过程]本文讨论开放同行评审中自动评审分类方法,利用科技论文语义信息和开放同行评审中的专家评分,分别构建基于传统机器学习和基于深度学习的科技论文文本表示及分类模型,提供自动评审分类结果。[结果/结论]实验结果表明,融合语义信息和评分信息的评审分类模型比单纯依靠评分均值进行评审判断更为有效,以评分+均值为评分信息输入、基于SCIBERT的质量评审分类模型准确率最高,达到90.17%。本文提出的自动评审分类方法具有可用性,准确率较高,可以辅助期刊编辑快速筛选有潜力的科技论文,促进科技论文智能评审的发展。

基于文本挖掘的俄罗斯羽绒服消费需求

为推动中国与俄罗斯的外贸服装产业发展,并有效指导国内企业进入反向定制生产模式,以俄罗斯电商平台Wildberries为数据来源,应用文本挖掘技术对平台上商品的在线评论内容进行情感分析,通过消费者评价维度权重、情感积极率和待改进度3项指标获得服装消费者的反馈信息。结果表明:一级维度中对消费者整体情感倾向影响最大的是产品质量,其次是产品外观和服务质量。在产品质量中,保暖性虽然是羽绒服最重要的服装特性,但在影响消费者整体情感倾向程度的排名中仅第三;排名第一的为合身度,也是最需要改进的。在其他二级维度中,对消费者整体情感倾向影响最大的分别是颜色、客户服务,两者均需进一步改进。未来中国的外贸服装企业在设计生产过程中不仅要增加相应的尺码,还要考虑到消费者对颜色的偏好和保暖性需求,销售方在服务提供过程中要注重提升客户服务质量,以提升消费者满意度,最终促进国内企业进入反向定制生产模式,推进双方贸易发展。

在线评论数据驱动的客户感性需求识别及向设计特征映射方法

为提升客户对产品的认可度,针对传统概念设计阶段未充分考虑客户感性需求偏好及客户感性需求获取困难的问题,提出一种在线评论数据驱动的客户感性需求识别及向设计特征映射方法。首先,基于形态学分析法,通过构建能量材料信号(Energy Material Signal, EMS)模型试图从产品中发现所有设计特征,并基于在线评论数据从所有设计特征中筛选出用户关注的核心特征;其次,从在线评论数据中提取形容词组成感性词对,以感性词作为中心词并利用词向量技术获得非中心词,基于情感词典,利用所给方法计算产品感性词对的感性评价值;然后,基于数量化理论Ⅰ(Quantitative TheoryⅠ,QTⅠ)建立客户感性评价与产品设计元素之间的映射模型,并为改进产品设计提供依据;最后,通过实例验证所提方法的可行性和有效性。

融合注意力机制和评论文本特征的推荐算法

为区分基于评论文本推荐算法中不同评论文本数据对不同用户或物品的差异,提出一种融合注意力机制和评论文本特征的推荐算法(RAAM)。在卷积神经网络中加入三级注意力机制,分别从单词级别、语句级别和评论级别为不同用户或物品区分评论数据的重要性,引入共同注意力网络模拟用户与物品之间的交互,获取更多用户和物品的交互信息,提高推荐效果。在Amazon的5个数据集上的对比实验结果验证了算法的有效性。

医疗评论内容特征挖掘及其对患者在线问诊服务利用的影响

目的/意义阐述在线医疗评论的内容特征及其对患者在线问诊服务利用的影响,为在线医疗平台信息管理提供参考。方法/过程构建基于TF-IDF的LDA主题模型,采用基于情感词典的语义分析方法,挖掘在线医疗评论的内容特征,应用主成分分析法对其进行分类探索,并利用二元logistic进行回归分析。结果/结论将在线医疗评论内容特征分为3大类别,包括9个指标,其中评论者属性、时效性、问诊流程、服务态度和平台操作反馈对患者高效在线问诊服务利用存在显著影响,建议通过优化在线医疗平台评论板块相关服务提高患者对在线问诊服务的利用水平。

国外善因营销研究文献主题挖掘与研究热点分析

当今企业普遍注重社会责任的理念,善因营销已经成为企业增强品牌信任、提升品牌资产的有效途径。采用文本挖掘方法对2014—2022年的CRM文献中的高质量英文文献进行分析并总结归纳研究主题与热点趋势,确定了CRM领域的四个最新研究热点,即消费者对CRM推广的感知和响应,品牌与事业/产品与事业/消费者与事业的契合度,CRM战略的执行特征,以及宏观和中观层面的CRM相关问题。这项研究提供了过去近十年CRM研究趋势的整体观点,为善因营销研究提出了未来研究方向,以期随着CRM实践的发展,为更有针对性和更有效的研究贡献提供指导。