面向本地和外地用户情感分析推荐模型

针对地理标签和评论信息的情感倾向对于推荐系统性能的影响,本文基于地理标签和用户评论情感分析提出有关兴趣点的推荐策略,并建立了一种基于内容的推荐模型.本系统首先对用户兴趣点信息进行有效的补充,并实现了用户兴趣点相似度度量.对无标签评论数据进行情感分析及挖掘,获取其情感倾向度.同时本系统结合了时间滑动窗口,更准确地把握用户评论和兴趣点的结合度.最终得到用户个性化推荐排名.本文方法涵盖了本地用户和外地用户的个性化推荐策略.通过实验数据表明,本文模型有效提高了推荐的准确度.     

基于商品评论的群体用户情感趋势预测研究

提出了一种基于商品评论的群体用户情感趋势预测方法.首先,提出了基于Boson NLP的情感特征词识别算法,对时间维度下的商品评论信息进行特征选取;其次,使用群体用户多维特征向量构造多层感知器(MLP)模型进行情感分析;最后,融合评论时间和用户情感倾向值构建群体用户时序情感倾向序列,并通过长短时记忆网络(LSTM)模型进行时序情感趋势预测.在大规模真实数据集上的实验结果表明,MLP模型具有较好的分类效果;相比于现有的自回归(AR)模型,LSTM模型的平均均方差降低了79. 06%,能够取得更加精准的预测结果.     

基于主动学习的汽车评论情感预测

随着时间的变化,用户对汽车产品评论的情感信息会有所波动,然而,通过挖掘这些情感信息可为潜在用户和企业提供决策依据。对于大量的汽车评论,仅靠人工去分析这些评论数据的情感显得无能为力。因此,文章采用迁移学习思想,通过前一时期标注数据获得当前时期数据的初始标注样本,利用主动学习不断优化分类模型,进而预测当前时期汽车评论的情感倾向。实验结果表明,该方法在较少人工标注量的情况下取得了较好的情感预测结果。     

基于情感分析和情感遗忘的协同过滤推荐策略

【目的】探索弥补现有协同过滤推荐系统中存在的诸如无法有效地识别用户兴趣的迁移、数据稀疏情况下推荐准确率低等缺陷的方法。【方法】通过对网络用户在线评论信息进行基于方面级的情感分析，利用改进的DP算法提取出评论信息中用户潜在的情感倾向，并对它进行有效地量化，有效地将用户的情感因素引入到用户兴趣建模过程中。同时，引入艾宾浩斯遗忘曲线理论，解决因时间变化而导致的用户兴趣迁移的问题。【结果】模拟实验在所选的两套数据集上进行，分别针对平均绝对误差（MAE）和覆盖率（Coverage）两个常用的性能评价标准，与选定的对比算法进行了对比实验。实验结果显示提出的引入情感分析和遗忘的协同过滤推荐算法能够有效地降低MAE，并能有效地提升Coverage。【结论】提出的算法有效地弥补了兴趣迁移对推荐准确率的影响，提高了系统对商品长尾的发掘能力。     

基于酒店评论大数据的游客评论主题挖掘与情感分析 ——以北京五星级酒店为例

分析酒店评论数据可以挖掘游客的关注点、意见、建议、情感倾向等有价值的信息.结合对酒店评论数据进行主题挖掘和情感分析的交叉研究,提出一个包含数据采集、数据预处理、主题挖掘、情感倾向研究及可视化分析的集成框架.以Tripadvisor网站上北京地区50家五星级酒店的5万余条中文评论数据为研究对象,进行LDA主题挖掘,同时基于酒店领域扩充情感词典,判定评论文本三元情感极性,并在此基础上实现主题和情感的交叉分析.研究结果可降低潜在游客购买决策的风险,也为酒店管理者制定针对性的管理和营销策略提供重要参考依据.研究方法同样适用于景区及餐饮领域的在线评论数据分析,拓展评论大数据与自然语言处理技术在旅游业的应用范畴.     

基于双层注意力机制的对偶正则化评分预测

基于深度学习的推荐系统已成为学界发展的趋势,针对其因数据稀疏而造成的预测精度下降的问题,提出了一个基于评论信息的深度协同过滤推荐系统.首先,嵌入表示用户或物品的评论文本,将其送入BiGRU层以增强长文本中前后单词的关联性;然后,采用双层注意力机制来分配不同评论对于中间表征向量贡献度的权重;最后,利用概率矩阵分解法融合用户及物品表征向量,从而预测出用户对物品的评分.实验结果表明,此模型可以显著减少评分预测的误差,有效提高推荐的精度.     

