电商在线评论的情感与量化分析——以平板电脑为例
这是一篇关于在线评论,情感倾向性分析,LDA模型,TF-IDF算法,量化分析的论文, 主要内容为得益于互联网时代的发展,消费者对于线上购物的需求与日俱增,这给电商平台带来了巨大的发展机遇,如何提升自己的竞争力成为电商平台关注的要点。在线评论是一类蕴含消费者情感信息的文本数据,是发生在消费者购买行为之后的体验反馈,可以反映消费者的购物感受,能够为电商未来发展和消费者进行决策提供重要参考。一方面,电商平台可以根据消费者的在线评论来评估自身产品存在的优势和不足,进而有针对性地改善产品的服务和质量;另一方面,在线评论可以帮助消费者在购买未知商品前进行了解,为购物选择提供参考依据。因此,对在线评论的分析研究具有极高的实际意义和参考价值。本文基于文本分析技术,通过爬虫获取了京东商城不同品牌平板电脑的在线评论数据,针对评论数据特点进行预处理和中文分词。进一步地,基于Word2vec词向量化技术对通用情感词典进行扩展改进,对评论数据的情感倾向性进行分类。然后对分类后的评论数据分别构建LDA主题模型,挖掘在线评论潜在主题,并结合TF-IDF特征提取算法,构建平板电脑评价指标体系,从指标提及率和差评率两个方面对各品牌平板电脑进行综合评价。本文由以下六个部分构成:第一部分为绪论,阐述了在线评论研究背景与意义、总结国内外研究现状、对全文脉络进行概述。第二部分是相关理论基础,介绍了文本文本分析、情感倾向性分析和主题模型的相关理论和方法。第三部分对平板电脑在线评论数据进行预处理,并进行语义网络分析。第四部分为实证部分,基于Word2vec词向量化技术扩充通用情感词典,对评论文本进行情感倾向性分类,分类结果准确度达到93.29%。第五部分对分类后正负面评论分别构建LDA主题模型,挖掘各品牌平板电脑在线评论潜在主题,结合TF-IDF算法提取特征关键词,构建平板电脑评价指标体系,从指标提及率和差评率两个角度对各品牌平板电脑进行综合评价。研究得到用户在线评论中提到最多的是产品属性,其次是购买体验,服务质量的提及率最低,但服务质量的差评率最高,售后服务的平均差评率更是高达90%,客户服务的平均差评率达到78%,各品牌应不断提升自身服务水平。品牌进行分析,荣耀的售后服务差评率最高,小米的物流服务和客户服务差评率最高,微软的物流和客户服务差评率最低,表明微软较为注重服务质量,小米和荣耀在服务质量方面有待提升。第六部分是结论和建议,总结本文的研究。
基于C-LSTM的作业查重系统研究与实现
这是一篇关于作业查重,C-LSTM模型,LSTM模型,CNN模型,LDA模型的论文, 主要内容为随着国内第五代移动通信(5G)的发展,信息的获取较以往更容易,但同时也出现论文抄袭、作业相似等现象。各大高校已经注意这些现象,并采取相应措施予以避免,其中使用较多的方式是论文查重。然而,现有查重系统多是基于文献数据库的对比查重,对学生提交的论文型作业之间并不具有查重功能。本系统的提出,旨在完善学校内部对同时具有查重需求的论文型作业进行查重,并将其延伸到日常教学的作业中使用,从源头对学术不端行为进行杜绝。基于深度学习网络的文本相似度计算方法是当前查重系统应用领域的研究热点,它通过将两个需要对比的文本进行编码,并经过神经网络提取语义向量,最后用相似度计算方法计算两个文本之间的相似度。但是,现有的深度学习网络模型却存在长文本语义缺失和短文本依赖等问题,针对此类问题,本文提出了由LSTM网络(Long Short Term Memory networks)、CNN网络(Convolutional Neural Networks)并融合LDA模型(Latent Dirichlet Allocation)构成的C-LSTM模型(Convolutional-Long Short-Term Memory Networks)来计算作业之间的相似度,改善长文本语义缺失和短文本依赖的问题,属于文本相似度匹配技术领域。在本模型中,首先使用BERT对输入模型的多段文本分别进行分词及向量转换,其次利用双向LSTM网络提取上下文关联信息,利用CNN网络将词嵌入信息融入到上下文关联信息中,使用全局最大池化(Maxpooling)保留关键信息,并采用吉布斯抽样进行主题提取,提取每段文本的感情色彩,通过全连接神经网络融合得到高维度多特征的语义向量,最后采用加权文本语义相似度计算方法,获取两段文本之间的相似度。经过对比实验,C-LSTM模型在真实数据集中识别精确率及时间消耗情况综合表现较优。本系统基于Java语言编写,使用SSM框架,采用My SQL作为系统开发数据库,主要服务于三类用户:教师、学生和管理员。教师用户对学生提交系统的论文型作业进行查重,得到每份作业与其他作业的相似度,还可以管理自己的学生作业库,批阅学生作业;学生用户可根据教师提示将自己的作业上传至系统,并能得到教师对本份作业的评阅结果;管理员用户可配置和管理整个系统。
