有用性无差异的在线产品质量评论和服务水平评论对消费者网上购买意愿的不同影响研究

本文基于"评论内容类别×产品类别"的情景模拟实验,引入消费者网购经验和卖家熟悉程度两个调节变量,证明了在消费者形成网上购买意愿的过程中,对于评论有用性感知无差异的评论内容而言,负面服务水平评论的影响力总体大于负面产品质量评论的影响力。其中负面服务水平评论的影响力随网购经验和卖家熟悉程度的增加而降低;而负面产品质量评论影响力也随卖家熟悉程度的增加发生相同的下降变化,但相反网购经验改变带来的影响变化则不明显。最终这种评论内部的自身变化,导致了负面服务水平评论的影响作用力在低网购经验水平和不熟悉卖家的情况下显著大于负面产品质量评论,而这一局面随着两个调节变量的提升最终消失。

基于高质量评论的景区热词挖掘

在景区前期发展中,如何准确获悉游客的关注点,对景区进行个性化打造成为管理发展的关键。为解决此问题,笔者基于评论文本内容特征及评论时间数据,创新地将评论与景区属性相结合,以聚类分析先标记、随机森林算法后训练的思想构建文本质量分类器,然后基于高质量评论以及改进的热词挖掘算法对评论热词进行挖掘。结果证明,所挖掘的热词有效体现出游客关注点及景区主题中心。

以高质量新闻评论提升报纸影响力和舆论引导力

本文首先分析了当前报纸新闻评论的现状,指出评论版面存在的问题,并探讨了其背后的原因。随后,文章提出了以高 质量评论提升报纸影响力和舆论引导力的具体做法,包括坚持正确方向,发出主流声音;紧扣民生,紧跟读者需求;跟进网络 舆情,引导社会舆论;借助新媒体,增强评论传播力等。最后,提出了确保报纸评论高质量发展的路径,包括不断积累与更新 专业知识、培养独立思考能力以及学会以合适口吻讲道理等策略。旨在推动报纸在全媒体时代提升其品牌影响力和舆论引 导力。

基于TS-BiLSTM的电商平台评论质量分类模型

评论质量分类可用于筛选出高质量的评论,广泛应用在电子商务等多个领域。高质量的评论能够有效为商家和消费者提供产品选择的判断依据。但由于电商平台用户评论具有交错性和分散性的特点,特征提取过程较为复杂,传统的评论质量分类普遍采用机器学习的方法,分类的准确率不高。针对以上问题,提出一种基于TS-BiLSTM(TinyBERT Self-Attention BiLSTM)的电商平台评论质量分类模型。首先用TinyBERT对评论文本进行预处理,构建词向量;然后利用双向长短期记忆网络对输入的词向量进行特征提取,并使用自注意力机制对提取到的特征向量进行加权计算;最后利用全连接与Softmax对加权后的特征向量进行分类,得到分类结果。实验结果表明,所使用的模型能有效提高电商平台评论文本质量分类的准确度。

融媒体时代广播新闻评论写作质量的提升策略

随着信息化技术的发展,互联网在人们生活中占据越来越重要的地位,而且基于互联网构建的新媒体平台不断涌现,使传统媒体与新兴媒体融合成为必然趋势。融媒体是指将各种不同类型的传播形态进行整合并以全新的方式呈现给受众,具有鲜明时代特征和时代感的信息传播方式。在此背景下,新闻评论写作受到了广泛关注,它不仅要体现出传统新闻评论具备的特色,还要符合当下时代发展的需求。本文结合融媒体时代广播新闻评论的特点以及现存问题,提出提升写作质量的策略,旨在探索提高广播新闻评论写作水平的有效路径,为广大从业人员提供有价值的参考与借鉴。

基于多元特征的电商低质量商品评论识别

为了改变已有评论识别方法在新兴特性("返现评论"的出现)识别上的不足,根据新兴特性提出一种新的"无用评论"划分方法,定义其为低质量评论。根据其具有的特性,提出基于多元特征(情感强度,是否包含负面情感,主流观点的包含程度)的识别方法。将提取出的特征放入基于文本特征分类器中,对多元特征与文本特征的不同组合进行有监督的学习,选取出分类效果最好的特征组合。实验表明在文本特征分类中加入多元特征后,分类准确率能达到83%。

在线评论数量和质量对网络购物意愿的影响:认知需要的调节作用

为探讨在线评论数量和质量以及认知需要对个体网络购物意愿的影响及其作用机制。以320名有网购经历的在校大学生为被试,采用2(在线评论质量:高vs.低)×2(在线评论数量:多vs.少)×2(认知需要水平:高vs.低)的实验设计。结果发现:(1)在线评论质量和数量对网络购物意愿都有着积极影响;(2)在线评论质量和数量对网络购物意愿的影响会受到认知需要的调节,即在线评论数量和质量对不同认知需要水平个体的影响不同:低认知需要个体会受到在线评论数量的影响,而高认知需要的个体则会受到在线评论质量的影响。研究结果深化了在线评论对网络购物购买决策影响的研究。

