AABC-SVM模型及其在商品评论情感分类中的应用

为了提高商品评论情感分类准确率,解决传统SVM分类时参数难以选择问题,在基本人工蜂群算法基础上,提出一种改进人工蜂群算法AABC(Advanced Artificial Bee Colony)来优化支持向量机(SVM)参数。以最小化商品评论分类错误率为优化目标,在人工蜂群算法的引领蜂阶段引入监督-响应机制增强蜂群算法开发能力,在跟随蜂阶段改进概率选择作用保证蜜源个体的差异性,提高算法收敛速度,避免算法陷入局部最优。不同商品评论情感分类结果表明,相比于GA-SVM模型、PSO-SVM模型和ABC-SVM模型,所提出的AABC-SVM模型能够寻优到更好的SVM参数组合,其分类准确率平均多提高了1%~3%,验证了所提模型的有效性。     

基于深度学习的商品评论情感分类

近年来,随着互联网技术的进步,我国电子商务也有了快速的发展,越来越多的人选择网络购物,顾客利用互联网平台对所购产品进行文字评价或数字评分已成为一种常态。商品评论的情感分类是获取顾客对该商品直接反馈的一个重要方式。现阶段,在情感分类研究中最常用的是基于机器学习和情感词典的传统方法,但这些方法都存在一些不足之处。因此,本文主要采用深度学习中的LSTM网络对某品牌电视的评论进行模型构建与数据分析,并与基于机器学习的SVM方法进行对比分析。     

基于注意力机制的双向LSTM模型在中文商品评论情感分类中的研究

国内电商网站的快速发展促使产生大量的中文商品评论信息。对这些评论进行情感分类有利于获取其中的有用信息,具有重要的应用意义。目前,情感分类的研究主要基于情感词典或者传统机器学习。这些方法通常需要人工选取特征,费事费力,分类效果不好。针对这些不足,本文提出一种基于注意力机制的双向LSTM模型,对中文商品评论进行情感分类。实验结果表明,该模型在中文商品评论二分类任务和三分类任务中均获得了较好的准确率、召回率、F1值。     

基于词极性算法及一维卷积词向量技术的商品评论情感分类研究

在不同的电商平台中,部分用户购买商品后会发表评论信息,以此来反馈购买商品的态度。对用户的商品评论数据进行挖掘与分析,有利于商户与生产企业预估商品销量、改进商品品质而言具有潜在的应用价值。因此本文主要工作是采用改进的Word2Vec词嵌入模型,将整个情感词典进行扩展分析,以改进情感词典的电商平台适用性,确定用户真实的情感倾向,再将其与情感词极性分类算法有效结合,最终提升整体算法的情感分类性能,实验结果表明,所提Conv1d-Word2Vec模型相较于传统模型具有更优的情感识别效果。     

基于情感特征向量空间模型的中文商品评论倾向分类算法

为了能够快速有效地将中文商品评论识别为好评或差评,提出一种算法。针对不同类别的商品,预先根据其评论语料构建领域情感词典,评论文本与情感词典集匹配提取情感特征,构建情感特征向量空间模型SF-VSM(Sentiment Feature Vector Space Model),解决传统的特征向量空间模型维数较高及特征选择误差问题。然后基于该模型结合改进的多项式朴素贝叶斯方法对评论进行情感倾向分类。实验结果表明,相比分别基于原始特征和基于χ2特征选取的朴素贝叶斯分类算法,该算法分类精度较高且分类速度快。     

基于语义约束LDA的商品特征和情感词提取

随着网络购物的发展,Web上产生了大量的商品评论文本数据,其中蕴含着丰富的评价知识。如何从这些海量评论文本中有效提取商品特征和情感词,进而获取特征级别的情感倾向,是进行商品评论细粒度情感分析的关键。本文根据中文商品评论文本的特点,从句法分析、词义理解和语境相关等多角度获取词语间的语义关系,然后将其作为约束知识嵌入到主题模型,提出语义关系约束的主题模型SRC-LDA（semantic relation constrained LDA）,用来实现语义指导下LDA的细粒度主题词提取。由于SRC-LDA改善了标准LDA对于主题词的语义理解和识别能力,从而提高了相同主题下主题词分配的关联度和不同主题下主题词分配的区分度,可以更多地发现细粒度特征词、情感词及其之间的语义关联性。通过实验表明,SRC-LDA对于细粒度特征和情感词的发现和提取具有较好的效果。     

中文微博情感词提取: N-Gram为特征的分类方法

情感词典是文本情感分析的基础资源,但采用手工方式构建工作量大,且覆盖有限。一种可行的途径是从新情感词传播的重要媒介-微博数据-中自动抽取情感词。该文以COAE 2014评测任务3提供的中文微博数据为统计对象,发现传统的基于共现的方法,如点互信息等,对中文微博数据中的新情感词发现是无效的。为此,设计一组基于上下文词汇的分类特征,即N-Gram特征,以刻画情感词的用词环境和用词模式,并以已知情感词为训练数据训练分类器,对候选情感词进行分类。实验结果表明,该方法较传统基于共现的方法要好。实验还发现,与英语不同的是,中文情感词通常会以名词词性出现,而基于共现的方法无法有效地区分该类情感词,这是造成其失效的主要原因,而该文提出的分类特征能解决这一问题。     

