基于逻辑回归的中文在线评论有效性检测模型

为了实现电子商务和社交网络中文在线评论有效性的自动化检测,提出了一种单一主题环境下基于逻辑回归的垃圾评论检测模型.中文在线评论有效性的检测可以归结为分类问题,结合中文在线评论的特点提取了9个特征以构建分类模型;为获取核心特征主题的相关度,采用基于关联规则的评论名词模式优化了ICTCLAS中文分词系统的主题识别,进而利用交叉语言模型获取在线评论主题相关度.实验中采取了人为标定的1 000条评论作为样本,把支持向量机分类模型作为对比进行试验,利用数据挖掘工具Weka进行计算.结果表明,采用优化评论名词模式下基于逻辑回归的垃圾评论检测模型结果的准确率达到83.54%,比支持向量机分类模型计算得到的准确率高2.10%.

融合评论的多任务联合谣言检测方法

目前,针对微博领域的谣言检测方法主要基于微博正文,同时辅以用户评论特征、传播特征等信息进行判定。然而已有方法没有考虑用户评论质量会直接影响谣言检测的性能,质量低的评论甚至会引入无用甚至负面的特征,进而对谣言检测的性能带来更大的影响。针对该问题,基于用户评论和谣言检测的关联性,首次提出一种考虑评论有效性,并基于多任务联合学习的谣言检测方法。首先将谣言检测作为主任务,用户评论相关性检测为辅助任务;然后采用门控机制和注意力机制过滤和选择有效的用户评论特征;最后基于自主构建的3万条疫情微博谣言数据集进行实验。实验结果表明,对用户评论进行筛选不仅可以提升谣言检测性能,还能对用户评论质量进行判定。

基于IAM理论的在线评论媒介有效性研究

在线评论作为一种新兴的互联网互动方式,目前已经成为消费者购买决策的重要参考因素之一。然而在浩如烟海的评论里,消费者获得的是过载和有偏差的信息,评论的有效性无法确认而导致难以做出有效决策,这也为市场预测和策略调整带来不利影响。因此本文重点探讨在线评论的影响因素与有效性之间的关系。以"信息采纳模型"为基础从信息质量和信息源的角度,结合相应的理论模型,选取影响评论有效性的在线评论特征因素,构建BP神经网络模型来分析这些影响因素跟评论有效性之间的关系强度。通过爬虫获取的大量在线评论数据对模型的训练发现:评论的回复数、长度、时效性、商品类型和评论者等级对评论有效性有强关系作用,而且评论回复数的影响效果最为明显。最后基于实证研究成果给出了一些在线评论媒介运用的策略和建议。

游客目的地印象分析

旅游目的地作为旅游活动开展的载体,近年来面临日趋增大的竞争压力。当前,中国各地区旅游品牌声誉度呈现发展不均衡的态势,怎样提升景区及酒店等旅游目的地美誉度,吸引优质游客、扩大品牌影响、提高竞争能力,成为各地区文旅主管部门和旅游相关企业关注的重点问题。游客满意度与目的地美誉度紧密相关,游客对旅游目的地的满意度越高,目的地美誉度就越大。本文通过分析景区及酒店等旅游目的地的游客互联网评价,在TF-IDF模型基础上,提出综合考虑词频与时间跨度的TF-ITH词汇热度计算模型,能够准确反映随时间变化的不同景区的游客评论热门词汇;引入预训练的Bert模型提取网评文本的观点,采用多元线性回归以MSE为评价指标来预测景区评分,为文本信息更加可观化提供一种新的方法;提出一种基于有效性的网络评论文本排序与筛选模型,能准确地剔除旅游目的地游客无效评论,从而为提升各地区旅游目的地的差异化竞争能力提供借鉴,进一步探索旅游目的地声誉塑造与维护的实现路径。