發(fā)布時間：2024-04-21 23:22

　　隨著互聯(lián)網(wǎng)的井噴式地發(fā)展和020電子商務的深化,020企業(yè)獲得了海量的用戶數(shù)據(jù),如何挖掘數(shù)據(jù)中潛在的商業(yè)價值是人們關心的重點。其中,餐飲領域的互聯(lián)網(wǎng)化,越來越多的消費者開始習慣通過參考網(wǎng)絡評論來了解餐飲企業(yè)的服務水平,進而做出消費決策。因此,如何幫助消費者迅速地從海量網(wǎng)絡評論中找出他們關心的重點問題,又如何讓商家從海量的網(wǎng)絡評論中尋找到自已經(jīng)營的弱點以改善經(jīng)營狀況,成為了本文研究的重點。本文將當下比較成熟的文本分析的方法運用到餐飲領域的評論中去。本文首先將傳統(tǒng)的TF-IDF特征、LogRatio特征和word2vec詞向量進行組合,構造了可以降低文本向量空間維度的特征,并利用機器學習中的監(jiān)督學習方法預測文本的情感極性,訓練出了較為穩(wěn)定的分類模型。其次,本文通過對餐飲領域的業(yè)務理解,構造了基于句法分析的維度匹配規(guī)則對評論數(shù)據(jù)進行挖掘,更深入的了解評論者對于餐飲企業(yè)不同維度的打分。最后,本文自定義了基于消費者對于餐飲企業(yè)不同維度打分的公式,并以雷達圖的形式展示了以餐飲企業(yè)為單位的門店畫像,該圖可以直觀地為消費者挑選餐飲企業(yè)消費提供重要參考價值,也能幫助餐飲企業(yè)主及時改進自身經(jīng)營的不足。本文...

【文章頁數(shù)】：47 頁

【學位級別】：碩士

【部分圖文】：

圖２－１?ＣＢＯＷ模型、Ｓｋｉｐ－Ｇｒａｍ模型示例語句??

來研宄詞和詞之間的關系。ｗｏｒｄ２ｖｃｃ是谷歌推出的??一款可以訓練詞向量的工具，ｗ〇ｒｄ２ｖｅＣ工具的性能非常強，可在上億級別的文??本數(shù)據(jù)集上訓練，并可將每一個詞語映射為特定歐式空間中的一個詞向量。??ｗｏｒｄ２ｖｅｃ?主要包括兩種重要的模型：ＣＢＯＷ（Ｃｏｎｔｉｎｏｕｓ?Ｂ....

圖２－２二維線性可分數(shù)據(jù)集??

另外兩種不同可行方案，其中中間的實線即為超平面。每個超平面都對應??了一個線性分類器。雖然這兩個分類器的分類結(jié)果是一樣的，但如果考慮潛在的??其他數(shù)據(jù)，則兩者的分類性能是有差別的。??＂?Ａ??？?？／?／?／?？??ｍ?＃?？?’?／?／＿?＿??＃?ｍ?參／?／?／參?鬱／＾....

圖３－１餐飲評論數(shù)據(jù)示例（帶“ｘ”的數(shù)據(jù)均為隱匿原始真實信息考慮）??其中，ＳＨ０Ｐ＿ＩＤ表示某家餐飲企業(yè)在大眾點評網(wǎng)的ＩＤ信息，ＣＯＭＭＥＮＴＪＪＳＥＲ??

餐飲丨平論數(shù)據(jù)的怡感分析??第３章文本預處理和特征工程??３．１數(shù)據(jù)來源??本文所使用的餐飲評論數(shù)據(jù)為２０１６年５月到２０１６年１１月之間大眾點評網(wǎng)??在上海地區(qū)部分餐飲店鋪的評論數(shù)據(jù)，共５６９２２７條。該評論數(shù)據(jù)主要內(nèi)容是在??該餐飲門店消費的消費者或者從網(wǎng)上下訂單的外賣消費者....

圖５－１某餐飲門店不同維度的消費者偏好雷達圖??圖中的紅色線條為０．?５的分界線，分值低于０．?５且分值越小，表明該維度的??

第５章餐飲企業(yè)門店畫像分析?基亍點評餐飲評論數(shù)據(jù)的情感分析??某餐飲門店不同維度的消費者偏好雷達圖??ｍｍｍｎ．??上蕖及時攙饑蕤囊麗??Ｘ?Ｘ，?＂?＆?＇?＇？??ａｍｍｎ?－?－?＼?＇、、／?？?＼?／?＾?門祕墉??ｖ?、乙，’。－??ａ＆轉(zhuǎn)ｉｓ??象物〇崍＇?ｉｎｍ?....

本文編號：3961597