挖掘中文网络客户评论的产品特征及情感倾向*

为探索中文客户评论中的产品特征及相关情感倾向的挖掘,以帮助生产商和服务商改进产品、改善服务,提高竞争力,提出采用基于Apriori算法的非监督型产品特征挖掘算法,结合监督型情感分析技术,实现对于评论中产品特征及其情感倾向的综合信息挖掘;并根据用户的关注权重将产品特征和情感倾向进行排列。采用几种从互联网下载的真实产品评论语料,对该方法进行了数据实验,实验结果初步验证了该方法的有效性。     

基于书写行为与语义特征的评论有用性评估

针对电子商务网站充斥着大量有用性较低的评论,提出一种基于用户书写行为与语义特征的中文评论有用性评估方法。方法通过在Web客户端实时监听评论文本框值的变化,识别出句尾插入、非句尾插入、句尾删除、非句尾删除等书写行为,在服务器端根据书写行为、评论的语义特征建立的线性评估模型计算用户评论的有用性。实验结果表明该方法能够较为准确地识别有用性较高的评论。     

用户评论中产品特征的抽取及聚类

在用户评论中蕴含了大量的产品特征和用户对这些特征的观点和态度.本研究提出了基于Apriori关联规则算法的产品特征抽取方法,利用与种子特征集合的互信息和与观点词的共现度对候选特征进行过滤;并提出了一种特征自动聚类方法,以特征词间的字符串相似度和语义相似度以及特征所对应的观点词作为衡量产品特征之间关联程度的特征,采用K-means聚类算法对产品特征进行聚类.本研究采用大众点评网对美食店铺的评论语料,对该方法进行了数据实验,实验结果初步验证了该方法有效性.     

统计特征和Markov模型在三维模型分类中的应用

针对三维模型的分类问题,提出了一种基于统计特征量和Markov模型的分类算法。该算法对预处理后的三维模型进行几何切分,并提取切分后每块的统计特征。对三维模型各分块进行一定顺序的观测,可以获得由各分块的统计特征量构成的Markov模型的伪时间序列。再对不同类模型进行训练并得到各类模型对应的Markov模型参数。最后定义模型间的相似度度量,获得三维模型的分类结果。实验表明该算法在绝大多数类别的模型上分类效果较好,准确率达到90%以上。     

结合分块DCT系数及其统计特征的人脸识别

提出了一种基于分块DCT系数及其统计特征的人脸识别算法。对图像进行分块,对每一块进行DCT变换,选择低频部分的系数作为识别的特征,将每一块分解为一幅低通滤波图和一个包含DCT高频系数的反L型块;分别对这两块求其均值、方差和熵这三个统计特征;利用支持向量机(SVM)和最近邻分类器对这些特征进行分类识别。在ORL、Yale人脸数据库上的仿真实验表明,使用基于分块DCT系数及其统计特征可达到较高的识别率。     

A proposal of the event-related potential method to effectively identify kansei words for assessing product design features in kansei engineering research

The effective acquisition of kansei words for assessing product design features plays a decisive role in knasei engineering research, whereas previous studies rarely give a full understanding of how to effectively grasp the related kansei words. The existing findings revealed that traditional methods based on questionnaire surveys might have trouble and limitations in kansei words acquisition. The process requires the active involvement of users, which could be time-consuming, expensive, knowledge and labor intensive. Hence, there still remains a need for an efficient method that can effectively identify kansei words for assessing product design features in kansei engineering study. The N400, an event-related potential (ERP), can be triggered by semantic violations in visual stimulus materials. The present study investigates whether N400 can be used as an electrophysiological measurement to effectively identify kansei words for assessing product design features in kansei engineering research. This study takes the SUVs’ pictures as the prime stimulus and two relatedness-match levels of kansei words from a high level to a low level as the target stimulus, including the unrelated kansei words and related kansei words. It is shown that the related kansei words elicit a shorter N400 amplitude than the unrelated kansei words. Moreover, the N400 exhibits the different scalp distributions between related and unrelated kansei words. These findings indicate that the N400 could be used to compensate limitations of conventional questionnaire surveys in kansei words acquisition for assessing product design features.Relevance to industryWith the assistance of N400 neural measurement in kansei words acquisition, kansei engineering will advance further as a modernized technology in kansei product design. The method proposed in this study uses N400 to effectively identify kansei words, which can be applied to kansei engineering research and improve the product development process.     

Analyzing evolution of variability in a software product line: From contexts and requirements to features

Context

In the long run, features of a software product line (SPL) evolve with respect to changes in stakeholder requirements and system contexts. Neither domain engineering nor requirements engineering handles such co-evolution of requirements and contexts explicitly, making it especially hard to reason about the impact of co-changes in complex scenarios.

Objective

In this paper, we propose a problem-oriented and value-based analysis method for variability evolution analysis. The method takes into account both kinds of changes (requirements and contexts) during the life of an evolving software product line.

Method

The proposed method extends the core requirements engineering ontology with the notions to represent variability-intensive problem decomposition and evolution. On the basis of problemorientation, the analysis method identifies candidate changes, detects influenced features, and evaluates their contributions to the value of the SPL.

Results and Conclusion

The process of applying the analysis method is illustrated using a concrete case study of an evolving enterprise software system, which has confirmed that tracing back to requirements and contextual changes is an effective way to understand the evolution of variability in the software product line.