基于Web文本挖掘的企業(yè)口碑情感分類(lèi)模型研究.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展，消費(fèi)者越來(lái)越熱衷于通過(guò)博客、點(diǎn)評(píng)網(wǎng)站等渠道分享關(guān)于各種品牌、產(chǎn)品以及服務(wù)的購(gòu)買(mǎi)心得，由此產(chǎn)生的網(wǎng)絡(luò)口碑會(huì)直接影響其他消費(fèi)者的購(gòu)買(mǎi)決策。一方面，積極正面的口碑可以為企業(yè)吸引更多的客戶(hù)，帶來(lái)更大的利潤(rùn);另一方面，過(guò)多的負(fù)面口碑會(huì)降低企業(yè)的信譽(yù)度，造成客戶(hù)的流失。因此，對(duì)企業(yè)網(wǎng)絡(luò)口碑進(jìn)行情感分類(lèi)，分析消費(fèi)者的情感傾向，不僅有助于企業(yè)對(duì)負(fù)面口碑作出及時(shí)的反應(yīng)，制定有效的應(yīng)對(duì)策略;同時(shí)，通過(guò)對(duì)這些口碑文本細(xì)粒度的挖掘分析，還可以

2、發(fā)現(xiàn)其中的商業(yè)價(jià)值，將其應(yīng)用到產(chǎn)品個(gè)性化推薦，用戶(hù)興趣發(fā)掘等多個(gè)方面。
　　本文以Web文本挖掘技術(shù)為基礎(chǔ)，以情感分析技術(shù)為主線，研究了Web文本數(shù)據(jù)爬取，中文切詞分詞，停用詞過(guò)濾等文本采集與預(yù)處理的關(guān)鍵技術(shù);并在此基礎(chǔ)上研究了特征選擇方法及其對(duì)情感分類(lèi)的影響;然后基于情感詞典構(gòu)建了企業(yè)口碑傾向性計(jì)算模型，并用于酒店口碑情感分類(lèi)的實(shí)證;接著利用K最鄰近（KNN）算法構(gòu)建情感分類(lèi)器，實(shí)現(xiàn)細(xì)粒度的情感模型，最后同樣針對(duì)酒店企業(yè)進(jìn)行了細(xì)

3、粒度的情感分類(lèi)實(shí)證研究。本文的主要的研究工作包括:
　　第一，研究了口碑網(wǎng)HTML頁(yè)面的DOM樹(shù)結(jié)構(gòu)，利用RostDM軟件設(shè)計(jì)了針對(duì)酒店評(píng)論的URL抓取規(guī)則和文本數(shù)據(jù)采集規(guī)則，采集了口碑網(wǎng)中兩千多條，近十萬(wàn)字的酒店評(píng)論作為語(yǔ)料庫(kù)。該語(yǔ)料庫(kù)來(lái)自于消費(fèi)者對(duì)酒店的主觀評(píng)論，具有專(zhuān)業(yè)性，情感特征明顯等優(yōu)點(diǎn)，對(duì)研究Web文本的情感傾向問(wèn)題具有一定的意義。
　　第二，研究了特征選擇對(duì)情感分類(lèi)的影響，在訓(xùn)練文本分類(lèi)器的過(guò)程中，特征項(xiàng)的選擇

4、對(duì)分類(lèi)器的效率和精度有顯著的影響。本文采用KNN算法訓(xùn)練不同維度的特征集，得出對(duì)于情感文本的分類(lèi)，用于訓(xùn)練的特征集并非越多越好。選取適量的特征集有助于提高后續(xù)研究的效率和準(zhǔn)確度。
　　第三，構(gòu)建了基于情感詞典的口碑傾向性計(jì)算模型，該模型通過(guò)改進(jìn)原有的知網(wǎng)詞典(HowNet)，重新構(gòu)建了情感詞詞典，添加了否定詞詞集以及程度副詞詞集，將不同強(qiáng)度的程度副詞劃分為五個(gè)等級(jí)，用于口碑文本的情感傾向性計(jì)算。并在該模型的基礎(chǔ)上對(duì)前面采集到的近千

5、條酒店口碑文本進(jìn)行了情感分類(lèi)。
　　第四，研究了細(xì)粒度的情感分類(lèi)模型，對(duì)消費(fèi)者所關(guān)注的酒店的房間、價(jià)格、位置、服務(wù)等屬性進(jìn)行了情感傾向性分析。模型描述了構(gòu)建細(xì)粒度情感分類(lèi)器的具體流程，通過(guò)計(jì)算文檔頻度提取出評(píng)論中情感詞所關(guān)聯(lián)的高頻屬性詞（比如:房間、價(jià)格、位置、服務(wù)等），將含有該屬性詞的文本歸為一組，利用RapidMiner文本挖掘軟件中的KNN算法分組訓(xùn)練分類(lèi)器，從而對(duì)消費(fèi)者所關(guān)注的各個(gè)屬性進(jìn)行情感分類(lèi)。細(xì)粒度的情感分類(lèi)幫助企業(yè)