基于评论挖掘的软件评价系统

设计一个Web系统,利用Android电子市场上各个领域的软件评论,对软件进行细致的评价,帮助用户选择适用的软件。首先通过抓取Google play评论建立数据库,利用规则模板提取软件特征和情感词。然后,通过知网与用户常用极性词典判别情感倾向。最后通过特征聚类等方式将软件之间特征级别进行对比与评价,从而把同类软件按特征粒度进行精准排序和选择。     

APP软件的用户评论模式分析方法

面对海量的APP软件,不同用户对其评论的侧重点、表达方式以及情感倾向程度等都不相同,这给APP软件的用户行为分析和质量评价带来了困难。提出一种APP软件用户评论模式分析方法,首先综合分析用户评论信息与APP软件信息之间的关系,根据用户对APP软件的评论特征将用户评论信息进行分类;接着分析每类用户评论信息的词性组合;然后计算用户评论信息的情感倾向程度,以分析出该APP软件用户的评论模式;最后通过实验验证了该方法的有效性。     

基于口罩评论数据的用户情感趋势与关注分析

为了对疫情期间口罩的用户评论数据进行情感关注分析, 本文用谷歌浏览器的插件Web Scraper爬取了2020年3月1日到4月11日中淘宝网的口罩的共计143 330条用户购买评论数据. 为了提高情感预测的精度, 在此数据集上经过人工标注情感为积极和消极的共计14 400条数据后, 用SnowNLP情感分析模型进行了训练, 最后用训练后的语料库进行了情感预测. 从整体上可见用户评论的情感是积极的. 在用户评论的每日情感变化趋势上, 本土新增病例(不含海外输入)的趋势在一定程度上影响着用户每日情感趋势的整体变化, 而国内新增病例(含海外输入)的局部波动变化趋势也影响着每日情感局部的相应波动变化趋势. 在对预测后的评论进行分类后, 发现用户的积极评论中对口罩的关注主要集中在口罩的质量、包装、价格、厚实, 而在消极的评论中对口罩的关注主要集中在质量、包装、味道和是否为医用.     

基于机器学习的影视剧评论倾向性分析系统设计

近些年来,我国影视观影人数逐渐提高,每天都有大量的评论信息出现,影视评价充分体现了新时代言论自由以及人人参与的观点,若需要从这些海量评论中直接反应大众对某部影视作品的评价倾向较为的复杂;通过完成基于机器学习的影视剧评论倾向性分析系统的设计与实现,通过网络爬虫来获取大量的评论数据,通过SVM建立情感分类模型来分析用户的情感倾向,并以可视化的方式展开并提供基于可视化用户评论情感分析的倾向,易于用户理解,给用户提供高质量的服务,帮助用户进行更高效和更全面的查询,完成基于机器学习的影视剧评论倾向性分析系统构建研究.     

融合短文本层级注意力和时间信息的推荐方法

信息过载造成的数据稀疏性问题制约着基于评分数据的矩阵分解模型的推荐性能,融合评论文本的推荐模型能够有效缓解评分数据稀疏性.当前的推荐系统利用评论文本为用户和项目建模时,大多仅将用户对项目的评论作为数据来源,而忽视了时间信息对用户和项目属性的影响.针对此问题,提出了一种融合短文本层级注意力和时间信息的推荐方法(RHATR),该方法能够充分地挖掘评论文本潜在的语义信息,并为用户偏好和项目特征的动态变化进行建模.通过对单条评论文本应用单词级注意力,挖掘单条评论文本中情感词和关键词等有效信息,学习用户和项目表示;对含有时间因素的用户评论集和项目评论集分别应用评论级注意力,提取有效的评论,进一步学习用户偏好和项目特征动态表示.将从评论文本中学到的用户和项目表示以及基于ID的项目和用户嵌入作为最终特征,来捕获各用户和项目的潜在因素.实验结果表明,提出的方法相对于当前基线方法在Amazon和Yelp数据集上的均方根误差(RMSE)取得了较好的效果.     