互联网背景下在线评论质量与网站形象的影响研究

基于精细加工可能性模型,提出在线评论质量与网站形象通过不同路径影响消费者对网站的信任,继而影响其购买意愿。通过问卷调查,采用结构方程模型进行数据分析,验证了高质量的在线评论与良好网站形象的价值,以期为互联网背景下的企业经营提供相应的理论指导与实践建议。

基于评论质量的多文档文本情感摘要

任务旨在对带有情感的文本数据进行浓缩、提炼进而产生文本所表达的关于情感意见的摘要,用以帮助用户更好地阅读、理解情感文本的内容。该文主要研究多文档的文本情感摘要问题,重点针对网络上存在的同一个产品的多个评论进行摘要抽取。在情感文本中,情感相关性是一个重要的特点,该文将充分考虑情感信息对文本情感摘要的重要影响。同时,对于评论语料,质量高的评论或者说可信度高的评论可以帮助用户更好的了解评论中所评价的对象。因此,该文将充分考虑评论质量对文本情感摘要的影响。并且为了进行关于文本情感摘要的研究,该文收集并标注了一个基于产品评论的英文多文档文本情感摘要语料库。实验证明,情感信息和评论质量能够帮助多文档文本情感摘要,提高摘要效果。

在线评论质量有用特征识别:基于GBDT特征贡献度方法

面对海量的在线评论,有用特征识别有助于消费者选择高质量的评论,为合理决策提供支持。该文基于信息采纳模型理论,在数码相机和手机数据集上提取了四类影响评论质量的有用特征集合,以logistic岭回归和基本decision tree模型作为基准模型,并结合递归特征消除(RFE)降维方法,比较检验了GBDT模型对评论质量分类和特征降维上的表现,揭示了各特征项对评论质量分类结果的"贡献度",进而识别关键特征。实验结果表明,基于GBDT模型对评论质量分类效果较好,评论发表时间、评论者排名、关键特征数量、评论字数是影响评论质量的关键特征。

考虑评论质量的自注意力胶囊网络评分预测模型

基于评论文档的推荐系统普遍采用卷积神经网络识别评论的语义,但由于卷积神经网络存在"不变性",即只关注特征是否存在,忽略特征的细节,卷积中的池化操作也会丢失文本中的一些重要信息;另外,使用用户项目交互的全部评论文档作为辅助信息不仅不会提升语义的质量,反而会受到其中低质量评论的影响,导致推荐结果并不准确。针对上述提到的两个问题,该文提出了自注意力胶囊网络评分预测模型(Self-Attention Capsule network Rate prediction,SACR),模型使用可以保留特征细节的自注意力胶囊网络挖掘评论文档,使用用户和项目的编号信息标记低质量评论,并且将二者的表示相融合用以预测评分。该文还改进了胶囊的挤压函数,从而得到更精确的高层胶囊。实验结果表明,SACR在预测准确性上较一些经典模型及最新模型均有显著的提升。

在线评论质量丰富度对购买异质性产品的影响

针对海量数据过载问题,本文聚焦于在线评论质量丰富度。对当当网的有关数据进行收集、汇总,利用Scrapy框架,编写网络爬虫,爬取家电产品、彩妆、服饰和食品等异质化产品的在线评论信息,并通过SPSS22进行分层回归分析。研究表明,包含产品信息、有图片和追加评论的这类信息的数量,对消费者购买异质化产品行为起正向作用,当该种产品偏向功能性产品时,包含产品信息的评论,影响更明显;当该产品偏向享受性产品时,上传图片的评论和追加评论对消费者购买行为的影响更加显著。本文提出,消费者应根据产品属性,高效地识别评论信息;商家和平台应该积极回应消费者诉求并改进在线评论系统,制定细化的营销方案,促进双方交易的高质量达成。

电子商务在线评论质量的维度及其研究方法探析

电子商务等类别的网站聚集了大量用户关于产品的评论信息,这些信息具有潜在的价值和效用。当前在线评论质量是相关研究领域和行业实践所关注的一个重要问题。文章首先对在线评论的有用性和质量进行了界定和分析;其次,对在线评论的研究进行述评,在此基础上探讨了在线评论质量的维度及其主要研究方法,期望为相关研究领域和行业实践提供参考。

基于联合分类模型的评论情感分类与质量检测方法研究

为了提高评论情感分类与质量检测的准确率,提出了基于联合分类模型的评论情感分类与质量检测的综合性模型JNBERT,通过融合文本的情感与评论质量表示,经由softmax层获取了每一类的概率,并以概率最大一类作为情感分类和评论质量检测的最终结果,通过实验,证明本文提出的JNBERT模型能有效提高在线评论的情感分类和评论质量检测的效果,验证了情感分类与评论质量检测任务的相关性。

