本文關(guān)鍵詞：基于DDAG-SVM的在線商品評論可信度預(yù)測研究

  更多相關(guān)文章： 在線商品評論 評論可信度 文本分類 支持向量機 DDAG-SVM

【摘要】：在線商品評論作為一類重要的電子口碑,大大地降低了消費者與在線商家之間的信息不對稱程度,在消費者的在線購物活動中發(fā)揮了重要作用。但當(dāng)前大數(shù)據(jù)環(huán)境下,很多熱門產(chǎn)品評論數(shù)量多達數(shù)萬甚至數(shù)十萬,并且質(zhì)量參差不齊,這給消費者通過閱讀電子口碑來降低對產(chǎn)品或服務(wù)的不確定性帶來了嚴(yán)重的“信息過載”困擾。因此,本文在分析在線商品評論可信度影響因素的基礎(chǔ)上,基于決策導(dǎo)向無環(huán)圖支持向量機(Support Vector Machine Based Decision Directed Acyclic Graph, DDAG-SVM)模型實現(xiàn)了對在線商品評論可信度的預(yù)測。本文首先從消費者在線購物后發(fā)布自身對商品或服務(wù)意見的動機研究入手,并梳理了該行為對其他消費者在線購物活動及整個電子商務(wù)交易活動的影響,接著分別從評論可信度研究,評論意見挖掘研究以及文本分類研究等幾個方面展開綜述。然后對虛假在線商品評論形成過程中的4類形成路徑主體,6種形成路徑進行了詳細地分析,并得到了各類虛假評論的主要特點。由此從評論內(nèi)容、在線評論者特征和商家特征三個維度確定了在線商品評論可信度的10個影響因素指標(biāo),其中基于細粒度的商品屬性情感傾向離群度計算是本文的重要創(chuàng)新點之一。接著,本文在這10個特征指標(biāo)向量的基礎(chǔ)上提出了基于DDAG-SVM的在線商品評論可信度預(yù)測模型。最后,本文基于MATLAB以及LIBSVM,利用淘寶平臺近5000余條數(shù)據(jù)集對該模型的準(zhǔn)確度進行了對比測試,達到了93.687%的平均分類準(zhǔn)確率。實驗表明,該模型具有較高的準(zhǔn)確率和一定的可行性。本文對在線商品評論可信度預(yù)測模型的研究,進一步降低了大數(shù)據(jù)環(huán)境下消費者處理信息泛濫問題的能力要求,從而輔助消費者做出正確的購物決策,同時也有助于進一步完善現(xiàn)有電子商務(wù)平臺評論挖掘與分析系統(tǒng)。因此本文研究成果對于完善在線購物評論體系,提升消費者在線購物體驗,正確評價商家商品或服務(wù)具有較為重要的理論和實踐意義。
【關(guān)鍵詞】：在線商品評論 評論可信度 文本分類 支持向量機 DDAG-SVM
【學(xué)位授予單位】：華中師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：F724.6;F713.55
【目錄】：

• 摘要6-7
• Abstract7-10
• 1 緒論10-14
• 1.1 研究背景10-11
• 1.2 研究意義11
• 1.3 本文的內(nèi)容結(jié)構(gòu)11-13
• 1.4 研究的創(chuàng)新點13-14
• 2 在線商品評論研究綜述14-28
• 2.1 在線商品評論形成動因及影響研究14-17
• 2.1.1 在線商品評論形成動因14-15
• 2.1.2 在線商品評論影響研究15-17
• 2.2 在線商品評論可信度研究17-19
• 2.2.1 在線商品評論可信度影響因素17-18
• 2.2.2 在線商品評論可信度預(yù)測模型18-19
• 2.3 在線商品評論的意見挖掘研究19-22
• 2.3.1 在線商品評論的產(chǎn)品特征挖掘20-21
• 2.3.2 在線商品評論的情感傾向挖掘21-22
• 2.4 文本分類研究22-28
• 2.4.1 文本預(yù)處理22-23
• 2.4.2 文本表示23
• 2.4.3 特征選擇降維23-24
• 2.4.4 分類算法24-26
• 2.4.5 分類性能評估26-28
• 3 在線商品評論可信度影響因素分析28-36
• 3.1 虛假在線商品評論特征分析28-32
• 3.1.1 虛假在線商品評論形成過程28-31
• 3.1.2 各類型虛假評論的特點31-32
• 3.2 在線商品評論可信度特征指標(biāo)構(gòu)建32-36
• 3.2.1 基于評論內(nèi)容的特征指標(biāo)32-33
• 3.2.2 基于評論者的特征指標(biāo)33-34
• 3.2.3 基于商家的特征指標(biāo)34-36
• 4 基于DDAG-SVM的在線商品評論可信度預(yù)測模型36-52
• 4.1 支持向量機簡述36-42
• 4.1.1 支持向量機基本原理36-40
• 4.1.2 支持向量機多分類算法40-42
• 4.2 基于DDAG-SVM的評論可信度預(yù)測算法設(shè)計42-46
• 4.2.1 算法思想42-43
• 4.2.2 算法步驟43-46
• 4.3 基于商品屬性的評論情感傾向離群度評估46-52
• 4.3.1 評論商品相關(guān)屬性抽取46-49
• 4.3.2 基于細粒度的評論情感傾向離群度評估算法49-52
• 5 基于DDAG-SVM的在線商品評論可信度預(yù)測實驗52-57
• 5.1 樣本數(shù)據(jù)的獲取與標(biāo)注52-53
• 5.2 模型實現(xiàn)53-55
• 5.2.1 樣本數(shù)據(jù)格式化處理53-54
• 5.2.2 分類器構(gòu)建54-55
• 5.3 實驗結(jié)果對比分析55-57
• 6 總結(jié)和展望57-58
• 附錄58-62
• 參考文獻62-67
• 攻讀學(xué)位期間所取得的相關(guān)科研成果67-68
• 致謝68

【相似文獻】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 陳燕方;基于DDAG-SVM的在線商品評論可信度預(yù)測研究[D];華中師范大學(xué);2016年

，

本文編號：978897