基于在线评论的旅游推荐研究
这是一篇关于旅游,GIS,评论挖掘,推荐系统的论文, 主要内容为旅游互联网应用的快速发展,产生了大量和旅游景点相关的评论信息。这些评论信息反映了游客实地旅行之后,关于旅游景点或服务的想法和偏好,并以不同的形式出现在博客、BBS或论坛网站等各种媒体,成为一种越发重要的经验信息载体,潜在游客也花费很多时间阅读在线评论协助旅行决策。但是,游客撰写评论信息有很多主观随意性,评论内容的价值良莠不齐,大量冗余信息严重干扰了潜在游客做出合适的旅行决策,形成了信息超载(Information Overload)问题。因此,有必要研究从海量的在线评论文本内容中,挖掘群体贡献的经验知识,再结合单个游客旅行偏好的关注点,使游客景点选择时,能够有效地利用群体智慧制定更加合理和个性化的旅行决策。游客旅游活动涉及吃、住、行、游、购、娱等多个方面,每个方面都具有海量的数据量。这些数据不仅包括文字和图片,还包括空间位置、旅游路径以及其他一些与地理空间位置相关的属性。因此,如何运用地理信息系统(Geographic Information System)对包含大量具有空间位置特征的旅游数据进行采集、储存、管理、运算、分析、显示和描述,为游客提供丰富的游客体验和个性化的旅游服务,已成为旅游业未来持续发展的必然要求。本文在阅读大量相关文献的基础之上,主要研究内容和成果如下:(1)基于游客实地旅行之后发表的评论数据,通过构建景点推荐指数数学模型,为游客提供个性化景点推荐。首先根据旅游在线评论的信息内容,一方面选取待推荐景点的评论数据,针对评论对象进行细粒度情感分析,另一方面选取待被推荐的目标游客历史评论数据,通过词频统计,抽取其评论对象的关注重点,然后结合个人偏好和群体智慧构建景点推荐指数,最后将景点推荐指数较高的景点推荐给游客。(2)提出一种顾及情感分析的基于标签的旅游推荐方法。首先在网页上爬取游客关注的景点评论内容信息,并将这些数据转换成合适的景点描述,同时分析目标游客历史的评论文档或描述,从而基于游客已评论的内容信息,提取游客的个人兴趣,然后分别建立景点画像的描述标签和游客画像的兴趣标签,最后通过对比考虑情感分析前后的基于标签的推荐算法性能,发现考虑情感分析后的算法具有较高的准确率。(3)针对游客旅游的业务需求,以游客个性化景点推荐的内容为重点,汲取开源的轻量级Struts2、Spring、Hibernate框架(或称为SSH)的集成策略,应用本文提出的推荐方法作为推荐引擎,从GIS技术与个性化推荐技术相结合的角度,完成了一个基于GIS的旅游推荐系统。推荐系统的用户功能主要有热门推荐、推荐指数、标签推荐、路线规划等,实现为游客提供智慧旅游信息服务。
基于知识图谱的产品画像构建研究
这是一篇关于产品画像,知识图谱,评论挖掘,用户画像,实体抽取,评价对象抽取的论文, 主要内容为随着网络购物的普及化与常态化,各电商平台上的产品数据和用户评论数据日益增多,如何有效组织、挖掘和管理各平台积累的庞大产品数据资源,从而提升消费者的网络购物体验和效率,已经成为不同购物平台亟待解决的难题。现有电商平台已实现了对产品静态描述信息的组织与展示,但在非结构化评论数据的挖掘上,产品静态信息和动态评论的关联上仍存在较大的不足。本文从应用需求出发,结合相关研究及技术,重新定义了产品画像的概念,并引入知识图谱的理论和方法研究如何构建产品画像。知识图谱是组织、存储和管理大规模结构化信息的前沿技术,将其应用于产品画像构建,能有效组织、关联产品静态信息和动态评论,帮助购物平台改善产品对比和产品搜索等机制,为用户提供更好的产品服务。