在線評論中的產(chǎn)品屬性提取及有用性識別研究.pdf_第1頁
已閱讀1頁,還剩50頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、隨著近些年,互聯(lián)網(wǎng)向著網(wǎng)站與用戶之間雙向互動的Web2.0時代高速發(fā)展,在線評論這種非結(jié)構(gòu)化文本數(shù)據(jù)迎來了爆發(fā)性的增長。這些數(shù)據(jù)中包含了大量的有用信息,是影響用戶決策的重要影響因素之一,也是廠商家制定產(chǎn)品的研發(fā)和改進(jìn)策略的主要依據(jù)。然而,由于在線評論數(shù)據(jù)量巨大,并且消費者往往具有不同的關(guān)注點與喜好,如何篩選出質(zhì)量較高的在線評,并從在線評論中提取關(guān)于產(chǎn)品各方面屬性的相關(guān)評價信息,就顯得格外重要。
  為了可以從在線評論中找到用戶關(guān)注

2、的產(chǎn)品信息,本文提出了一種基于互自擴(kuò)展模式的產(chǎn)品屬性提取算法。算法的核心思想是通過計算機(jī)自我學(xué)習(xí),增量迭代達(dá)到理想效果。同時結(jié)合FP-Growth算法對該模式進(jìn)行改進(jìn),使其不但可以無需人工標(biāo)注種子庫,從而避免算法結(jié)果的不確定性,而且可以提高自擴(kuò)展模式中增量迭代的速度,獲得更好的擴(kuò)展效果。為了降低自擴(kuò)展模式下主題偏移的情況發(fā)生,又給出了一種提取詞、提取模式置信度的求解方法。為了克服中文分詞、詞性標(biāo)注中出現(xiàn)錯誤,提出了相似提取模式和復(fù)合提取

3、詞的概念并給出了其挖掘方法,該方法能夠在犧牲較少準(zhǔn)確率的情況下,較好的提高召回率。最后實驗顯示算法對中文在線評論中產(chǎn)品屬性的提取效果,平均準(zhǔn)確率為78.50%,平均召回率為79.81%,平均F-score為78.97%,取得了較好的提取效果。對英文評論中的產(chǎn)品屬性提取效果,準(zhǔn)確率為80.22%,召回率為72.28%,F(xiàn)-score為76.04%,相比較于文獻(xiàn)中其它同類研究,在準(zhǔn)確率上獲得了較大的提升。
  基于上文所提到的產(chǎn)品屬性

4、提取算法而建立的產(chǎn)品屬性數(shù)據(jù)庫,考慮到通常用戶在閱讀在線評論時,都對評論內(nèi)容所包含的屬性存在一個心理預(yù)期,不同產(chǎn)品、甚至相同產(chǎn)品不同品牌之間,這些預(yù)期都是不同的。如果評論可以滿足用戶預(yù)期,將會對用戶認(rèn)為評論是否有用產(chǎn)生重要影響?;谝陨峡紤],通過將在線評論有用性判別問題轉(zhuǎn)化為文本分類問題,采用SVM支持向量機(jī)方法,利用開元的LibSVM軟件實現(xiàn)文本分類器,結(jié)合其他學(xué)者的研究成果,提出九種特征值,實現(xiàn)了對評論有用性的機(jī)器識別。實驗表明,對

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論