基于网络购物评论的商品推荐模型

传统推荐模型的性能依赖于用户兴趣特征模型的质量,而用户的兴趣特征难以有效的收集和建模.网络购物评论包含了消费者对商品的各种特征的描述.提出的基于购物评论的商品推荐模型,通过对购物评论的预处理,借助文本分类获得产品特征,依靠本体技术实现对商品特征结构化描述,通过情感分析判断评论内容的极性,最后通过推荐计算模型,生成商品推荐意见.

商家诱导评论下消费者在线购物评论行为研究

针对电商商家口碑营销侧重于好评返现和晒图送赠品等诱导评论行为的现状,研究商家诱导评论对消费者在线购物评论行为的影响机理,为电商平台制定监管政策和消费者购物决策提供参考。运用双边市场和复杂系统理论,构建由电商平台、商家和消费者主体参与的电商平台消费系统,设计了计算实验仿真模型,将消费者受众依照购物评论习惯分为三种类型,分析平台监管政策、商家诱导行为和消费者相互作用三方面因素对消费者购物评论行为的影响。

评价理论态度视角下网络购物评论的人际意义分析

本文运用马丁的评价理论中的态度系统对网络购物评论进行分析,旨在探讨在网络购物评论中,评论者是怎样运用其语言来表达自己的情感、对人物的判断和对事物的鉴赏的,以及如何建构与读者之间的人际关系的,从而发现网络购物评论的语言特征及其隐含的人际意义。

评价理论视角下亚马逊网络购物评论的介入资源

网络购物评论对潜在消费者做出科学的购物决策具有显著影响。运用介入系统对亚马逊网络购物评论进行分析发现:大多数评论者倾向于利用对话收缩的方式来表达其立场,否认资源在差评中使用最多,公告和接纳资源在好评中使用最多。结果表明:评论者往往使用介入资源表明购物立场、观点、态度,并利用网络评论实现其劝说目的。

英文网络购物评论态度资源研究

网络购物评论对潜在消费者在购物决策上起着至关重要的作用,评论者利用态度资源表达情感、评估行为和现象,并与潜在消费者建立联系、结成联盟。英文网络购物评论可以划分为好评、中评、差评这三种等级,通过运用评价理论中的态度系统分析发现,三种评论中存在大量态度资源,评价者通过使用态度资源来实现其人际意义。鉴赏资源的频次和比例大大超过了情感资源和判断资源,态度资源的频次和比例的差异分别反映了每种评论各自的特点。

简述网络购物评论的知识管理

全球信息化的发展,让网络购物也随之普及。日趋激烈的市场竞争给战略制定者带来了更大的压力,为了更好的增进与客户的关系,完善自己的市场营销,吸引更多的顾客,商家对网络购物后的顾客给予的评论也越发重视。本文简述了知识管理的内涵,购物评论的知识管理中如何让客户参与评论,以及对评论质量的提升和挖掘评论中价值的步骤。

基于MKL-SVM的网络购物评论分类方法

购物网站在线评论系统收集了大量的顾客评价。支持向量机(SVM)是一种有效的文本分类方法,可以用于跟踪和管理顾客意见,但是SVM存在训练收敛速度慢,分类精度难以提高等缺点。文章提出利用异质核函数性的不同特性,解决支持向量机(SVM)数据泛化学习能力弱的问题,提高SVM的分类精度,通过对顾客购物评论进行分类,解决购物网站海量顾客评论分析的问题,帮助企业及时进行顾客反馈,提升服务水平。

基于网络购物评论的协同过滤推荐算法

提出融合网络购物评论的协同过滤推荐算法,通过挖掘评论信息中产品特征属性,发现用户对不同属性的偏好程度,建立用户产品属性层级偏好模型矩阵,利用改进的余弦相似度计算用户之间的相似度,并预测用户对未购买的产品特征属性的评分得出产品的推荐列表。实验结果表明,提出的算法与常用的推荐算法相比,改善推荐的质量和推荐精度。

基于购物领域词典扩建的评论情感研究

针对购物评论中如何高效提取有用的情感信息,提出了构建领域情感词典进行评论情感分类方法。对购物评论语料进行分词去重,就各领域评论文本进行词性标注,选择词性为名词、形容词及部分其他词性的词语,通过计算该部分词语的PTF-IDF进行排序,设置阈值筛选后得到购物评论语料的领域情感词,从而构建领域情感词典。将该词典作为情感特征应用于购物评论情感分类实验中,并与基于普通情感词典分类方法的性能进行了分析比较。实验结果表明,利用提出方法进行购物评论情感分类的效果,尤其是在分类准确率方面要明显高于基于普通情感词典的情感分类方法,且所提出的方法可适用于各领域的购物评论,有效降低了情感特征空间的维度,具有普适性和可扩展性等优点。

基于情感词典和堆叠残差的双向长短期记忆网络的情感分析

情感分析作为自然语言处理(NLP)的细分研究方向经历了使用情感词典、机器学习和深度学习分析的发展过程。针对使用一般化的深度学习模型作为文本分类器对于特定领域的网络评论类型的文本的分析的精准度较低,训练时发生过拟合现象以及情感词典覆盖率低、编纂工作量大的问题,提出了基于情感词典和堆叠残差的双向长短期记忆(Bi-LSTM)网络的情感分析模型。首先,借助情感词典中情感词的设计覆盖“教育机器人”研究领域内的专业词汇,从而弥补Bi-LSTM模型在分析此类文本时精准度的不足;然后,使用Bi-LSTM和SnowNLP来降低情感词典的编纂体量。长短期记忆(LSTM)网络的“记忆门”“遗忘门”结构可以在保证充分考虑评论文本中的前后词语的关联性的同时,适时选择遗忘一些已分析词语,从而避免反向传播时的梯度爆炸问题。而在将堆叠残差的Bi-LSTM引入后,不仅使得模型的层数加深至8层,而且还使残差网络避免了叠加LSTM时会导致的“退化”问题;最后,通过适当设置和调整两部分的得分权重,并将总分使用Sigmoid激活函数标准化到[0,1]的区间上,按照[0,0.5],(0.5,1]的区间划分分别表示负面和正面情绪,完成情感分类。实验结果表明,在“教育机器人”评论数据集中,所提模型对于情感分类准确率相较于标准的LSTM模型提升了约4.5个百分点,相较于BERT提升了约2.0个百分点。综上,所提模型将基于情感词典和深度学习模型的情感分类方法一般化;而通过修改情感词典中的情感词汇并适当调整深度学习模型的结构和层数,所提模型可以应用于电子商务平台中各类商品的购物评价的精确情感分析,从而帮助企业洞悉消费者的购物心理和市场需求,同时也可以为消费者提供商品质量的一种参考标准。

消费者网购评论动机与感知价值研究

研究消费者网购评论动机能够有效了解消费者的网购体验及反馈行为,也有助于促进网购平台功能和服务的优化。基于口碑传播动机和顾客感知价值等研究,提出网购评论动机不同于网络口碑动机。在对消费者进行深度访谈后归纳了网购评论动机待验证的众多维度。预调查之后展开正式调查并收集了数据。应用探索性因子分析、验证性因子分析及多元回归方法,明确了网购评论动机的7个维度,并探讨了感知价值对其它动机维度的影响。这为网络企业或平台构建、完善消费者评论体系提供了有益参考。