基于文本评论的在线民宿信誉评价指标关注度研究

当前"民宿-游客"关系管理的研究缺乏对民宿在线信誉评价系统的深入、全面认识,而网络文本评论中隐含着更丰富的消费者感受信息。通过对在线文本评论实施词语聚类,获取隐藏其中的消费者最为关注的民宿信誉评价指标:设施设备、服务、娱乐文化因素、卫生舒适、位置、价格、餐饮。据此开发的新信誉评价系统能够优化消费者的购买决策及帮助民宿管理者赢得竞争优势。

基于文本评论的可解释推荐研究

近年来,可解释推荐逐渐成为推荐系统领域的研究热点,其目的是在给用户推荐物品的同时,对推荐结果进行解释。可解释推荐不仅能够提高推荐系统的准确性和说服力,而且可以让用户在商品之间快速做出选择。随着用户评论信息爆炸式的增长,如何有效地利用这些信息成为人们思考的问题。用户在评论会表现出他们对物品不同特征的偏好信息,因此利用这些文本评论进行可解释推荐成为当下推荐系统领域研究热潮。根据近年来基于文本评论的可解释推荐的研究成果,可以将其概括为基于评论的方法,基于主题的方法和基于方面的方法。通过对国内外研究成果的梳理,将对现有的基于文本评论的可解释推荐方法介绍和总结。

基于CNN-LSTM的社交媒体大数据评论文本情感元自动识别方法

为了准确识别社交媒体评论文本情感,助力公众负面情绪引导,提出了基于CNN-LSTM的社交媒体大数据评论文本情感元自动识别方法。通过社交媒体大数据分类,并通过具有字典功能的Token将评论文本转换成数字列表。结合词嵌入技术得到向量列表,完成社交媒体大数据向量转换的预处理。将预处理获取的向量列表输入CNN网络,得到评论文本情感元最终局部特征值。将该值传至LSTM,通过遗忘门、输入门、输出门调节,获取评论文本情感元特征表征结果,经Softmax分类器分类后,实现情感元自动识别。实验结果表明,该方法能有效完成实验数据预处理,用文字和标签的形式标记正面、负面情感元,并准确识别情感元,间接反映社会问题,应用性较强。

基于Plutchik情感轮的剧集网络评论文本的离散情感评价及有效性分析

看剧是一种高强度的情感休闲行为,剧集会激发受众多样而密集的情感,因此对看剧等文化消费的情感体验进行评价时,以离散情感模型作为理论基础会更有效,但目前对影视体验进行情感评价时以PANAS模型为主。基于Plutchik情感轮和NRC情感词典,构建了影评情感词库。使用Python软件抓取并评价了53部仙侠类、剧情类剧集豆瓣评论文本的离散情感,最后对离散情感评价结果进行了有效性分析。结果发现,一方面剧集网络短评可以用于衡量剧集情感,另一方面基于Plutchik情感轮的离散情感评价方法既可以对剧集进行分类,也比PANAS情感评价方法对剧集质量有更强的解释能力。研究结论可用于影视制片、剧集质量评价和情感营销。

基于评分矩阵与评论文本融合的混合推荐模型

推荐系统已在电子商务中迅速推广应用,其带来的数据稀疏性增加了评分预测的不准确因素。提出了一种将评分和评论文本相融合的混合推荐模型(MRB),将用户偏好影响因子引入用户评分预测模型(UBP)中,将项目-时间因子引入项目评分预测模型(IBP)中,通过推荐结果平均绝对误差(MAE)实验验证,当近邻数为50时,该模型明显优于传统的模型。

基于密度Canopy的评论文本主题识别方法

融合Sentence-BERT和LDA的评论文本主题识别(SBERT-LDA)方法,将LDA的主题数作为K-means算法中的k值,导致算法可解释性较差、主题一致性较低。为了解决上述问题,提出基于密度Canopy的SBERT-LDA优化方法(SBERT-LDA-DC),利用密度Canopy改进Kmeans算法。实验结果表明,提出的方法在一致性指标上要优于使用K-means以及K-means++对特征向量聚类的同类方法;与SBERT-LDA方法相比,在1852条戏剧评论数据集上,一致性指标值提高了22.9%。因此,所提出的SBERT-LDA-DC方法是有效的,对产品或服务提供者更好地了解用户意见、完善自身产品或提升服务水平提供了新方法,具有较强的实际应用价值。

