基于Word2vec和SVM的在线图书评论情感识别系统实现

在线图书评论文本数量庞大、纷繁复杂,传统词袋模型无法表征文本隐含的语义信息,也无法通过一个线性分类器实现分类,而人工监控分析又具有很强的滞后性。文中以online_shopping_10_cats数据集中的图书评论部分为语料,经过文本预处理,采用Word2vec进行文本向量表示,得到语义化的特征矩阵,引入SVM模型进行训练和预测,采用增量训练和GridSearchCV进行模型优化,应用Tkinter构建可视化界面,实现文本信息情感识别。实验表明,该系统精确率为0.94,召回率为0.94,f1-score值为0.93,具有良好的适用性。

整合不同评论平台的图书综合影响力评价研究

目前电商网站、社交媒体网站上包含大量的图书评论数据。挖掘在线图书评论,对于图书的全面评价、用户购买决策等都具有重要的作用。然而,目前基于图书评论的图书评价研究主要依据单一的评论平台,尚未利用多个平台的评论数据,在一定程度上造成图书评价结果的片面性。为此,本文量化不同平台图书评论差异的基础上,提出一种整合不同平台的图书综合影响力评价方法,即通过对社交平台、电子商务网站等数据源图书评论的采集与整合,进行图书综合影响力的评价。本文以4个学科的348本图书为例,从图书属性层面整合多源数据,分析不同整合策略所得图书评价结果的差异及原因。与基于单一平台的图书评价结果对比分析表明,整合不同平台数据的评价方法能够更加全面地评价图书影响力,降低传统方法的局限性。

数据驱动的图书销量预测理论框架研究

图书在线评论是图书销量的关键预测指标和口碑传播方式。文章梳理和总结了四种理论视角下的图书销量预测研究,从图书特征和图书网络口碑两个层面分析影响图书销量的主要因素,以图书在线评论为例,构建数据驱动的图书销量预测理论框架,将在线评论情感分析纳入图书销量预测框架,并对核心内容模块和关键问题解决思路进行解析。所构建的数据驱动的图书销量预测理论框架可以为图书行业市场调查与营销管理提供深度剖析,为出版机构运营管理提供理论依据。

基于在线评论的图书消费者满意度影响因素与作用机理

[目的/意义]本文旨在提出一种从大量在线商品评论数据中挖掘影响读者满意度的关键因素的方法,并深入探讨各个影响因素对消费者满意度的影响模式和影响程度,进而为图书出版企业、电商平台持续改善读者满意度提供理论基础。[方法/过程]一方面利用朴素贝叶斯分类器将读者的情感进行分类。另一方面对评价文本中的高频名词进行聚类,发现影响读者满意度的主要因素。在此基础上基于最大程度减少不确定性的原则对各个影响因素的影响模式和影响程度进行分析。[结果/结论]以京东人工智能类图书评论为例进行了实证研究,发现包括内容、价格在内的六个因素可以极大地反映出读者的满意度(83.2%)。因此对于图书类商品,可以通过对大量历史评论数据的学习,找出影响读者满意度的主要因素,据此设计出简化的读者评论框架,以增强读者参与评论的积极性,提高评论的质量。“图书内容”是影响读者满意度的最主要因素。当读者对图书内容表达出不同的情感时,其他因素对读者满意度的影响模式和程度是完全不同的。当读者对图书内容表示满意时,89.2%的总体评论是好评,其他因素的影响较小,价格是导致中评和差评的最主要因素;当读者认为图书内容一般时,评论趋向于中性,读者对服务和物流更为关注;当读者认为图书内容不令人满意时,影响读者满意的因素依次是包装、服务质量和价格。基于不同影响因素对读者满意度的影响模式和影响程度,图书出版企业和电商平台可以更加有针对性地对其加以改善,以提高读者满意度。

Tekstum:图书网络口碑的晴雨表

随着在线评论文本的爆发式增长,出版商已经意识到了其背后蕴藏的巨大价值。西班牙创业公司泰克斯登抓住这个契机,通过对海量在线图书评论进行实时情感分析,力图提炼出更真实、更全面、更直观的读者反馈信息,以供相关机构参考,并辅助决策。当我们在互联网上谈论读书时,我们在谈论什么?不论是称赞故事精巧,还是感叹装帧精美,抑或是埋怨文笔粗糙,毫无疑问,这一切都与读者个体的主观体验紧密相关。显然,

大数据背景下在线评论在图书销售中的策略分析

随着大数据时代的到来,由互联网用户创造的海量数据使得在线评论成为一种重要的网络口碑。大数据技术也使得对在线评论的经济价值进行科学的量化研究成为可能。文章以图书在线评论为例,分析了图书在线评论对销售的影响机制,并结合当下的新媒体环境探讨了如何利用图书在线评论销售图书的策略。

Altmetrics视角下的人文社会科学学术专著影响力评价研究——基于BkCI、Amazon和Goodreads的比较分析

Altmetrics自提出以来发展迅速,极大地拓宽了文献计量学评价学术成果的研究范围。目前绝大多数的Altmetrics研究集中在对论文学术成果的评价上,学术专著或其他类型学术成果的评价似乎不够受重视。然而,专著是社会科学和人文学科学术成果的重要形式,本研究将着重研究专著学术成果的评价。本文通过对出版时间标准化构建学术专著在数据库中的日均被引次数(daily average times cited,DATC)指标。此外,本文使用递归神经网络(recurrent neural network,RNN)的方法对专著的在线评论进行情感分类,并使用情感词典对评论文本进行细粒度情感分析,得到情感分析值指标。研究结果发现,部分学术图书在BkCI数据库中的被引次数较少,但其DATC指标较高,原因是这些学术专著的出版时间较晚,还没有足够的时间积累引文。这说明专著的被引次数少并不意味着它们的学术影响力一定低,仅利用引文索引数据库中的被引次数来评价学术专著的学术影响力是有缺陷的。另一个结果表明,学术专著在在线评论方面的Altmetric指标与引文相关性很小,特别是在情感分析均值指标和引文指标之间。低相关性意味着在线评论方面的Altmetric指标在评价学术专著学术影响力方面几乎没有可行性,只能用于评价学术专著的社会影响力。