基于WMD距离与近邻传播的新闻评论聚类

随着新闻网站的快速发展,网络新闻和评论数据激增,给人们带来了大量有价值的信息。新闻让人们了解发生在国内外的时事,而评论则体现了人们对事件的观点和看法,这对舆情分析和新闻评论推荐等应用很重要。然而,新闻评论数据又多又杂,而且通常比较简短,因此难以快速直观地从中发现评论者的关注点所在。为此,该文提出一种面向新闻评论的聚类方法 EWMD-AP,用以自动挖掘社会大众对事件的关注点。该方法利用强化了权重向量的Word Mover's Distance(WMD)计算评论之间的距离,进而用Affinity Propagation(AP)对评论进行聚类,从杂乱的新闻评论中得到关注点簇及其代表性评论。特别地,该文提出利用强化权重向量替代传统WMD中的词频权重向量。而强化权重由三部分组成,包括结合词性特征与文本表达特征的词重要度系数、新闻正文作为评论背景的去背景化系数和TFIDF系数。在24个新闻评论数据集上的对比实验表明,EWMD-AP相比Kmeans和Mean Shift等传统聚类算法以及Density Peaks等当前最新算法都具有更好的新闻评论聚类效果。

基于在线评论的用户需求挖掘模型研究

用户需求挖掘是产品／服务质量提升的重要前提，在线评论真实反映了用户对产品／服务的满意与否。本文针对在线评论数据构建了一个用户需求挖掘模型。该模型首先获取关于某产品／服务的评论数据，经预处理后提取评论文本的主观句；结合构建的领域本体和依存句法分析确定该产品主题属性和相应的主观评论，按产品／服务主题属性对评论内容进行正负向分类；并运用LDA模型对用户评论进行聚类分析，展示用户重点关注主题属性的评价向量及其情感；同时运用KANO模型对分类结果进行KANO转换与评价，对评价结果进行分析，得出用户关于该产品／服务各主题属性特征需求满足情况；在此基础上提出该产品／服务改进的方向。本文以庐山旅游为例，验证了模型的可行性。

移动应用评论挖掘研究综述

[目的/意义]用户评论有助于开发者实现移动应用创新,通过对移动应用评论挖掘相关文献进行归纳总结,为移动应用开发和评论挖掘提供借鉴。[方法/过程]利用文本分析方法,将移动应用评论挖掘相关研究归纳为评论分类、评论聚类和评论特征抽取3个关键主题,并基于此框架阐述该领域的发展状况。[结果/结论]研究得出:评论分类方法已开始从机器学习向深度学习演变;评论聚类主要使用K-Means和DBSCAN;特征抽取仍以评论的显式特征为主。未来,移动应用评论挖掘仍有3个问题值得探究,分别是领域依赖性、多源信息融合以及评论价值评估。