基于消费者在线评论数据的快递物流服务质量评价研究

挖掘、明晰及满足消费者需求,是影响与提升快递物流服务质量的关键因素。以菜鸟平台在线评论的文本数据为爬虫数据源,针对所获取的6.5万条数据,运用TF-IDF算法、词云图、语义网络关联分析、LDA主题模型等文本量化分析,构建情感词典并进行文本情感赋值与分析。研究发现:时效性、价格合理性、服务优质性、应用平台功能性是消费者对快递物流服务质量产生消极情感倾向的关键因素。为提升消费者对快递物流服务质量的评价,需从提升物流供应链的时效性、完善物流价格制度的合理性、提高物流服务的优质性、优化物流应用平台的功能性方面予以重视。

抖音电商平台助农产品在线评论主题挖掘及扩展分析

基于潜在狄利克雷分配(latent Dirichlet allocation,LDA)模型,引入高频词分析、共现网络分析、情感分析等方法,对抖音电商平台上助农产品在线评论的主题进行挖掘和扩展分析表明,消费者对助农产品的关注点主要包括产品质量和价格、商家服务和物流服务、消费者感知价值、助农活动和县长支持等。通过共现网络分析和情感分析均发现消费者对抖音平台助农产品总体是满意的,但仍有改善空间。建议抖音电商平台通过挖掘消费者需求、保证助农产品性价比、把握“电商助农”宣传方向、加强主播培训等方式来提升消费者的购物体验和满意度。

融合ChineseBERT和双向注意力流的中文商品评论方面情感分析

准确分类电商平台中用户评论所包含的多个方面的情感极性,能够提升购买决策的有效性。为此,提出一种融合ChineseBERT和双向注意力流(Bidirectional Attention Flow,BiDAF)的中文商品评论方面情感分析模型。首先,通过融合拼音与字形的ChineseBERT预训练语言模型获得评论文本和方面文本的词嵌入,并采用从位置编码和内存压缩注意力两个方面改进的Transformer来表征评论文本和方面文本的语义信息。然后,使用双向注意力流学习评论文本与方面文本的关系,找出评论文本和方面文本中关键信息所对应的词语。最后,将Transformer和双向注意力流的输出同时输入到多层感知机(Multilayer Perceptron,MLP)中,进行信息级联和情感极性的分类输出。测试结果表明,提出的模型在两个数据集上的准确率分别为82.90%和71.08%,F1分数分别为82.81%和70.98%。

基于LDA模型及情感分析的电影主题公园评论文本研究

以中国电影主题公园为例,收集多个旅游网站游客评论数据,采用LDA(latent dirichlet allocation)主题模型方法、共现网络分析方法及情感分析方法对游客评论文本进行研究。结果表明,国内电影主题公园游客评论可以分为旅游服务主题、旅游景观主题、整体感知主题以及活动体验主题4个主题。结合共现网络分析及情感分析结果识别当前景区现状及痛点,为文旅企业经营者提供较为准确的游客偏好信息,也为企业后续管理及决策提供相关理论及数据支撑。

基于LDA模型的电商用户评价分析

随着电子商务迅速发展,商品在线评论服务的重要性日益凸显。评论蕴含了众多消费者对特定产品和相关服务的真实感受,反映出了许多消费者的态度、立场和意见,具有非常宝贵的调研价值。以某电商平台的某款手机产生的评论为实验数据,对其进行了分词、词性标注和评论文本信息的预处理。基于预处理后的用户数据进行客户情感分析,使用LDA主题模型来分析用户评论,了解其潜在目标用户的需求、意见、购买原因,以及产品的优缺点,提出全面改善产品交互体验的相关建议。

基于结构主题模型的用户功能需求挖掘研究

[目的/意义]为克服用户功能需求挖掘过程中仅以消极评论中高频关键词作为分析依据,导致用户功能需求定位不准确的问题,提出基于结构主题模型的用户功能需求研究框架。[方法/过程]首先,采用结构主题模型(STM)方法,通过对比积极和消极评论提取具有消极倾向的功能主题,并对其中的词语和高相关性评论进行可视化,挖掘用户功能需求;将其与传统词频统计方法进行对比,分析STM方法的适用性及优势;然后,探索分析各功能需求间的关联关系以及产品价格变化对不同功能需求的影响程度,为提高产品的整体性能和科学产品定位提供支撑;最后,以老年可穿戴式跌倒报警产品为例验证该研究框架的有效性。[结果/结论]结果表明:STM克服了传统词频统计方法的片面性缺陷,该框架将积极评论与消极评论同时纳入主题提取过程,通过提取在消极评论中远高于积极评论中的高频关键词挖掘用户不满意的真正原因,提高了用户功能需求定位的准确性,为企业及相关研发部门制定合理研发战略提供有利指导。