热门B2C购物门户用户评论质量影响因素分析研究

用户的在线评论可以有效地帮助用户选择在线商品或服务。然而,热销商品的用户评论数量极其庞大,同时,这些评论的质量参差不齐。因此,评估评论质量并挑选出高质量的评论变得尤为迫切。目前网站采取邀请用户人工标注的方式评估评论的质量,需耗费用户大量的时间和精力。为解决这个问题,提出了一个自动化评估评论质量的方法。该方法通过应用基于评论与评论者两类特征的支持向量机(SVM)分类器实现。在国内著名在线购物网站京东的评论数据上测试了提出的方法。实验结果表明评估识别高质量评论的准确率达到了87.5%。通过实验发现,能够表征评论信息量的词语数量和语句数量特征很好地评估了评论质量。而由于来自用户对商品的反馈信息的贫乏,能够表征用户反馈的有用性投票数量和回复数量特征并不能很好地评估评论质量。在同时结合评论和评论者特征的基础上,评估评论质量的表现最佳。

基于用户和产品表示的情感分析和评论质量检测联合模型

情感分析旨在判断文本的情感倾向,而评论质量检测旨在判断评论的质量.情感分析和评论质量检测是情感分析中两个关键的任务,这两个任务受多种因素的影响而密切相关,同一个产品的情感倾向具有相似的情感极性;同时,同一个用户发表的评论质量也具有一定的相似性.因此,为了更好地研究情感分类和评论质量检测任务的相关性以及用户信息和产品信息分别对情感分类和评论质量检测的影响,提出了一个情感分析和评论质量检测联合模型.首先,使用深度学习方法学习评论的文本信息作为联系两个任务的基础;然后,将用户评论及产品评论作为用户的表示和产品的表示;在此基础上,采用用户注意力机制对用户的表示进行编码,采用产品注意力机制对产品的表示进行编码;最后,将用户表示和产品表示结合起来进行情感分析和评论质量检测.通过在Yelp2013和Yelp2015数据集上的实验结果表明,该模型与现有的神经网络模型相比,能够有效地提高情感分析和在线评论质量检测的性能.

基于文本和用户信息的在线评论质量检测

随着互联网的迅速发展,越来越多的用户评论出现在社交网站上。面对迅速增长的评论数据,如何为阅读评论的消费者提供准确、真实的高质量评论就显得尤为重要。评论质量检测旨在判断在线评论的质量,在传统的研究中,文本信息通常独立地被用于预测评论质量。但是在社交媒体上,每个文本之间不是独立的,而是可以通过发表文本的作者与其他文本相关联,即同一个用户或相近的用户发表的评论质量具有一定的相似性。因此,为了更好的构建文本的表示和研究文本之间基于用户的关联,该文基于神经网络模型分别构建用户和文本的表示,同时,为了放大用户信息的作用,我们进一步将基于注意力机制的用户信息融合到文本中,从而提高文本评论质量检测的效果。在Yelp 2013数据集上进行实验的结果表明,该模型能有效地提高在线评论质量检测的性能。

用于在线产品评论质量分析的Co-training算法

在线评论广泛存在于电子商务网站平台,其中包含着客户对产品的评价及偏好.高效分析在线评论数据并满足客户需求,对许多谋求立足于竞争激烈的国际化市场的企业来说至关重要.但因在线评论的质量不一,使得如何分析在线评论的质量成为一项重要工作.从两个方面提取特征对在线评论进行描述,并构建了一种Co-training算法来判断评论的质量.通过对比实验验证了该算法相对于单一分类算法的优势.

面向微博博主的评论质量评估

针对现有评论质量评估研究中未考虑到个体的差异性以及参照物的选取存在误差的问题.该文选取博主作为评估人,以被博主回复的评论作为高质量评论的参照物,提出基于最大熵的微博评论质量评估模型.通过爬虫和词向量抽取特征,对抽取的特征进行特征选择,依据特征选择的结果,采用监督学习的方式训练分类模型并用测试数据验证所提模型的有效性.实验表明,该文所提模型对于不同的博主具有广泛适用性,评论分类的平均准确率、召回率和F值可达到66.64%、86.33%、75.2%.

电商环境下基于用户评论的松木家具质量研究

本文基于大数据和数据挖掘技术提出了消费者在线评论质量评价的方法,利用此方法研究了松木家具用户在线评论的质量。首先,通过抓取电商平台的买家在线评论得到商品评价;其次经过筛选测算分析数据,得到产品质量合格情况与消费者更关注的质量特性;最后,比较用户感知评价结果与国家质量监督抽检结果之间的差异。