基于情感的京东平台电脑类商品在线用户追评时间特征研究
这是一篇关于在线用户评论,NVivo,时间特征,情感分析的论文, 主要内容为20世纪60年代互联网诞生,历经30年后发生了第一笔互联网交易业务,电子商务诞生,而到今天,电子商务也已经发展了整整三十年,成为了经济系统中不可缺少的一环。根据商务部的最新资料介绍,我国在2019年的电子商务交易额达到34.81万亿元,国内网络零售市场交易规模达10.32万亿元,较2018年增长了 20.56%,占2019年中国社会消费品零售总额的25.07%。在市场份额方面,天猫、京东、拼多多三家电商平台居前三,另外,短视频平台在电商方面也有较快发展,一些发展势头强劲的传统企业也不甘示弱,无论是收购成熟平台,还是自营自建,都想在电子商务的市场上分一杯羹。随着互联网进入web2.0的新时代,用户生成内容(User Generated Content,UGC)成为了主导网络发展趋势的风向标。电商平台也不例外,越来越多的平台在店铺中开通了用户评论的功能,消费者可以通过文字、图片、视频和打分的方式来发布对网购产品和服务的体验和评价。相应的,用户评价也促进了电商平台的发展,为平台带来了更多收益和用户。由于相对于初次评价,追加评价更能反映出消费者在深入体验产品与服务后的真实感受,且对潜在消费者的购买决策行为有更大的影响,本文以京东平台电脑类产品为例,重点研究了初次评价发布的时间规律、追加评价发布的时间间隔规律、初次评论与追加评价的主题差异与情感倾向,以及时间序列追评情感变化规律。研究方法上,本文使用NVivo 12Pro软件对采集评论数据进行编码,从人类行为动力学的角度对评论与追评时间规律进行分析,并刻画出用户评论行为时间特征。对初评和追评的文本分析,进行了词频统计、主题和情感编码,得到评论的描述性统计数据和主题、情感分布情况。最后对追评时间间隔划分时间序列,通过文本情感分析对追评情感随时间间隔的变化规律进行总结,得出京东平台电脑类产品评价中追评的情感随追评间隔时间的变化情况。本文对消费者发布的在线用户追评情感变化做出了 12条假设,在通过对大量真实追评数据进行分析后发现,随着追评发布间隔时间的逐渐增长,追加评价文本的正向情感逐渐变弱,负向情感逐渐变强,出现更多正面表达中掺杂负面表达的情况,且情感编码的覆盖率上升。这表示消费者随着对产品使用时间的增长,整体满意度呈下降趋势,且发布的追加评价越来越感性。本文针对京东平台电脑类产品评论与追评所进行的分析,对电商平台的顾客关系管理有着重要意义。电商平台可以更有效地激励消费者进行评论与追评发布,并从已发布的评论中有效挖掘出能够为平台服务或产品设计提供更重要意见的评论信息,从而改善产品与服务缺陷,提高消费者满意度,在竞争中获得更大的优势。
融合多评分的异构信息网络嵌入推荐模型
这是一篇关于异构信息网络,隐式评分,网络嵌入,情感分析,推荐系统的论文, 主要内容为在信息过载的时代,人们的日常生活越来越离不开推荐技术。因此,对推荐系统的性能的改善具有很大的社会意义。由于异构信息网络在处理多种节点以及不同的边类型上存在着天然的优势,所以本文从异构信息网络的角度进行推荐系统的研究。由于现有的基于异构信息网络推荐模型大多是以基于元路径的语义相关性进行的,所以高级的语义无法得到充分的有效利用,尤其是用户和项目的多种隐式评分的高级语义信息的提取过于简单而粗糙。因此,本文的主要目的是充分利用多种隐式评分,把多种用户评价数据融入到基于异构信息网络的推荐模型中,从而改善现有的基于异构信息网络的推荐模型无法充分利用高级语义的问题,最终提高推荐的准确性。本文采用情感分析技术量化隐式评价信息,方便下一步的推荐模型的学习,同时提出一个多评分融合框架模型,以多评分融合的方式进行模型的训练学习。