基于BiLSTM-Attention的电商评论情感分析

为了更加准确的对电商评论中的文本信息进行情感分析,提出了一种融合注意力机制与双向长短期神经网络(LSTM)的混合模型结构。首先,利用长短期记忆神经网络对于时序序列结构的分析,充分挖掘句子中的潜在信息,有效克服长期遗忘的问题,然后通过注意力机制的使用能够对句子中不同特征分配权重,对于句子中倾向于用户情感的特征信息进行关注,有效改善识别效率。通过在有标签的京东某手机评论数据集上的实验,表明该方法在该领域具有良好的性能。     

不同情感倾向对医院在线评论有用性的影响分析

为节省阅读在线评论时间,快速甄别有用信息,为用户选择医院提供参考,本文通过对大众点评中47 086条医院在线评论进行实证分析,构建多元线性回归模型,探讨不同情感倾向下评论星级、产品特征、时间、长度、附图、回复数量和品牌对评论有用性的影响。结果表明,不同情感调节下评论有用性影响因素不同。正面评论对品牌声誉好的医院影响更大,负面评论对品牌声誉差的医院影响更大;不论何种情感倾向下,附图和回复对评论有用性均存在影响。     

基于文本挖掘的电影评论情感分析研究

基于文本挖掘技术对电影评论进行深层数据分析.爬取电影网站短评,利用TF-IDF进行高频词可视化,对评论进行情感倾向分析.利用贝叶斯分类器将电影短评分为好评集和差评集,得出好评与差评集的主题词概率,找出影评大数据背后隐含的深层信息.     

中文网络评论中的产品特征情感倾向提取算法研究

Web中的客户评论信息挖掘是大数据分析中的一项重要内容.分析客户评论中所包含的产品特征情感倾向,不仅可为消费者购买产品提供更具体的决策支持,还能有效帮助企业改进产品质量.针对商业应用的实际需要,提出了一种自动从中文客户评论中抽取产品特征并判断其情感倾向的方案.基于frequent pattern-tree (FP-tree)方法提取产品特征,结合基于语料库的方法和依存句法分析方法识别关于产品特征的主观评论语句、情感词及其情感词的依存关系,综合考虑情感词、否定词、程度词计算产品特征的情感倾向值.采用公开数据中的600篇手机评论作为实验数据,检验了算法的准确性.对比分析的结果说明,算法有很好的应用潜力,能够有效地从网络评论中获取有价值的商业信息.     

PORSC:融合用户个性化特征的在线评论情感分类模型

针对传统在线评论情感分类忽视了用户个性化的问题,提出了一种融合用户个性化特征的在线评论情感分类(PORSC)方法,该方法为每一类型用户构建一个在线评论情感分类器.PORSC模型由2部分构成:一部分是具有学习评论中常见情感信息的全局情感分类模型;另一部分是能捕捉每种类型用户的个性化特征的特定用户类型分类模型.为解决PORSC模型在训练中的数据稀疏问题,引入多任务学习方法,以协同方式训练分类器,以并行方式解决了PORSC模型中参数的优化问题.通过在2个实际中文产品评论数据集和一个公开的英文评论数据集上实验,并与已有基线方法进行比较与综合分析,结果表明PORSC模型在一定程度上提高了在线评论情感分类的精度.     

基于评论主题的个性化评分预测模型

针对现有基于评论分析的推荐算法没有充分考虑个性化的问题, 通过对评论进行主题分析, 挖掘用户的喜好, 分别建立基于用户和物品的个性化评分预测模型。在真实数据集上进行实验验证, 结果表明该模型有效地提高了推荐系统的评分预测性能。     

融合用户信息和评价对象信息的文本情感分类

文档级别情感分类的目的在于预测用户对评论文本的情感倾向.目前大部分工作只关注于文档的内容而忽视了用户信息和评价对象信息.事实上,不同的用户在表达情感时选词存在着差异,并且对同一产品不同属性的关注度也会有所不同;不同的词汇在描述不同的评价对象时,也会有着不同的情感倾向性.为了能同时考虑用户和评价对象,提出了一个基于用户和评价对象的层次化注意力网络(hierarchical user aspect attention networks,HUAAN)模型.该模型首先用一个层次化的结构编码各类信息(包括词汇、句子、评价对象、文档),然后引入基于用户和评价对象的注意力机制来建模这两类信息.为了验证HUAAN模型的有效性,在两个真实的数据集上进行实验,结果表明在融入这两类信息之后,HUAAN在同等条件下比NSC+UPA系统的准确率高.     