基于混合策略的新闻推荐系统设计与实现
这是一篇关于新闻推荐系统,混合推荐,LDA模型,语义相似度,二部图的论文, 主要内容为网络新闻已经成为广大网民最关注的网络资源。网络新闻和传统报纸、电视新闻相比实时性更好、便于用户随时阅读、不受报纸版面或报道时间的限制,但恰恰是这些优点使网络新闻无限制地增长,这样读者必须花费大量时间才能找出自己关心的新闻。推荐系统就是为了解决信息过载问题而诞生的,它使得用户不必花费大量时间在信息搜索上,而是自动地把用户可能喜欢的信息展示在用户面前。新闻推荐系统是推荐系统的一个应用。它优先展示用户感兴趣的新闻,不仅节省了用户的时间,增加用户对网站的忠诚度,而且可以增强网站服务个性化、智能化。本文的主要工作包括两个方面,一是对推荐算法的研究,二是设计并实现了一个基于混合策略的新闻推荐系统,具体工作如下:(1)研究并实现了基于词语语义相似度的推荐算法。该方法首先建立用户兴趣模型和新闻内容模型。本文在模型构建时,提出了包括用户广泛兴趣模型和用户集中兴趣模型的用户双模型构建方法。双模型的构建以新闻篇数和特征词个数为参数,用户广泛兴趣模型使用了较多的新闻篇数和较少的特征词个数,用户集中兴趣模型使用了较少的新闻篇数和较多的特征词个数。将这两个模型分别与新闻内容模型进行相似度计算,得出综合的相似度值,然后再根据相似度值进行推荐。在数据集上的测试结果表明,改进算法比未改进算法有更高的推荐准确率。本文还给出了不同模型参数取值对推荐准确率的影响数据。(2)研究并实现了基于潜在狄利克雷分配模型(Latent Dirichlet Allocation,LDA)的新闻推荐算法。提出了构建基于用户广泛兴趣和集中兴趣的综合用户兴趣模型,并将该模型和新闻主题模型进行相似度计算,将相似度高的新闻推荐给用户。在数据集上的测试结果表明,改进算法有更高的推荐准确率。(3)研究了基于二部图理论的新闻推荐算法。在以往的基于物质能量扩散的二部图中,物品的初始能量都是相同的。本文考察了新闻热度、初始能量和推荐效果之间的关系,尝试将不同热度的新闻赋予不同的初始能量值。实验结果表明将热度高的新闻赋予一个较小的初始能量值可能导致更高的推荐准确率。(4)研究并实现了一种基于混合策略的推荐算法。该算法包含五个偏好因子,分别是用户对前三种算法的偏好因子、新闻热度偏好因子、时间偏好因子。系统对前三种算法的结果和考虑新闻热度的结果进行组合,同时考虑用户对新闻时效性的要求,产生最终的结果。各用户的偏好因子随用户的阅读记录实时调整,体现了不同用户的个性化需求。实验结果表明,.该混合算法具有较好的推荐结果。(5)设计并实现了一个基于混合策略的新闻推荐系统。系统通过分析用户的新闻阅读记录,采用组合策略自动推荐出用户可能喜欢的新闻。该系统包括以下几个模块:数据存储模块、预处理模块、基于LDA推荐算法模块、基于词语语义推荐算法模块、基于二部图推荐算法模块、混合推荐算法模块、推荐结果展示模块。系统采用了某地大型服务软件的真实数据进行测试,该混合算法比分别采用单一算法有更好的推荐效果。
基于国家基金项目分析我国图书情报学的发展
这是一篇关于科学基金,图书情报学,知识图谱,LDA模型,主题演化的论文, 主要内容为随着信息化进程的不断加快,各学科的建设发展都发生了巨大变化,许多学科都面临着新的发展机遇与挑战,图书情报与档案管理学科更是如此。新文科建设被看作是学科发展转型的突破点,同时这也是图书情报与档案管理学难得的发展机遇。国家科学基金项目被学者们当作衡量研究水平的晴雨表,被资助项目可以在一定程度起到引领作用。本文在新文科建设背景下,借鉴国家基金项目的指导作用,以图书情报与档案管理领域内国家科学基金项目信息和基金项目的期刊论文成果摘要为主要数据,了解并呈现出我国图情档学科的研究现状与发展情况,揭示其研究热点和发展趋势,对提高学科的社会认同感,优化科研资源配置,促进学科的发展具有重要价值。