基于改进特征提取及聚类的网络评论挖掘研究

[目的/意义]针对信息过载条件下中文网络产品评论中特征提取性能低以及特征聚类中初始中心点的选取问题。[方法/过程]本研究提出采用基于权重的改进Apriori算法产生候选产品特征集合,再根据独立支持度、频繁项名词非特征规则及基于网络搜索引擎的PMI算法对候选产品特征集合进行过滤。并以基于HowNet的语义相似度和特征观点共现作为衡量产品特征之间关联程度的特征,提出一种改进K-means聚类算法对产品特征进行聚类。[结果/结论]实验结果表明,在特征提取阶段,查准率为69%,查全率为92.64%,综合值达到79.07%。在特征聚类阶段,本文提出的改进K-means算法相对传统算法具有更优的挖掘性能。

市场细分和专利保护下制造商与再制造商的博弈策略研究

考虑人们对再制造产品的偏好及市场中存在的专利模式,在细分普通消费者与绿色消费者的基础上,探讨不同专利模式下制造商与再制造商的最优博弈策略,并结合数值算例分析模型中关键参数(绿色消费者比例、普通消费者对再制造产品的接受程度)对均衡解及渠道成员利润的影响。研究表明,从环境绩效和消费者利益的角度分析,固定费用专利许可模式下的闭环供应链最优;从制造商与再制造商的角度分析,使用何种专利许可模式或定价策略取决于不同的条件。

基于权重的Apriori算法在文本统计特征提取方法中的应用

【目的】解决在海量客户评论信息中抽取产品特征时噪声大的问题。【方法】运用TF-IDF和方差选择的统计方法在众多初步提取出来的特征中进行选择,设置阈值后将各自提取出来的特征取交进行过滤,得到产品特征集合,根据基于矩阵和权重改进的Apriori算法产生频繁项集,设定不同阈值得到最优特征集合,实现对用户评论中产品特征的自动提取。【结果】以手机评论文本为例,从中抽取手机类的产品特征,根据人工标注的183个特征和算法识别出来的特征,查准率P为72.44%,查全率R为77.59%,综合值F为74.93%。【局限】查准率偏低,存在人工标注特征错误的情况。【结论】实验结果表明,在用统计方法和改进后的Apriori算法进行特征提取时可以提高各性能指标。