一种语义弱监督LDA的商品评论细粒度情感分析算法

随着商品评论文本数据的日益增加,需要利用情感分析技术来自动实现商品的情感极性分类,尤其是细粒度的情感分类.LDA主题模型可以实现大规模文本数据的主题词提取,并利用主题聚类功能发现特征词和情感词之间的潜在关系,但LDA模型倾向于提取粗粒度的情感分类知识,难以满足细粒度情感分析的语义需求.本文提出了一种语义弱监督的主题模型,在LDA模型中嵌入词语关联、全局特征词及主题情感隶属语义先验知识来提升LDA对特征词、情感词及其关系的识别能力.主要研究内容包括:从句法分析、词性关系和语境相关等角度进行词语关联语义约束的提取;全局特征词识别和主题情感隶属两类语义约束的获取;设计语义约束对LDA主题分配的影响机制,构建语义弱监督的细粒度情感分析主题模型SWS-LDA.实验表明,SWS-LDA模型可以改善LDA的语义理解能力,提高局部特征词和局部情感词的提取率,提升主题模型细粒度情感极性分类的准确性.

基于机器学习的商品评论情感分析模型研究

在线商品评论已成为对商品阐述看法的主要手段,对商品评论的情感分析研究具有学术及商业价值.研究情感分析领域若干机器学习模型,通过扩充情感词典,运用机器学习方法,设计餐饮领域网上评论情感分析模型.深入探讨朴素贝叶斯、C4.5等分类算法,利用多种性能评价方法,详细讨论不同模型的分析效果,结果表明所设计模型发挥出情感词典的有效性,更加适合于判断客户情感倾向.

面向产品设计改进的在线评论挖掘

以竞争市场环境中的产品在线评论数据为研究对象,基于支持产品设计改进的视角,采用数据挖掘的方法与工具,开展面向产品设计改进的在线评论大数据分析研究。重点开展在线评论数据挖掘过程模型中的有用性建模和特征评价值情感分析。以某智能手机产品的在线评论数据为对象进行了实验,得到该产品各个属性的评价值,与更新换代后的产品属性进行比较,验证了此方法的有效性。

基于在线评论的重要度绩效竞争对手分析的产品设计改进方法

基于在线评论的产品设计改进研究,受到越来越多学者的关注。然而,现有研究仍有很多局限,如忽略竞争产品分析以及无法获取细粒度顾客需求等。为解决上述问题,提出一种基于在线评论的重要度绩效竞争对手分析方法(IPCA)。首先,应用隐含狄利克雷分布(LDA)主题模型识别产品主题,基于文档—主题概率分布计算产品特征重要度;其次,通过依存句法分析提取情感标签,并将其量化为产品特征绩效值;然后,构建多个IPCA模型找到目标产品的待改进特征;最后,从原始负面评论中提取用例,获取顾客细粒度需求并发现产品问题,进而提出产品设计改进策略。以汽车之家口碑数据为例,验证了所提方法的有效性。

基于产品特征树和LSTM模型的产品评论情感分析

[目的/意义]从产品评论数据挖掘角度出发,研究多层次、细粒度评论倾向性分析问题,为企业提供更全面的产品改善意见.[方法/过程]提出一种基于产品特征树和LSTM模型的产品评论情感分析方法.该方法结合行业产品特点和依存句法分析结果,通过特征类别、层级和特征表述词构建产品特征树;在此基础上,根据用户评论分句及其所包含的产品特征词汇,运用深度学习LSTM模型进行评论分句情感识别和产品特征情感分布计算.[结果/结论]利用真实汽车产品评论数据集进行试验检验,结果表明该方法情感分类准确率高,可实现面向产品特征层级的多粒度情感分布测算.[局限]产品特征树构建需要人工参与,方法模型的普适性有待进一步检验.

基于特征加权词向量的在线医疗评论情感分析

针对在线医疗评论文本具有行业专业性强、差异性大、不够规范等特点,提出一种基于特征加权词向量的在线医疗评论情感分析方法.利用Word2vec方法构建词向量模型,抽取情感词集合完善医疗服务领域情感词典,根据句法关系识别主题词与情感词的依存关系,引入期望交叉熵因子,建立特征加权词向量模型,分析在线医疗评论的情感倾向.实验结果表明扩充的医疗服务情感词典在分析性能上的准确率、召回率以及F1值均高于基础情感词典,引入期望交叉熵因子后,基于特征加权词向量的情感分析方法在SVM分类上表现出更好的效果,体现了其在在线医疗评论挖掘领域的良好效用.

