给大家分享8篇关于主题建模的计算机专业论文

今天分享的是关于主题建模的8篇计算机毕业论文范文, 如果你的论文涉及到主题建模等主题,本文能够帮助到你

基于评论文本内容的管理者回复策略对评论有用性的影响研究

这是一篇关于评论有用性,管理者回复策略,评论情绪强度,负面评论,主题建模的论文, 主要内容为随着在线旅游业发展,越来越多的消费者通过网络预订旅游服务和产品。在预订酒店时,潜在消费者会通过阅读旅游电商平台上的酒店在线评论来最大限度地减少购买决策的不确定性和风险。然而,过多的在线评论可能造成信息过载。因此,为了帮助潜在消费者找到有价值的信息,许多旅游电商平台都引入了一种反馈机制,即消费者可以对评论是否有用进行投票。从这种意义上说,评论有用性成为了潜在消费者关注评论的关键驱动力,且在一定程度上有助于减少潜在消费者的困惑。近年来,大量研究从评论者特征和评论特征两个角度去探讨评论有用性的影响因素,但很少有研究考察管理者回复策略对评论有用性的影响。同时,现有研究忽视了根据评论文本内容来制定回复策略的重要性。因此,现有文献存在以下两点不足:(1)尚未考察管理者回复与消费者评论的主题内容关系对评论有用性的影响;(2)缺乏从评论的主题评价视角去考察回复策略的有效性。为此,本研究着重考察两个问题:(1)回复与评论的主题一致性如何影响评论有用性,以及评论的正面情绪强度和负面情绪强度如何调节上述关系?(2)针对不同主题评价(反映服务失败严重程度)和不同形式的负面评论,研究考察了动机差异化回复策略在影响消费者对负面评论有用性的感知上是否存在差异。基于上述问题,本研究通过网络爬虫和问卷调查进行数据收集,并通过实证分析得出结论,具体内容如下:首先,本研究基于主题建模方法探讨了主题一致性管理者回复策略对评论有用性的影响。通过对猫途鹰网站上收集的31,523条评论和回复进行分析,本研究发现管理者回复和相应评论的主题一致性对评论有用性有积极影响。同时,本研究还发现评论的正面情绪强度对上述效应有显著的正向调节作用。相反,评论的负面情绪强度对上述效应有显著的负向调节作用。特别地,对于负面离散情绪强度,研究发现只有焦虑情绪强度起到显著的调节作用。其次,本研究从评论的主题评价视角出发考察动机差异化回复策略的相对有效性。研究特别强调了根据服务失败严重程度(普通负面评论与核心失败评论)和评论形式(纯文字形式与图文结合形式)来调整回复策略(顺应性回复和防御性回复)的重要性。通过被试间实验,本研究发现对纯文字的普通负面评论采取防御性回复策略在削弱负面评论有用性方面是最有效的,而对图文结合的普通负面评论采取防御性或顺应性回复策略在削弱负面评论有用性方面均比无回复策略更有效。此外,研究还发现了对纯文字的核心失败评论采取顺应性或防御性回复策略在削弱负面评论有用性方面没有区别,而对图文结合的核心失败评论采取顺应性回复策略最为有效。综上所述,本研究与以往研究相比,对于评论有用性研究领域具有一定的理论意义。第一,本研究提出主题一致性概念,有助于提升对管理者回复策略的认知。第二,基于评论的主题内容视角,本研究揭示了主题一致性回复策略对评论有用性的影响以及正面或负面评论情绪强度对上述关系的调节作用,进一步拓展了评论有用性影响因素研究,为解释评论信息价值提供了理论依据。第三,基于评论的主题评价视角,本研究考察了动机差异化回复策略在影响消费者感知负面评论有用性上是否存在差异,强调了根据负面评论的不同主题评价来调整回复策略的重要性。另外,本研究还具有一定的实际意义。第一,本研究强调了管理者回复信息的重要性,有助于潜在消费者通过管理者回复减少信息获取的成本。第二,本研究表明了酒店管理者应该根据评论的主题内容和主题评价来调整回复策略,从而更好地应对在线评论所带来的影响。第三,本研究揭示了管理者回复策略对评论有用性的影响规律,有助于在线评论网站的平台管理者优化评论排版,提高消费者信息搜索效率和满足在线供应商的需求。

