基于序贯三支决策的代价敏感文本情感分析方法

为了解决文本情感分析的代价不平衡及静态决策中分类代价偏高的问题,文中考虑动态决策过程中产生的误分类代价和学习代价,构建基于序贯三支决策的代价敏感文本情感分析方法.首先,为了构建多粒度动态决策环境,提出针对文本数据的粒化模型.然后,引入序贯三支决策模型,构建动态文本分析框架.最后,利用真实文本评论数据集验证文中方法的有效性.实验表明文中方法在提高分类质量的同时,明显降低整体的决策代价.     

基于细粒度观点挖掘和Kano模型的用户满意度分析研究

在线评论在客户关系管理、产品营销等方面发挥着重要作用，有效利用在线评论来分析用户满意度，对企业改善其服务和产品至关重要。传统的满意度分析方法的变量设计往往依赖专家建议，较少考虑正负属性的不对称影响。为解决这些问题，利用文本细粒度观点挖掘技术，对用户在线评论进行特征挖掘，构建产品服务质量分数，并采用PRCA技术对服务属性的正负影响进行量化，将服务属性投射为Kano属性分类，然后分析不同粒度下不同品牌的客户满意度特点，并给出不同品牌的属性优先顺序。最后，从咖啡评论数据中挖掘出5个关键属性。实验结果表明，不同属性对满意度影响具有不对称效应，且不同粒度下的顾客满意度影响因素具有不同的特点，并给出了相应的精细化企业管理策略。     

考虑需求优先性的在线医患双边匹配方法

近年来，随着互联网与智慧医疗的飞速发展，在线问诊平台逐渐成为满足大众基本医疗需求的重要渠道。随着在线问诊平台患者和医生数量的不断增长，医生回答参差不齐、患者提问响应不及时、答复率严重不足等问题不断涌现。如何从大量的在线医疗内容中挖掘患者需求信息和医生服务信息，刻画患者需求满意度和医生的服务能力，实现精确匹配是亟需解决的问题。基于此，文中提出了一个融合机器学习算法的多阶段匹配模型，用于提高匹配精度和多样性。首先，从医生和患者两个视角，利用机器学习算法和情感分析工具，深度挖掘患者服务需求和医生服务能力，同时考虑到患者强烈的风险规避态度，引入前景理论描述患者风险偏好。然后，考虑到患者需求的优先性，以粒计算思想为指导，以提高医患匹配的准确性和多样性为目的，构建多阶段动态匹配模型。最后，通过爬取好大夫网站的真实数据来进行实验，结果验证了所提方法的有效性。     

基于协同过滤的三支粒推荐算法研究

为了降低传统协同过滤算法的推荐成本,并解决该算法评分信息单一的问题,提出了一种基于协同过滤的三支粒推荐算法。该算法在传统协同过滤的基础上,考虑项目特征对用户评分的影响,根据项目特征、粒化用户项目评分矩阵,形成用户对项目粒度的评分矩阵,并以此作为用户偏好的测度依据。同时,该算法在推荐过程中引入三支决策,考虑了推荐过程中产生的误分类成本和学习成本,并基于用户真实的评分偏好构建三支推荐。实验结果显示,基于协同过滤的三支粒推荐算法与传统协同过滤算法相比,不但提高了算法的推荐质量,而且降低了推荐成本。