本文所提出的方法是采用“概率矩阵分解+异构信息网络+网络嵌入+情感分析+多评分融合”的框架模型来达到对用户和项目的低维特征的表示学习的目的,最终获取预测的结果。本文的主要研究内容如下:(1)针对基于异构信息网络的推荐模型无法充分利用高级语义的问题,本文首先系统地阐述了推荐技术的相关原理,并比较了现有的推荐技术的优缺点。然后对与本文推荐模型相关的异构信息网络、网络表示学习、情感分析等技术的理论做了详细介绍。(2)为了缓解用户和项目交互过程中的多种评价信息利用不充分的问题,本文提出一种融合多评分的异构信息网络嵌入推荐模型。该模型是基于隐式评分融合框架,首先从异构信息网络中提取出元路径实例,经由网络嵌入生成节点特征,然后通过将隐式评价信息经过情感分析量化后生成隐式评分,最后将两者融合,生成推荐结果。同时,针对HERec方法在处理文本信息的不足方面也进行了一定程度上的补充与改善。(3)本文通过爬取豆瓣中的电影数据作为实验数据集,对本文提出的推荐模型进行了验证。结果表明本文所提出的推荐模型优于其他的方法。并且在20%的数据集下,本文所提出的推荐模型的性能更加优越。
基于深度学习的多维度情感倾向性分析研究
这是一篇关于深度学习,情感分析,词向量微调,注意力机制的论文, 主要内容为多维度情感分析是情感分析中较细粒度的一个任务,是一个基于目标的情感分析任务,可应用在电商平台的商品评价体系中。一句句子可以有多个实体,即多个目标,而这些目标所包含的情感可能是不同的。多维度情感分析任务就是要准确识别一句句子中不同目标所包含的不同情感倾向。本文针对上述问题进行了研究并提出了两种算法:第一,基于词向量微调的情感分析算法(Gated Recurrent Unit with Embedding Fine-tuning,EF-GRU)。在情感分析任务中,好的词向量应该使得相同极性的词之间的相似度越高,而不同极性的词之间的相似度越低。预训练好的词向量并不能完全符合这一要求。因此,EF-GRU算法利用微调技术,对上下文词和目标词的联合词向量作了微调,使得词向量更加适合情感分析任务。第二,基于全局和局部的多层注意力机制情感分析算法(Global and Local Attention Network on Multi-layer GRU,ATT-GL-M)。ATT-GLM算法是基于EF-GRU算法的改进,ATT-GL-M算法基于注意力机制。全局注意力计算中,ATT-GL-M算法会计算句子中的每个词和目标词之间的注意力值,注意力值高的词更应获得关注。局部注意力计算时,算法只关注目标词周围的几个词的注意力值,减少噪声,使计算更加精确。进一步,本文将模型拓展到多层,以便同时抽取低维度和高维度的特征。本文提出的两个算法在四个数据集上都达到了比基准算法(baseline)高10%到25%的准确率。ATT-GL-M算法的结果也比其他论文中的实验结果要高出2%到3%。同时,经过微调的词向量也达到了情感分析所要求的结果。经过词向量微调后,极性相反的词之间的相似度下降了300%到400%。
基于RoBERTa模型的小红书文本情感分析研究
这是一篇关于小红书文本,情感分析,RoBERTa,关键词抽取,提示学习的论文, 主要内容为小红书是目前我国最受欢迎的社交电商平台之一,用户可以在该平台上发布自己的购物心得和产品使用体验,随着用户数量的不断增长,平台上的文本数据也在快速增长。因此,针对小红书的笔记文本,本文利用自然语言处理技术深入挖掘其中正面和负面的情感表达,不仅能够让商家了解消费者对产品和服务的态度,同时也可以为消费者提供参考,具有一定的理论和现实研究意义。传统的情感分析方法在面对小红书文本表达口语化程度高、语法不规范和网络用语层出不穷的情况下,对语义特征的提取表现较差。本文在传统的情感分析方法上进行改进,提出了针对小红书文本的情感分析模型,主要工作如下:(1)构建了小红书文本数据集。