基于多维度文本特征的电商平台评论有用性研究

伴随电子商务的发展,基于Web 2.0的在线评论体系不断完善,但海量评论降低了有效信息的获取效率,引发信息过载问题。如何迅速识别对消费者有用的评论、缓解信息过载问题,引起了业内与学界的广泛关注。利用大众点评网近5万条餐厅在线评论数据,综合考虑评论的多维度文本特征与情感表达倾向,采用Tobit、负二项回归方法对评论有用性影响因素开展实证研究。在此基础上,提出餐厅在线评论有用性分类阈值并使用支持向量机算法检验阈值的分类性能。研究结果表明:在线评论内容的菜品品质维度属性数量与平均长度、商家服务维度属性数量与平均长度以及正向情感倾向均显著正向影响在线评论有用性,且阈值为2的模型分类性能最佳。因此,电子商务网站可以进一步优化在线评论体系,提高消费者信息获取效率,促进在线评论生态持续向好发展。

发掘和利用:细粒度层次化网络的文本到图像生成

针对现有文本到图像生成(text-to-image synthesis,T2I)方法采用冗余的阶段性网络结构,同时缺乏对文本特性有效利用从而影响网络完全收敛的问题,提出了一种细粒度的层次化生成对抗网络(generative adversarial networks,GAN)。该网络利用多维度文本特征提取器充分地“发掘”(explore)文本语义特征;通过堆叠层次化模块,即空间仿射生成模块和累加结合模块,更好地“利用”(exploit)主干网络的生成性能。在3个基准数据集上的实验充分表明,所提方法在量化指标和可视化效果方面均显著领先于现有方法。实现代码已经公开在https:∥github.com/qikizh/EE-GAN。