面向文本情感分析的商品评价信息检测

为及时有效地获取商品评价信息,提出了基于评价对象识别的商品评价信息检测方法。首先在中文分词的基础上,依据词性标注结果抽取商品评价信息中的候选评价对象;然后基于规则过滤和共现扩展的方法得到精准评价对象;最后实现了基于评价对象识别的商品评价信息检测方法。实验结果表明,与基本模型相比,提出的商品评价信息检测方法的F-Measure提高了34.8%,证明了充分挖掘商品评价信息中的评价对象可以非常有效地改善检测方法的性能。

商品评论主题分析研究

提出了基于LDA模型的商品评论主题分析框架,并以淘宝商城上商品评论数据为例实现了该框架实验证明,该方法获得的主题与淘宝商城提供的主题词具有较高的一致性.

基于主题模型和情感分析的垃圾评论识别方法研究

随着电子商务的飞速发展,网络购物越来越被消费者认同,而随之产生的产品评论给消费者的购买决策带来了影响。产品评论是指用户在购物站点上对商品的评价信息,而经过分析和研究发现这些评论中充斥着大量的垃圾评论,因此垃圾评论的识别成了电子商务在提高服务质量的过程中需解决的重要问题之一。根据垃圾评论的主要特点提出LDA-SP(LDA-Sentiment Polarity)垃圾评论识别方法。首先利用LDA主题模型过滤出内容型垃圾评论,然后结合情感分析识别出欺骗型垃圾评论。对网络商城的大量评论数据进行准确度分析实验的结果表明,LDA-SP方法的识别准确度高于传统的LDA主题模型和单一的情感极性分析方法,能够有效地检测垃圾评论,从而使产品评论信息更加客观准确,为电子商务用户提供了有效的参考信息。

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LDA主题模型的情感分析研究

LDA主题模型在提取特征时缺乏对词语关联及相关词对的理解,这会影响情感极性分类的准确率。针对这一问题,文中提出一种在LDA主题模型中引入特征情感词对抽取方法的新模型,以改善特征情感词对的抽取效果。利用依存句法分析设计特征情感词对的识别方法,随后将识别方法作为约束条件引入LDA模型对特征情感词对进行抽取。通过吉布斯采样进行参数计算,给出了模型的生成过程。最后利用随机森林分类方法对文本进行情感极性分类。为验证文中模型的有效性,将其和另外两种模型一起进行实验,当主题个数为20时,文中所提模型分类的准确率、召回率、F值分别为81.54%、83.13%和82.33%,显著高于另外两种模型。

基于MGCNN的商品评论情感分析

为了解决传统的深度学习模型会忽略语料库中全局词共现信息所包含的非连续和长距离语义的问题。本文提出记忆图卷积神经网络(MGCNN)引入注意力机制的商品评论情感分析方法。首先提取词与词、词与文档之间的关系,以全部的词和文档作为节点,将整个数据集构造成一个异构文本图。再基于图卷积网络(GCN)来构建用于图结构数据的神经网络,利用长短期记忆网络(LSTM)提取上下文相关特征,并使用注意力层获取重要特征。多组对比实验结果表明,本方法的分类效果更好,且随着训练集数据所占比例的降低,其优势更加显著。

顾客视角下的快递服务质量改进研究

针对市场高投诉率下快递企业服务质量改进的问题,从顾客需求的角度出发,提出了一个服务弱势分析框架,旨在为管理者提供更科学有效的服务质量管理建议。该框架以在线评论为研究对象,采用文本分类算法筛选服务弱势评论,采用LDA模型进行服务弱势识别,利用二维象限分析法,从情感强度和关注度两个维度对服务弱势进行分类分析,从而提出应对策略。研究结果表明,传统分析法与文本挖掘技术的结合,能够快速识别快递服务的服务弱势,并对不同程度的弱势属性进行分类,分别提出相应的改进建议,为企业改善服务质量提供一定的参考价值。

基于领域特征指示词的隐式特征识别研究

网络购物这一领域的迅猛发展带来了海量的在线评论数据,挖掘评论数据中所蕴藏的语义以及情感信息对用户以及商家都有着莫大的价值。在这样的应用需求背景下,出现了针对文本的情感分析(sentiment analysis)技术。但由于中文语言表达的多样性与复杂性,用户会在评论中含蓄地提到评价属性与观点。而现有研究对包含显式特征评论文本的情感分析已趋渐成熟,针对隐式评论句进行特征识别的却较少。因此,文中面向隐式特征识别这一研究难点,提出一种基于领域特征指示词的隐式特征识别方法。该方法首先利用构建的多词型的主题情感联合模型对特定领域内的显式评论句进行特征类别指示词的挖掘;再引入词向量模型作为衡量隐式评论句中线索词与特征指示词集中词项语义相关度的标准;最后分情形来实现对隐式评论句中线索词所属特征类别的指派。通过对不同产品的评论数据集进行实验,结果证明了该方法的有效性。