通过爬虫技术获取用户发布的笔记文本,再进行文本清洗和人工标注情感标签后,最终构建了包含10747条文本的数据集。(2)针对小红书文本表达不规范,语义特征提取困难的问题,提出了基于RoBERTa-BiLSTM-Attention的情感分析模型。该模型引入基于BERT改进的RoBERTa来获取文本的向量化表示,解决传统Word2vec不能表示一词多义的问题,利用改进网络BiLSTM弥补LSTM无法利用下文信息的不足,同时与注意力机制融合,突出文本中的重要情感信息,实验结果表明该模型与其他基准模型相比分类性能更好。(3)针对目前常用的预训练模型加微调的情感分析方法存在上下游训练目标不一致,导致不能充分发挥预训练模型自身能力的问题,提出了基于RoBERTa融合关键词抽取与提示学习的情感分析模型,该模型将抽取到的关键词融入输入文本中增加文本的上下文信息,使模型更好地理解文本的情感,通过设计提示模板,利用提示学习提高下游任务对预训练语言模型中知识的利用,实验结果表明该模型具有更好的情感分析效果。(4)以提出的模型为基础,设计并实现小红书文本情感分析原型系统,该系统主要包括用户管理模块、数据处理模块和情感分析与结果展示模块。
基于文本挖掘的冷链农产品电商平台在线评论的情感分析研究
这是一篇关于冷链农产品,电商平台,情感分类,情感分析,物流的论文, 主要内容为电子商务的迅速发展,导致了冷链农产品电商平台的迅速崛起,但发展过程中也存在着不少的问题,如何去发现并改进这些问题,提升消费者的购买意愿是首要任务。本文以消费者评论为切入点,对其进行情感分析,分析结果不仅可以影响其他用户的购买决策,还对企业日后的发展指明了方向。本文以淮南“菜篮子工程”冷链农产品电商平台为例,通过爬虫提取出消费者评论,采取三种情感分析的方法。具体的研究工作包括以下三个内容:第一,基于Bi-LSTM对冷链农产品电商平台消费者评论进行情感分类。为了帮助企业和消费者把握商品整体的好坏程度,从文本语句的角度提出此类方法。首先,对消费者评论进行预处理,并基于word2vec训练词向量,根据Bi-LSTM分析评论文本的上下文之间的关系,并引入注意力机制对模型进一步的优化,最终运用情感分类器对评论集进行情感分类。从结果看出消费者对淮南“菜篮子工程”电商平台的整体评价,从而反映消费者对整个冷链农产品电商平台的满意度。第二,基于LDA主题模型对冷链农产品电商平台的在线评论进行情感分析。该方法从潜在主题的角度出发,研究消费者的关注点并提取出对企业和消费者最有用的信息。首先根据第二章的消费者评论分类结果,通过依存句法关系对好评和差评提取情感单元,接着运用LDA主题模型分别对好评与差评聚类,根据评价指数SC值的最大值确定主题数,最后对聚类的结果进行分析,从结果可以了解到消费者的关注点、对平台的最满意以及最不满意的地方。第三,基于评价对象抽取对冷链农产品电商平台在线评论进行情感分析。针对用户不只是关注商品整体的好坏,更加关心各类属性质量的行为,提出此类方法。首先基于词性、评价词和评价对象的搭配规则,以及运用词频、PMI方法对评价对象进行筛选过滤,并使用文本相似度将评价对象分为五类,最后通过评价词极性计算的规则,计算“菜篮子工程”电商平台评论的情感倾向性。从结果可以看出消费者对淮南“菜篮子工程”电商平台的五大属性的满意程度。本文从这三个角度对淮南“菜篮子工程”冷链农产品电商平台的消费者评论进行情感分析,从消费者的角度考虑,及时了解消费者的需求及评价,采取针对性的措施,才能解决上述问题,更好的吸引消费者,并对其他正在发展的冷链农产品电商平台提供借鉴。图13表14参55
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：源码货栈 ，原文地址：https://bishedaima.com/lunwen/45930.html