本文首先在用户画像等相关研究的基础上,对产品画像进行定义研究,结合知识图谱的特点,从理论和方法角度分析了知识图谱构建产品画像的可行性,并在此基础上提出了整体研究框架。其次在产品画像概念基础上,剖析电商平台的应用需求,结合消费者剩余、用户满意度等理论分析画像的构成维度及其关联。然后引入知识图谱的逻辑架构和技术流程,结合产品画像的构成研究,设计了产品画像的构建方法,具体而言逻辑架构包括模式层和数据层,构建流程包括数据获取、抽取阶段、融合阶段、存储以及绘制。最后,以手机类产品为例,按照上述构建方法生成了手机类产品画像,并探讨其应用场景。研究证实产品画像这一概念具有较强的应用价值,所提出的知识图谱构建产品画像方法具有较强可行性和有效性,产品画像能够改善现有的产品对比等机制。
基于特征的中文在线评论观点挖掘系统的研究与实现
这是一篇关于评论挖掘,显式特征提取,特征聚类,隐式特征提取,观点总结的论文, 主要内容为随着互联网的普及和电商平台的飞速发展,网络购物已逐渐成为一种重要的消费习惯。伴随着交易量的增长,产品的用户评论数量与日俱增。对用户来说,通过逐条浏览评论内容的方式获取产品的特征观点信息是不现实的,评论挖掘作为一种自动化的评论分析方法应运而生。传统的文档级别和句子级别的观点挖掘已不足以满足用户想要获取产品细粒度特征观点信息的诉求,因此基于特征级别的评论观点挖掘研究显得更有意义。本文针对中文在线产品评论,围绕特征级别评论观点挖掘的各个任务,展开了如下工作:(1)提出一种基于依存句法分析的显式特征提取方法。通过构建一组显式特征观点对提取规则和剪枝过滤策略,直接获取显式特征及其对应的观点词。该方法不仅考虑名词和名词短语作为特征,也加入动词及动名词短语作为产品特征。(2)提出一种综合特征词相似度和特征对应的观点词相似度的特征聚类方法。通过计算特征词文本的相似度和特征对应的观点词向量的余弦相似度,结合同一评论中提取出的不同特征不能相互聚为一类的聚类限制条件进行特征聚类。(3)提出一种结合上下文和两类观点词的隐式特征提取方法。通过对隐式特征出现的多种类型进行分析,根据隐式特征引导词在评论中出现的类型分别采用特征上下文和两类观点词(模糊观点词和专属观点词)的方法进行提取。此外,本文通过实验验证了特征聚类能提高隐式特征的提取效果。(4)最后,围绕上述研究工作,基于<特征,观点词,否定词个数>三元组,结合情感词典计算各个特征的情感倾向值进行观点总结,通过实现观点挖掘原型系统,为用户提供多种类型的观点挖掘结果展示。
基于在线评论的旅游推荐研究
这是一篇关于旅游,GIS,评论挖掘,推荐系统的论文, 主要内容为旅游互联网应用的快速发展,产生了大量和旅游景点相关的评论信息。这些评论信息反映了游客实地旅行之后,关于旅游景点或服务的想法和偏好,并以不同的形式出现在博客、BBS或论坛网站等各种媒体,成为一种越发重要的经验信息载体,潜在游客也花费很多时间阅读在线评论协助旅行决策。但是,游客撰写评论信息有很多主观随意性,评论内容的价值良莠不齐,大量冗余信息严重干扰了潜在游客做出合适的旅行决策,形成了信息超载(Information Overload)问题。因此,有必要研究从海量的在线评论文本内容中,挖掘群体贡献的经验知识,再结合单个游客旅行偏好的关注点,使游客景点选择时,能够有效地利用群体智慧制定更加合理和个性化的旅行决策。游客旅游活动涉及吃、住、行、游、购、娱等多个方面,每个方面都具有海量的数据量。这些数据不仅包括文字和图片,还包括空间位置、旅游路径以及其他一些与地理空间位置相关的属性。因此,如何运用地理信息系统(Geographic Information System)对包含大量具有空间位置特征的旅游数据进行采集、储存、管理、运算、分析、显示和描述,为游客提供丰富的游客体验和个性化的旅游服务,已成为旅游业未来持续发展的必然要求。