基于注意力与门控机制相结合的细粒度情感分析

细粒度情感分析(fine-grained sentiment analysis)是自然语言处理领域的关键问题之一,其通过学习文本的上下文信息来进行特定方面的情感分析,可以帮助用户和商家更好地了解用户评论特定方面的情感.针对基于用户评论的方面级别细粒度情感分析任务,提出了BiGRU-Attention与门控机制(gated mechanisms)相结合的文本情感分类模型.首先,通过整合现有的情感资源,将HOWNET评价情感词典作为种子情感词典,利用SO-PMI算法扩充用户评论情感词典,结合否定词典以及词性信息扩充用户评论情感知识,将用户评价情感知识作为用户评论情感特征信息;其次,引入字词特征与情感特征信息,将它们联合作为模型输入,使用BiGRU对文本进行深层次的特征提取;然后,结合门控机制以及注意力机制,根据获取的方面词信息进一步提取与方面词相关的上下文情感特征信息;最后,在输出层进行文本情感分析,经过softmax获得最终的情感极性.在AIchallenger2018细粒度情感分析中文数据集上,所提模型的Macro_F1_score值达到了0.7218,性能超过基线系统,获得了较好的实验结果.     

基于用户和产品表示的情感分析和评论质量检测联合模型

情感分析旨在判断文本的情感倾向,而评论质量检测旨在判断评论的质量.情感分析和评论质量检测是情感分析中两个关键的任务,这两个任务受多种因素的影响而密切相关,同一个产品的情感倾向具有相似的情感极性;同时,同一个用户发表的评论质量也具有一定的相似性.因此,为了更好地研究情感分类和评论质量检测任务的相关性以及用户信息和产品信息分别对情感分类和评论质量检测的影响,提出了一个情感分析和评论质量检测联合模型.首先,使用深度学习方法学习评论的文本信息作为联系两个任务的基础;然后,将用户评论及产品评论作为用户的表示和产品的表示;在此基础上,采用用户注意力机制对用户的表示进行编码,采用产品注意力机制对产品的表示进行编码;最后,将用户表示和产品表示结合起来进行情感分析和评论质量检测.通过在Yelp2013和Yelp2015数据集上的实验结果表明,该模型与现有的神经网络模型相比,能够有效地提高情感分析和在线评论质量检测的性能.     

基于评论数据的酒店服务质量的细粒度分析

在评论数据上采用情感分析方法,研究酒店用户满意度的影响因子,可以为酒店管理者提供及时建议,改进酒店管理的效能。针对目前酒店评论数据分析方法没有进行细粒度情感分析的问题,提出一种融入Word Embedding特征的分类方法,有效地对评论数据进行细粒度分类。通过基于词典的情感分析方法对酒店评论进行极性判断,从而获得用户对酒店服务的细粒度情感评价。该方法能让酒店管理层快速全面了解酒店服务质量情况,有效提升了酒店管理效率。在大规模实际酒店评论数据上进行实验,结果表明了该方法的有效性。     

基于词典和弱标注信息的电影评论情感分析

针对评论文本情感分析研究中数据标注费时费力的问题,提出了一种新的数据自动标注方法。首先,通过基于情感词典的方法计算出评论文本的情感倾向;其次,利用用户评分的弱标注信息和基于词典方法的情感倾向对评论文本自动标注;最后,利用支持向量机（SVM）对评论文本进行情感分类。所提出的数据自动标注方法在两种类型数据集情感分类准确率上分别达到了77.2%和77.8%,相对于单一的利用用户评分对数据标注的方法,分别提高了1.7个百分点和2.1个百分点。实验结果表明,提出的数据自动标注方法在电影评论情感分析中能提高分类效果。     

基于评论分析的查询服务推荐排序

面对查询服务如何为用户提供满足需求的个性化推荐.提出一种基于自然语言进行评论分析、并提取特征属性进行多属性决策,为用户提供推荐排名策略,建立基于评论语义和Web挖掘技术的信息推荐系统实现个性化服务.解决了对同一商品的不同店铺之间的优劣比较和推荐,对各店铺的用户评论进行了主题抽取和情感分析,通过聚类成为”客户满意度”属性,与从店铺页面上爬取到的客观数据一起代入到推荐系统中进行计算.系统允许用户自主选择关心的属性及重要性排序,使得系统给出的推荐结果既能客观全面的反映店铺的状况,又能符合用户的评价偏好.