基于观点挖掘的产品特征提取

探索产品特征,以帮助生产商和服务商有针对性地改进产品性能和指导用户对产品的各个性能有比较全面的了解。通过分析产品信息和评论信息,搭建3层挖掘模型实现基于观点挖掘的产品特征提取,第3层挖掘模型创新性地使用关联规则和依存分析相结合的方法。采用网络爬虫技术从互联网获取实验数据,实验结果证明该模型和该方法的有效性。

基于词频和情景语义的产品特征提取方法

为解决目前产品特征提取方法在种子特征词集构建上存在需要大量人工标注、代表性不足等问题,提出一种基于词频和情景语义的产品特征提取方法。通过少量高频名词和关联规则构建种子特征词集,采用神经网络语言模型进行词向量训练,再通过计算向量间余弦相似度对种子特征词集进行扩充,最后经人工分类后得到完整的产品特征词典。实验结果显示,该方法采用种子特征词集相似度排名前九的单词(top9)来进行产品特征扩充时效果最好,F1值达到了76.44%。此外,与K-means+Word2vec、LDA等方法在top5,top10,top15,top20水平上的对比实验表明,无论是准确率、召回率还是F1值,该方法都更优。

中文网络评论的隐式产品特征提取方法研究

针对现有研究忽略隐式产品特征提取的问题,基于自然语言处理技术相关理论,提出新的隐式产品特征提取方法。引入产品特征主题和背景主题,建立GT-PLSA(Given Topic PLSA,给定主题的PLSA)模型;估计GT-PLSA模型的参数;通过模型参数值推断评论句所包含的隐式产品特征。对手机评论数据进行仿真实验的结果表明,该方法能有效准确地提取评论句中的隐式产品特征,从而提高产品特征的总体提取效果。

基于混合神经网络的中文在线评论产品特征提取及消费者需求分析

【目的】从中文在线评论中提取产品特征,并结合评论内容对消费者需求进行分析。【方法】首先提出一种混合神经网络(HNN)模型用于从中文在线评论中提取产品特征,进一步将关键事件技术及抱怨和赞扬分析理论应用到Kano模型中,对产品特征进行分类和优先级排序。【结果】HNN模型的F1值达到94.85%,比变体基准模型平均提高10.52个百分点,比业界其他模型平均提高9.47个百分点。【局限】所提方法是一种监督方法,对标记信息的需求限制了其应用。【结论】所提方法通过解决中文产品特征提取的问题,提升了产品特征提取的精度。结合提取的特征进行消费者需求分析,对产品特征进行分类和优先级排序,为产品管理者构建产品提升策略奠定基础。

汉语组块分析在产品特征提取中的应用研究

【目的】解决用户评论文本中的产品特征提取问题,尤其是名词性短语的识别问题。【方法】利用汉语组块分析进行产品特征提取,根据Apriori产生频繁项集以及TF-IDF阈值对候选产品特征进行过滤,得到产品特征集合,从而实现对用户评论中产品特征的自动提取。【结果】为验证该方法的有效性,以汽车评论文本为例,从中提取汽车类产品的特征,平均召回率达到76.89%,平均准确率达到84.03%。【局限】该方法的召回率较低,存在名词块识别错误的问题。【结论】实验结果表明引入汉语组块分析可以准确识别名词性短语,提高产品特征提取的准确率。

基于中文网络客户评论的消费者行为分析方法

网络上针对商品的评论中含有消费者的消费习惯、消费体验和消费偏好等颇有价值的信息,这为观察和分析消费者的行为提供了很好的资料。文中设计了一个网络环境下的消费者行为分析方法。首先,在收集的客户评论中提取产品特征、消费者信息和消费者对具体产品特征的情感倾向;其次,按消费者信息进行消费者群体划分,进而探讨不同消费群体对不同产品的喜好。企业可通过该方法及时获取消费人群对产品的反馈数据并制定正确的市场营销策略。

基于产品特征细粒度情感分析的在线品牌社群用户评论挖掘

基于在线品牌社群的海量评论信息进行数据挖掘,分析用户偏好,发现产品不足并提供改进依据.选取爱卡汽车论坛中的用户发帖文本.首先,通过提取少量高频名词构建候选种子特征词集,利用神经网络语言模型训练词向量,计算向量间的余弦相似度扩充候选种子特征词集,再经人工分类,获取完整产品特征词集;其次,运用LSTM对产品评论中各属性特征进行情感分类,使情感得分量化,并结合PC-KANO模型对用户产品需求偏好进行分析挖掘.研究结果表明,将在线品牌社群用户的发帖文本转化为用户对企业产品或服务的偏好.着眼于在线品牌社群用户帖子信息研究,为在线品牌社群用户偏好研究提供新的理论方向,加强企业与用户的信息交流、提升品牌竞争力提供一定参考.