基于評論挖掘的商品導購方法的研究與實現(xiàn).pdf

1、隨著互聯(lián)網(wǎng)的廣泛使用和電子商務的迅猛發(fā)展,用戶在購買和使用產(chǎn)品后會在互聯(lián)網(wǎng)上發(fā)表對產(chǎn)品的評論,這些評論中包含了用戶對產(chǎn)品性能、外觀等方面的態(tài)度。越來越多的人在做出消費決策前喜歡先到互聯(lián)網(wǎng)上參考用戶對某產(chǎn)品的評論。但是互聯(lián)網(wǎng)上的信息數(shù)量巨大,全部閱讀這些評論來幫助做出決策十分困難,挖掘產(chǎn)品評論對于商家和潛在的消費者都有著重要的意義,所以評論挖掘是一個亟待研究的課題。
　　本文利用關聯(lián)規(guī)則CBA方法識別出頻繁項作為產(chǎn)品特征候選集合,通

2、過剪枝和相似度計算來調(diào)整候選產(chǎn)品特征集合,實現(xiàn)網(wǎng)絡評論產(chǎn)品特征的識別。針對觀點挖掘,本文構建了用于產(chǎn)品評論情感分類的特征領域情感詞詞典,同時提出一種適用于主語已知情況的觀點挖掘算法RSBV,然后采用監(jiān)督學習中的支持向量機分類方法對評論中涉及商品特征的觀點進行分類研究。情感分類結束后,利用分類結果進行特征的優(yōu)缺點匯總,形成優(yōu)缺點的長、短摘要,并針對客戶的特征要求,根據(jù)情感分類結果進行商品的推薦價值計算。最后對KDD2012中提出的代表性評

3、論集挖掘算法進行研究,對其中的適用于大規(guī)模數(shù)據(jù)的迭代隨機算法進行分析和改進,提出了一種新的代表性評論子集挖掘算法CLRS,該算法能在某一商品的所有評論中搜索一組綜合性評論集,極大化代表所有評論的意義,從而進行信息反饋。
　　本文以中文產(chǎn)品評論為主要研究對象,實現(xiàn)對評論中產(chǎn)品特征層面的觀點進行挖掘和情感分析,利用本文提出的RSBV算法,并通過構建特征詞詞典和特征領域情感詞詞典,提高了觀點挖掘的準確性。形成特征的長短摘要,使得信息簡潔