融合Sentence-BERT和LDA的评论文本主题识别

[目的/意义]为了解决评论文本主题识别时语义描述不充分以及学习到的主题语义连贯性不强等问题。本文将Sentence-BERT句子嵌入模型和LDA模型相结合,提升评论文本主题的语义性。[方法/过程]采用Sentence-BERT模型获取评论文本句子层面的向量特征,同时,采用LDA模型获取评论文本的概率主题向量,随后使用自动编码器连接两组向量,运用K-means算法对潜在空间向量进行聚类,从类簇中获取上下文主题信息。[结果/结论]通过对评论文本数据集的实验,本文方法可以较好地获得具有语义信息的主题词。Sentence-BERT模型与LDA结合,增加了模型的复杂性。通过对比,本文方法获得的主题一致性指标(Coherence)优于目前常见的评论文本主题识别方法。

结合短文本扩展和BERT的商品评论文本自动分类

针对商品评论文本具有短文本及表述用词不规范的特点,探讨如何实现商品评论文本按照商品种类进行自动归类并提高其分类效果。通过TF-IDF和LDA构建训练集的核心词集,利用Word2Vec相似度计算方式对短文本进行特征扩展获得的商品评论文本作为分类对象,基于BERT模型实现分类,并设计相应的对比实验证明本方法的有效性。对商品评论文本扩展后使用BERT分类时,本文方法比未扩展时的F1值提升2.1%,比使用Hownet相似度计算方式扩展时的F1值提升0.9%。从基本原理、不同相似度计算方法以及用词方式等方面分析本方法有效性的原因。本文提出的方法能有效提升商品评论文本按照商品进行信息组织时的分类效果,可以应用于电子商务信息的信息组织及其相关理论方法研究等领域。

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%。

基于KMeans-EDA算法的非均衡评论情感分类研究

学习者真实的评价是反映在线课程优缺点的重要指标,快速准确地获得其反馈,对于在线课程的优化极为重要。为深入挖掘学习者的在线学习行为,继而为在线教学提供有效的数据基础,爬取了中国大学MOOC平台的课程评论文本,基于Bert模型的结构,建立了基于自注意力文本表征的机器学习模型,能够实现对评论文本的精确情感分类,从而获得学习者内隐的情感状态。由于爬取数据中负面评论较少,故设计了KMeans-EDA自适应均衡采样训练策略,解决了训练过程中模型偏向多数类的问题,提升了模型对负面评论的识别能力。实验结果表明,该策略可以将模型对评论文本的F1-score值从0.6902提升到0.7399。

融合评论文本与评分交互特征的推荐方法

为缓解协同过滤推荐算法中评分数据稀疏问题对推荐结果的影响,提出一种融合文本评论和用户评分交互的推荐算法。通过将用户和商品评论各自潜在主题向量与用户、商品的潜在因子向量进行融合并各自进行评分,经过动态线性加权融合做出整体评分预测。在公开的多组数据集上,以推荐结果的均方根误差(RMSE)和平均绝对误差(MAE)为评估指标进行实验验证。实验结果表明,提出算法可以更好地刻画用户偏好和商品特征,有效缓解了评论数据稀疏性影响,提高推荐结果的准确性。

基于评分与文本融合的多注意力跨域推荐算法

为解决在目标领域推荐过程中用户与物品交互数据的稀疏性问题,提出一种新的跨域推荐模型。将辅助领域中的知识迁移到目标域中,基于前馈神经网络分别获得评分信息与评论文本信息的域独有特征;通过采用基于神经网络的特征提取器与基于向量嵌入的域鉴别器融合后的对抗模型,获得评分信息与评论文本信息的域共享特征;再基于多层注意力机制将域独有特征与域共享特征进行融合,从而获得用户对物品的兴趣度。研究结果表明:对于两种经典的推荐评价性能指标,所提出的模型在Amazon数据集上可以获得更好的推荐性能。

面向在线课程推荐的评论文本情感分析

准确的课程内容推荐是影响在线课程学习体验的重要因素,合理利用学习者评论文本中蕴含的情感信息可以有效提升推荐准确度,论文提出融合注意力机制的RoBERTa-BiLSTM模型来提取非结构化评论文本中的情感信息。首先,采用RoBERTa模型将课程评论文本和方面词转换成词向量;然后,通过双向的LSTM来双向提取课程评论和方面词的深层次语义,再通过注意力机制来学习方面词在评论文本中的重要程度;最后,将更新的向量表示与BiLSTM模型的输出相乘,并输入到全连接层进行分类预测。在bilibili平台数据集上测试表明准确率和F1值达到了84.6%和0.834。

农产品电商平台评论文本数据挖掘技术的方法研究

近年来,随着互联网和电子商务的快速发展,农产品电商平台已经成为农产品流通的主要渠道之一。消费者通过在平台上发布评论来表达对产品和服务的看法,针对这些评论进行数据挖掘可以为平台的优化提供有价值的信息。文章基于农产品电商平台的评论文本数据,探讨了一种针对该领域的数据挖掘方法,包括文本清洗、特征提取和情感分析3个步骤。实验结果表明,该方法可以有效地抽取评论中包含的信息,为平台的发展提供指导。该研究可为从事电商评论数据挖掘的学者和从业者提供一种新的思路和参考。