基于评分与文本融合的多注意力跨域推荐算法

为解决在目标领域推荐过程中用户与物品交互数据的稀疏性问题,提出一种新的跨域推荐模型。将辅助领域中的知识迁移到目标域中,基于前馈神经网络分别获得评分信息与评论文本信息的域独有特征;通过采用基于神经网络的特征提取器与基于向量嵌入的域鉴别器融合后的对抗模型,获得评分信息与评论文本信息的域共享特征;再基于多层注意力机制将域独有特征与域共享特征进行融合,从而获得用户对物品的兴趣度。研究结果表明：对于两种经典的推荐评价性能指标,所提出的模型在Amazon数据集上可以获得更好的推荐性能。     

融合图卷积神经网络的文本情感分类

文档级别情感分类旨在预测用户对评论文本的情感极性标签。最近研究发现,利用用户和产品信息能有效地提升情感分类性能,然而,现有大多数研究只关注用户与评论、产品与评论的信息,忽略了用户与用户、产品与产品之间的内在关联,因此,本文提出一种融合图卷积神经网络的文本情感分类模型。首先,根据数据集构建了用户与用户关系图、用户与产品关系图;然后,融合两种关系图形成异质图,并使用图卷积神经网络学习用户与用户、产品与产品之间的内在联系,获得更好的用户和产品表示;最后,使用融合CNN的用户注意力和产品注意力机制的分层网络进行情感分类。实验结果表明,在公开数据集IMDB、Yelp2013和Yelp2014上,本文提出的模型能取得较好的分类效果。     

融合多元评论信息的用户情感分类方法

随着电商经济发展迅猛,各类电商平台为提升服务品质非常重视对用户评论信息的收集、分析和利用.但各电商平台都存在"刷评论"现象,虚假评论、默认好评等因素导致平台无法获取用户的真实情感,严重影响服务质量的提升.为了更加准确地获取用户的真实情感,提出一种融合多元评论信息的用户情感分类方法.首先,对评论中的文本和图片进行分类,构...     

融入用户与物品特征信息的动态RSVD算法

对基于奇异值分解的协同过滤推荐算法RSVD进行研究和改进,在算法中分别融入了用户评分的时间信息,用户特征信息与物品特征信息,加入了用户与物品的时间偏置、用户注册信息偏置、物品特征信息偏置等,提出了一种改进算法:FeatureTRSVD算法。在Movielen-10M数据集上的实验结果和t-检验结果表明,这种改进算法显著提高了系统的性能,其MAE值达到0.670 0,RMSE值达到0.854 8。     

微博产品评论的情感倾向性分析方法

提出一种微博平台上的产品评论情感倾向性分析方法,对特定语料库的产品特征词的词性进行分析,得到特征词的词性重要程度顺序;以情感词典识别的情感词为起点,提出一种依据词性重要程度的"特征观点对"识别规则,并依据该规则进行语义倾向的情感计算。实验结果表明,该方法在产品特征抽取及语义倾向的判断上具有较好的结果。结合微博的转发数和评论数,进行用户观点分析,计算用户对产品的认可度,挖掘产品属性的优缺点,实证分析证明这种方法的可行性。     

基于词典的商品评论情感分析

为了挖掘商品评论中有价值的信息,有效分析用户对商品的直接反馈,文章基于通用的情感词典,以国内某电商平台上的商品评论为研究对象,根据词频共现方法拓展情感词典,基于构建的情感词典对评论进行情感极性分析。根据分析结果,不仅能够帮助商家优化商品属性,更好地满足消费者的需求,还可以指导用户制定合理的购买决策。     

基于语义分析的互联网产品评论挖掘

从语义分析角度出发,对产品评论文本进行情感倾向分析研究。首先在现有的情感词典的基础上整理并构建一个面向产品评论的情感词典;然后以句子为单位对评论文本进行语句分割,根据词频统计提取产品的主要特征词,并构建特征关联词词库,针对不同的特征分别进行情感倾向分析;最后对所有评论文本作加权计算获得其总体情感倾向。实验结果表明,基于语义分析的产品评论挖掘方法具有较好的情感分析效果。