在常用評論特征的基礎上,提出了一種基于搜索引擎（如百度）的文本相似性方法獲取評論與產(chǎn)品標題之間的相似性,并作為新的評論特征建立評論推薦模型。實驗證明,引入評論與產(chǎn)品相似性特征可明顯改進評論推薦機制的有效性,同時文本相似性評價的準確性可以借助搜索引擎得到較大提升。 

【文章來源】：工業(yè)工程與管理. 2019,24(05)北大核心CSSCI

【文章頁數(shù)】：7 頁

【部分圖文】：

圖３主題數(shù)目與對數(shù)似然率關系圖

應用３．３獲取特征向量（１）評論主題特征采用ＴＦ－ＩＤＦ方法獲取評論關鍵詞后，應用ＬＤＡ［１５］方法，對整個評論集進行主題分析。本文以對數(shù)似然率為縱軸，得到其與評論集主題數(shù)量的關系如圖３所示，由此確定當前語料庫最佳主題數(shù)量為８。對每個主題下的特征詞進行總結并命名，依次為：服務、功能、聲音、使用、外觀、物流、性價比、質量，ＬＤＡ得到的詞語交叉較為嚴重，借助ｗｏｒｄ２ｖｅｃ［１６］修正后結果如圖４所示。圖３主題數(shù)目與對數(shù)似然率關系圖圖４主題及部分特征詞圖（２）評論與產(chǎn)品標題相似性選擇ＳｉｍＳＥ、Ｓｉｍｈａｓｈ［１７］、基于《現(xiàn)代漢語分類詞典》的相似性評價（ＳｉｍｉｌａｒｉｔｙＭｅａｓｕｒｅｂａｓｅｄｏｎＣｉｄｉａｎ，ＣＤ＿Ｓｉｍ）［１８］三種方法分別求解評論與產(chǎn)品標題相似性特征值，以作對比。（３）其余特征值選用漢語詞法分析系統(tǒng)對文本進行分析，統(tǒng)計詞性相關特征變量６個（名詞數(shù)量、動詞數(shù)量、形容詞數(shù)量、副詞數(shù)量、副形詞數(shù)量、詞性復雜度）。獲取情感極性分值變量２個（積極情感分值、消極情感分值）。（４）向量歸一化獲取評論的各維度特征后，選擇“最大值－最小值”歸一化，消除量綱的影響。加入評論的獲贊數(shù)作為預測變量，所得數(shù)據(jù)集示例如表２所示，示例中的相似性計算方法為ＳｉｍＳＥ方法。表２歸一化后數(shù)據(jù)集示例特征評論１評論２評論３評論長度０．２３１０．２２５０．０

工業(yè)工程與管理第５期率、功能、圖片數(shù)量、形容詞數(shù)量、副形詞數(shù)量、詞性復雜度、評論長度、與產(chǎn)品標題相似性、性價比均對評論有效性有顯著的正向作用，表明評論內容越豐富深刻，獲贊數(shù)可能越高。評論時間對評論的有效性有顯著的負向作用，意味著評論時間越早，獲贊數(shù)具備越高的可能。圖５ＬＡＳＳＯ變量壓縮結果３．５實驗結果對比以是否加入三種方法所得評論與產(chǎn)品標題相似性特征為變量，隨機多次選取單個產(chǎn)品相關評論的８０％（向下取整）作為訓練集，其余評論作為預測集。對評論集中１１個產(chǎn)品分別建立４種支持向量機模型，模型含義如表３所示。對于每個產(chǎn)品的評論集，將點贊數(shù)去重后降序排列，選擇第１０個值為邊界將評論集分為兩個子集，記為高贊評論集和其他評論集。由于點贊數(shù)與評論并非一一對應，因此，高贊評論集的元素個數(shù)一般大于１０。表３四種模型的含義模型是否有相似性特征計算相似性的方法ＳＶＭ否／ＳｉｍＳＥ－ＳＶＭ是ＳｉｍＳＥＳｉｍｈａｓｈ－ＳＶＭ是ＳｉｍｈａｓｈＣＤ＿Ｓｉｍ－ＳＶＭ是ＣＤ＿Ｓｉｍ選擇平均絕對誤差（ＭＡＥ）、均方根誤差（ＲＭＳＥ）、模型對高贊評論的預測查準率（Ｐ）及召回率（Ｒ）作為評價指標，取每種模型對１１個產(chǎn)品相關評論多次Ｋ－折交叉驗證的最優(yōu)結果的均值，對比如表４所示。Ｐ＝ＴＰＴＰ＋ＦＰ（１７）Ｒ＝ＴＰＴＰ＋ＦＮ（１８）其中，ＴＰ表示“預測為高贊評論，實際為高贊評論”，ＦＰ表示“

【參考文獻】：
期刊論文
[1]用戶評論信息特征與信息采納——產(chǎn)品涉入與社區(qū)涉入的不同調節(jié)作用[J]. 李雪,劉益,高偉.  情報科學. 2018(11)
[2]在線產(chǎn)品評論有用性識別方法研究[J]. 單曉紅,張曉月,劉曉燕,賈盼盼.  北京工業(yè)大學學報(社會科學版). 2018(05)
[3]服務型產(chǎn)品在線評論信息特征對評論感知有用性與購買意愿的影響[J]. 李啟庚,趙曉虹,余明陽.  工業(yè)工程與管理. 2017(06)
[4]基于分類詞典的文本相似性度量方法[J]. 李海林,鄒金串.  智能系統(tǒng)學報. 2017(04)
[5]基于奇異值分解的個性化評論推薦[J]. 余剛,王知衍,邵璐,胡舒悅,蔡毅.  電子科技大學學報. 2015(04)
[6]考慮觀點多樣性的評論選擇問題[J]. 余文喆,沙朝鋒,何曉豐,張蓉.  計算機研究與發(fā)展. 2015(05)
[7]供應商與客戶智能協(xié)同決策規(guī)則識別研究[J]. 劉翔,范嬌嬌.  中國商貿. 2013(06)
[8]圖像-文本相關性挖掘的Web圖像聚類方法[J]. 吳飛,韓亞洪,莊越挺,邵健.  軟件學報. 2010(07)

博士論文
[1]基于語義理解的意見挖掘研究[D]. 曹高輝.武漢大學 2010

碩士論文
[1]基于語義分析的文本相似性度量研究及應用[D]. 周萍.武漢工程大學 2017
[2]基于大數(shù)據(jù)平臺的在線評論有效性模型的研究與實現(xiàn)[D]. 李凱.北京郵電大學 2017



本文編號：3512416