多维特征融合的重大疫情微博舆情画像模型研究

这是一篇关于微博舆情画像,重大疫情,多维特征融合,情感分析,主题建模的论文, 主要内容为新冠疫情爆发以来,与疫情发展动态、防控形势相关的观点、意见、态度在微博平台中相互交汇、碰撞放大,形成了快速更迭、风险复杂的重大疫情微博舆论场。新冠疫情持续时间长、波及范围广,与之相关的微博舆情管理不仅是网络信息生态治理的严峻挑战,也是维护疫情防控工作顺利开展的必要工作,对于维护疫情期间的国家安全和社会稳定意义重大。基于此,本研究将用户画像理论与重大疫情舆情监管需求相结合,以新冠病毒疫情为背景,通过合理融合网络舆情多维特征以全面刻画重大疫情微博舆情画像,从标签体系设计、特征标签提取、多维特征融合、画像模型构建以及应用价值分析等方面对重大疫情微博舆情画像模型展开研究,为重大疫情微博舆情监管预警机制的搭建完善作出贡献。首先,提出一种基于卷积神经网络和双向门控循环单元的CNN-Bi GRU文本情感分类模型。重大疫情微博舆情的网民情感分布对舆情演化有着重要推动作用,分析网民情感特征是舆情管理的重要工作。从微博平台爬取疫情相关博文数据,构建实验数据集,搭建结合卷积神经网络和双向门控循环单元的神经网络结构,并使用深度学习方法训练得到微博文本情感分类模型。其次,构建包含数据支撑层、标签抽取层、特征融合层以及画像展示层的重大疫情微博舆情画像模型。模型的数据支撑层为舆情画像的构建提供数据来源;标签抽取层采用第三章构建的CNN-Bi GRU模型提取舆情信息情感属性标签、借助BTM主题模型挖掘舆情信息主题属性标签、结合百度指数和时序数据提取舆情生命周期标签,并使用相关显性指标数据计算舆情主体影响力标签;特征融合层结合各项微博舆情特征的特点,合理融合相关舆情特征,为全面深刻地刻画重大疫情微博舆情画像提供基础;画像展示层使用相关可视化方法展示画像结果。最后,以“上海6.1解封”事件为背景,收集该舆情事件全生命周期的微博舆情数据,按照标签抽取、特征融合、画像展示的顺序对重大疫情微博舆情画像模型展开实证分析。据此分析微博舆情画像模型在实际情况中的应用价值,为重大疫情背景下的微博舆情治理提出建议。

基于评论文本内容的管理者回复策略对评论有用性的影响研究

基于深度学习和主题建模的事件发现研究与应用

这是一篇关于事件,新事件发现,主题建模,特征提取,系统应用的论文, 主要内容为当今互联网的高速发展,催生了众多的网络应用,同时高速的网络发展带来巨大的新闻数据量。与此同时,大数据量也给政府组织及其其他组织带来了在大数据背景下事件建模相关技术限制,无法快速的从海量的数据中获取新闻事件相关知识,难以实现数据的互通共享,因此如何对非结构化新闻文本进行有效整理变得十分重要。针对以上问题,本文针对非结构化文本,提出了基于深度学习和主题建模的事件建模众包学习方法,对非结构化新闻文本进行事件建模研究并从数据获取、新事件发现、多特征融合的新事件主题提取、应用系统构建等角度对研究进行充分阐述。本文主要进行基于深度学习和主题建模的新事件发现研究与应用,通过多种技术的研究应用到新闻事件建模领域,用以实现政府组织及其他组织对非结构化新闻文本的充分利用。首先,基于整体研究的需求分析,分析要获取的相关数据,研究构建基于Scrapy框架的数据爬虫系统进行数据获取;然后,对获取的数据进行初步的整理,研究非结构化文本的量化方法,提出基于BERT、注意力机制的双向长短记忆网络构建新事件发现模型;其次,对于新事件发现模型检测出的新事件,提出基于多特征融合的新事件主题聚类分析用以提取新事件主题,多特征融合包括实体特征、事件触发词特征、主题热词特征。对于主题提取的结果集加入到新事件发现模型实现新事件发现模型的不断学习更新的众包学习的方法;最后,研究采用NoSQL数据库作为事件存储解决方案在提高效率的同时也克服了传统存储解决方案的缺点,并在数据获取、新事件发现、新事件主题建模分析研究基础上研究开发事件建模应用系统实现对上述研究的系统化应用。本文从政府组织角度出发,以非结构化数据为基础从数据获取、新事件发现、新事件主题建模分析、事件建模应用系统构建等方面充分阐述了基于深度学习和主题建模的事件发现研究与应用的研究过程。基于上述研究突破了事件建模的技术障碍,构建了适合政府治理新模式的建模分析算法与分析方法,对于政府及其其他组织在大数据背景下分析热点事件具有重大意义。