互联网技术支持下针对评论文本的个性化推荐算法设计

针对评论文本的个性化推荐算法包括多个功能层。数据预处理层将用户对物品的评语转化为词向量,从而降低算法的计算效率。卷积神经网络层对预处理后的数据进行卷积操作,形成评论语句的上下文表达方法。注意力层分为三层注意力机制和协同注意力机制两种运行模式,用于提取用户和物品的个性化特征。预测评论层以量化方式对个性化推荐算法进行评价,相关评价指标为均方误差。经数据检验,该推荐算法的性能优于PMF、UserCF等同类推荐算法。

基于朴素贝叶斯模型的评论文本情感分析

情感分析是分析一组文本以理解其表达的观点,使用正值或负值量化文本所表达的情绪,论文阐述利用SnowNLP进行实时文本的情感倾向的统计分析。

基于陶瓷产品评论的情感分析

本文基于陶瓷产品的评论数据进行了评论文本情感分析,本文主要研究的是应用机器学习方法对陶瓷产品评论文本进行情感分类,采用的机器学习情感分类模型有:朴素贝叶斯(NB)、支持向量机(SVM)、人工神经网络(ANN)和随机森林(RF)。在情感分类后进行了对比分析,对比分析后发现:1) 在此数据集下,Word2vec词向量文本特征表示方法相比于词频矩阵和TF-IDF这两种文本特征表示方法更适合于文本特征表示;2) 在此数据集下,四种情感分类模型中,人工神经网络(ANN)的分类效果最差,支持向量机(SVM)的分类效果最好。综上所述,对于陶瓷产品评论文本情感分类,在此数据集下,这三种文本特征表示方法和四种机器学习情感分类模型的所有组合中,Word2vec词向量方法和支持向量机的组合的情感分类效果最好。

融合评分矩阵与评论文本的商品推荐模型

随着电子商务的迅速发展和Web上信息的不断增长,推荐系统成为有效帮助用户做出决策的重要智能软件之一.基于评分数据的矩阵分解推荐模型被广泛研究和应用,但数据稀疏性问题影响了该模型的推荐质量.另一方面推荐系统中用户撰写的评论文本可以反映用户的兴趣偏好,有研究工作提出了相应的文本分析及观点挖掘方法来缓解评分数据的稀疏性.评分矩阵分解模型与评论文本挖掘模型的融合有助于提高推荐质量,因此该文首先提出了一种融合评分数值和评论文本的推荐模型DTMF(Double Topics with Matrix Factorization),将用户评论集和商品评论集各自的潜在主题向量分别与传统矩阵分解的用户潜在因子向量和商品潜在因子向量建立正向映射关系,然后通过添加潜在主题为预测评分引导项进一步优化DTMF模型提出了DTMF+模型.在两组公开数据集上,以推荐结果的均方误差(MSE)为评估指标进行了实验验证.实验结果表明本文提出的DTMF和DTMF+两个模型整体上优于仅融入商品评论集的HFT(Hidden Factors as Topics)(item)模型,在子类数据上预测误差最大分别降低了3.68%和7.31%.该文最后探讨了有用性评论排序问题来增强推荐结果的可解释性.

基于用户评论文本情感分类的推荐算法ABFR

大数据时代,数据负载使得人们从互联网中获取有效信息的难度越来越大,单维度用户与系统的交互行为已经无法进行精确地推荐,而用户在系统中对物品的评论信息常常能够表达用户的情感倾向和兴趣偏好.利用自然语言处理的ALBERT模型结合BiLSTM神经网络来挖掘用户对物品评论文本中的情感倾向,将用户的情感倾向进行二分类并数值化代入到用户评分矩阵中,此方法解决了用户评分矩阵数据稀疏的问题,最后利用相似度计算和对物品预测评分来为邻域用户提供个性化推荐.在豆瓣电影评论数据集上进行了对比实验,结果表明:所提出算法的精确率达到25.36%,优于近期提出的加权正则的矩阵分解方法和稀疏线性模型推荐方法,具有更好的推荐效果.

一种基于LDA主题模型的评论文本情感分类方法

针对互联网出现的评论文本情感分析,引入潜在狄利克雷分布(Latent Dirichlet allocation,LDA)模型,提出一种分类方法。该分类方法结合情感词典,依据指定的情感单元搭配模式,提取情感信息,包括情感词和上、下文。使用主题模型发掘情感信息中的关键特征,并融入到情感向量空间中。最后利用机器学习分类算法,实现中文评论文本的情感分类。实验结果表明,提出的方法有效降低了特征向量的维度,并且在文本情感分类上有很好的效果。