本文在阅读大量相关文献的基础之上,主要研究内容和成果如下:(1)基于游客实地旅行之后发表的评论数据,通过构建景点推荐指数数学模型,为游客提供个性化景点推荐。首先根据旅游在线评论的信息内容,一方面选取待推荐景点的评论数据,针对评论对象进行细粒度情感分析,另一方面选取待被推荐的目标游客历史评论数据,通过词频统计,抽取其评论对象的关注重点,然后结合个人偏好和群体智慧构建景点推荐指数,最后将景点推荐指数较高的景点推荐给游客。(2)提出一种顾及情感分析的基于标签的旅游推荐方法。首先在网页上爬取游客关注的景点评论内容信息,并将这些数据转换成合适的景点描述,同时分析目标游客历史的评论文档或描述,从而基于游客已评论的内容信息,提取游客的个人兴趣,然后分别建立景点画像的描述标签和游客画像的兴趣标签,最后通过对比考虑情感分析前后的基于标签的推荐算法性能,发现考虑情感分析后的算法具有较高的准确率。(3)针对游客旅游的业务需求,以游客个性化景点推荐的内容为重点,汲取开源的轻量级Struts2、Spring、Hibernate框架(或称为SSH)的集成策略,应用本文提出的推荐方法作为推荐引擎,从GIS技术与个性化推荐技术相结合的角度,完成了一个基于GIS的旅游推荐系统。推荐系统的用户功能主要有热门推荐、推荐指数、标签推荐、路线规划等,实现为游客提供智慧旅游信息服务。
细粒度情感分析技术在评论挖掘系统中的应用
这是一篇关于情感分析,细粒度,商品评论,评论挖掘的论文, 主要内容为随着互联网和电子商务的不断发展,人们越来越热衷于网络购物,从而导致了商品评论急剧增加。商品评论中包含了许多有用的信息,消费者可以通过评论了解商品的口碑,做出购买决策。品牌商家可以通过评论发现产品的优劣,对优点进行宣传,对缺点进行改进,进而更好地维护商品的品牌价值。但是,目前电商平台上的评论仅仅分为好评和差评,并且传统的情感分析也不能细粒度地作用于特征属性之上,整体的情感倾向已经不能满足消费者和品牌商家,他们更希望从评论中了解用户对于商品具体特征属性的看法。目前,将细粒度情感分析技术应用到评论分析和商品品牌价值维护中的系统并不多,针对以上问题,本文研究了商品评论的细粒度分析,并将分析结果应用到评论挖掘系统中,帮助消费者选择商品,帮助品牌商家维护商品品牌价值。本文的主要研究内容如下:1.研究和分析了文本情感分析技术,包括文本预处理、特征提取等方法。研究和对比了基于语义分析和基于机器学习的情感分析技术。2.本文在以往的特征提取以及分类的研究基础上,提出了将显式特征和隐式特征分开提取的方法。在显式特征的提取过程中,在基于临近原则的基础上增加了三条规则,提高了特征提取的准确率。在隐式特征的提取过程中,采用了基于特征词和情感词修饰关系的双向迭代方法,该方法可以扩展特征词和情感词。3.本文将双向迭代方法扩展的情感词运用到领域词典的构建和自动扩展中,并且结合其它词典,在常见的基于词典的极性判断上提出改进方案,利用词性以及语言学知识将情感词极性强度量化,更有效地对商品特征进行对比和分析。4.本文结合网络爬虫等技术,设计和实现了商品评论挖掘系统,包括评论采集模块、数据预处理模块、商品特征提取和情感分析模块等。最后通过系统测试表明:细粒度情感分析技术能够有效地帮助消费者和品牌商家做出决策,具有较强的实用价值。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码向导 ，原文地址：https://m.bishedaima.com/lunwen/47262.html