本文以立项的科学基金项目信息和项目成果信息作为研究数据,提出了一种可以同时使用知识图谱和LDA模型进行研究的方法。首先,通过立项数量、立项类型、立项区域、立项机构类型以及立项负责人等项目外部特征了解基金项目的研究发展情况;其次,运用文献计量法中的共词分析法、耦合分析法和社会网络分析法等研究方法构建主题关联网络,形象地揭示图情档学科的发展历史和研究核心;最后,以项目成果的摘要作为语料,建立LDA模型进行图情档学科主题的演化,依据前文的分析结果总结图书情报学的发展概况和研究热点。通过调查研究表明图书情报与档案管理学科的立项数量逐年递增,是一门年轻且发展潜力巨大的综合性交叉学科,但是仍存在一些发展不均衡与交流合作不明显的现象。当下基于基金项目的成果数据研究表明热度较高且发展潜力巨大的研究主题主要有六大方向,分别是语义模型算法、图书馆档案、期刊文献评价、图书馆服务、知识管理、网络舆情。通过本文研究以期对推动图书情报与档案管理学科的发展以及该领域科研工作者的选题产生一定程度的借鉴意义。
技术文章个性化推荐系统设计与实现
这是一篇关于技术文章,个性化推荐系统,LDA模型,文本分类的论文, 主要内容为高速发展和快速普及的互联网已成为信息传播和资讯获取的主要途径之一。网络上的数据伴随着大数据时代的到来而迅速膨胀,用户面对互联网上的海量信息需要花费更大的成本去获取有价值信息。个性化推荐技术就是用来解决信息过载问题的。近来,随着门户网站和各领域资讯类网站的不断涌现,网络阅读逐渐成为互联网最热门的需求之一,也同样需要使用个性化推荐技术,由此催生了个性化阅读应用市场。大多数基于内容的推荐系统使用相对简单的向量空间模型,但这种方案不能解决“一词多义”、“多词一义”的问题。为解决向量空间模型的不足,本文将主题模型应用到个性化阅读推荐和文本分类中,设计并实现了面向开发者的技术文章个性化推荐系统,解决了开发者的个性化阅读需求,具有很好的应用前景和商业价值。本文的主要工作有:1.面向技术文章的网页爬虫和数据预处理为了获取推荐对象,先使用WebMagic爬虫框架实现一个单机多线程的爬虫,将技术网站上的文章下载到文件服务器和数据库中,然后使用HTML解析器、XPath、CSS选择器等技术对网页的正文部分进行抽取,并清洗掉正文里的无关项元素,最后使用FNLP自然语言处理工具包对正文部分进行文本处理,包括分词、词性标注和去停用词等。2.基于用户兴趣的个性化推荐和基于文章主题的相似推荐本文实现基于用户兴趣的个性化推荐,用于向用户推荐其可能感兴趣的技术文章。(1)寻找最优主题数;(2)对预处理后的技术文章建立LDA模型,使用主题对技术文章进行特征表示;(3)根据用户的历史行为数据,使用逻辑斯蒂回归为每个用户构建用户兴趣模型;(4)使用训练好的LDA模型推断新的技术文章的主题分布;(5)使用技术文章的主题分布和用户兴趣模型进行个性化计算,生成用户的个性化推荐列表。通过与基于向量空间模型和TF-IDF相结合的推荐方法做对比实验,验证基于LDA模型的推荐方法具有更好的推荐效果。本文实现基于文章主题的相似推荐,用于向用户推荐在主题层面上相似的技术文章。通过使用Hellinger距离作为相似性度量,取Top-3的技术文章作为目标文章的相似文章。3.按技术文章的类别浏览为了在系统中实现按照类别来浏览文章功能,本文需要预测文章的技术类别。(1)将LDA模型中的所有主题下的Top-N个词项取出,合并成一个特征词典;(2)对训练数据进行文本预处理,然后统计所有词项的信息,并计算所有词项的TF-IDF值;(3)检查每个文档的所有词项,将包含在特征词典中的词项作为特征项,使用TF-IDF值作为特征项的特征权重,将文档映射为一个特征向量,对所有特征向量进行归一化处理后,得到一个训练集;(3)使用LIBSVM提供的脚本寻找最优的参数,然后训练支持向量机分类器;(4)使用支持向量机分类器对未知类别的技术文章进行类别预测。通过与其他三种常用的特征选择方法做对比实验,验证本文的文本分类方案具有更好的分类效果。4. Web交互系统设计并实现了一个与用户进行交互的Web网站原型,用户通过该网站可以浏览推荐系统生成的推荐列表,同时该网站也会跟踪记录用户的浏览点击数据。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设港湾 ，原文地址：https://bishedaima.com/lunwen/45472.html