基于知识图谱的移动应用第三方库的混合推荐方法研究

这是一篇关于移动应用,第三方库,推荐系统,知识图谱,主题建模的论文, 主要内容为随着智能终端设备的普及和移动互联网的飞速发展,移动应用市场日益繁荣,移动应用和用户群体的数量都在急剧增加。尽管软件市场的快速增长和不断扩展为用户带来了巨大的便利,但是对于提供这些软件服务的团队和开发人员来说,他们面临的挑战和竞争更加激烈。为了满足更苛刻的用户要求,开发者需要在更短的时间内开发出更多符合用户功能需求的移动应用,同时还需要保障应用的质量和可用性。第三方库在移动应用程序的开发过程中发挥了至关重要的作用,这些库可以极大地缩短开发时间,提高整体的开发效率和质量,选择合适的第三方库能够帮助开发者更加高效地完成移动应用的开发。然而,目前已经发布了大量的第三方库,这给开发者选择合适的第三方库带来了沉重的负担。如何帮助开发人员做出更好的选择,是一个值得关注的问题。针对该问题,论文提出了一种新颖的基于知识图谱的移动应用第三方库的混合推荐方法TM-MKR,通过将知识图谱技术与主题建模技术相融合,同时利用移动应用与第三方库的交互信息,非结构化的文本描述信息以及结构化语义信息,实现混合推荐。为了验证该方法的有效性,论文分别从AppBrain和GitHub上爬取数据并构建了两个真实数据集。在GitHub数据集的构建过程中,为了识别应用中使用到的第三方库,论文还研究了现有的第三方库检测方法,并针对该数据集的特定场景提出了一种第三方库识别方法,完成数据集的构建。在这两个数据集的基础上,利用图数据库技术构建了两个大型的特定领域的知识图谱。基于这些数据集和知识图谱进行了一系列实验,通过与几种先进的推荐方法在多个评价指标的比较,实验结果证明本文提出的方法在移动应用第三方库的推荐场景的有效性。

基于域内外知识迁移的推荐算法改进研究

这是一篇关于推荐系统,迁移学习,DeepFM模型,主题建模的论文, 主要内容为当今的互联网时代,信息技术在快速迭代,推荐系统致力于帮助人们解决信息过载等问题,提高信息处理的效率的同时,也存在一些既定的问题,例如数据稀疏性、冷启动等。常用的推荐算法有基于用户或基于项目的协同过滤推荐算法,矩阵分解等,以上算法都是基于用户项目评分矩阵产生推荐。由于用户评分的客观因素,用户项目评分矩阵往往会非常稀疏,使得推荐效果不佳,进而导致用户的推荐体验较差。为了对传统协同过滤推荐算法的效果进行改进,本文基于迁移学习的思想,在域内推荐和跨域推荐两个方面对传统模型做了改进:域内的推荐模型首先会根据用户评分质量将总体划分为高质量群组和低质量群组,以矩阵分解的协同过滤为基准,将高质量群组的物品隐向量迁移到低质量群组中,以提高整体的推荐效果;跨域的推荐模型根据迁移方向不同分为基于内容的迁移和基于模型的迁移,基于内容的迁移是将域之间的共有标签主题作为桥梁连接两个域来共享信息,基于模型的迁移则是以Deep FM模型为基准,将深度模型的参数在域之间共享。分别在域内和域外都改进了传统模型后,以线性加权的方式结合两部分的模型预测结果,得到最终的基于域内外知识迁移的推荐模型(Transfer Learning Recommendation consider knowledge inside and outside the domain,TLRec-CKIOD)。为了验证本文所提出模型的效果,实证分析部分首先进行了域内的用户评分质量实验,此实验证明了在域内进行子群组间的迁移有利于提升整体的推荐效果,而后进行了域外的迁移基准模型选择实验,实验证明Deep FM模型优于FM模型、DNN模型,且其运用了迁移后的推荐效果优于单领域的推荐效果,最后进行了域内外知识迁移的模型效果验证,将本文提出的TLRec-CKIOD模型与传统的协同过滤推荐算法、域内和域外未结合时各部分改进后的推荐算法进行对比,结果显示TLRec-CKIOD模型的推荐效果要好于其他几种对比模型。最后通过该推荐算法,对特定用户产生的top10推荐列表具有较好的准确率和召回率。