基于多种数据源的在线评论知识图谱构建
这是一篇关于在线评论,知识图谱,意见挖掘,多源数据,数据融合的论文, 主要内容为随着Web2.0的出现,互联网用户积极地产生大量信息并与他人分享的开放互联网时代开始了。随着网络购物的普及,各种电子商务网站上的产品和用户评论数据呈指数级增长。用户通过发表在线评论实现自身信息分享的需要,同时通过评论表达自己对购物的体验和对商品的感受,为其他的用户做出购买决策提供支持,企业也能从这些用户发表的信息中挖掘出用户的需求,进而改进产品和服务。但是,大量的数据造成了信息过载的问题,互联网上大量的在线评论质量良莠不齐,极大影响了用户购买决策的参考依据和企业识别用户需求,因此如何有效的组织大量的非结构化产品和评论信息,并对信息进行深度的挖掘和管理,成为近年来的研究热点。在线评论以半结构化或非结构化数据的形式呈现,如文本、数字、图像等,然而,这些信息分散在互联网上的多个数据源中,涉及到产品和服务的各个方面,无论是用户、商家还是生产厂商都很难在多种数据源中高效的查找自己所需要的信息,并将信息进行深入的分析。因此,对多源异构的评论数据进行融合的基础上,有效的组织大量的非结构化产品和评论信息,并对信息进行深度的挖掘和管理,为用户提供更高质量的信息服务,成为目前亟待解决的问题。2012年谷歌提出的知识图谱(Knowledge Graph)让智能搜索成为可能,知识图谱是一种非常有效的信息组织方式。知识图谱可以将结构化的商品信息和非结构化的评论信息相融合,实现智能化和自动化应用,同时知识图谱的模式层可以提供一种高效的数据管理模式,经过处理后的数据不再是碎片化和冗余的,完美的解决信息过载的问题。因此,本文采用知识图谱构建技术,提出了一种融合多源异构评论信息的知识图谱构建框架,将多源异构的在线评论进行组织和挖掘,丰富支持用户购买决策、挖掘用户需求数据源,为用户提供更高质量的信息服务,解决信息过载的问题。首先,根据在线评论目前的研究现状,对用户信息需求进行分析,包括消费者、电商平台以及生产者,分析不同的用户信息需求,为后续的模式层构建打下基础;然后,根据需求分析的结果并参考己有的知识图谱构建技术,设计并实现了在线评论知识图谱构建方案,包括模式层、数据层以及存储三个阶段的详细过程。最后,本文基于以上研究成果,设计并实现了一个多源数据融合的手机商品评论知识图谱,并在此基础上进行评论知识图谱的展示、语义检索及数据挖掘。
基于隐式网络产品特征的网络产品在线评论情感分析研究
这是一篇关于显式特征,隐式特征,情感分析,意见挖掘,BERT的论文, 主要内容为近年来,电子商务平台的发展日益蓬勃,这些平台中包含着海量用户对商品或者服务的在线评论,这些散布在互联网上的海量数据成为了人们生活中不可缺少的信息来源[1]。以电子商务平台中入驻的商家为例,入驻电子商务平台前获取用户对商家产品反馈的方法主要包含了通过市场调查问卷、内部小组讨论、售后用户反馈等方式。如今,随着电商平台的迅猛发展,许多商家可以通过入驻电商平台,将产品或服务以网络产品的形式在电子商务平台上展示、销售。商家门户从传统门店到电子商务平台网络商店的转变,使得用户订单量激增,越来越多的用户在互联网上以在线评论的形式对网络产品发表意见、分享购物经历,因此在线评论中包含了用户对网络产品的情感。在电子商务平台目前所提供的网络产品评论可供用户查看的分类中,仅仅将评论以好评、差评等标签供用户按需查看,但这会使得商家面临着潜在用户流失的风险,因为这些用户可能对网络产品本身很感兴趣并且有购买意向,但由于无法在短时间内获得用户关注的产品特征的相关建议从而不敢轻易下单,此外对于入驻电子商务平台的商家来说也不能直接从平台评论界面高效简便地获取到用户对产品特征的情感倾向情况从而无法及时抓住产品相关问题。本文提出可以利用意见挖掘[2]里的情感分析和网络产品特征提取方法相结合对网络商品的在线评论进行特征层级的情感分析的方法解决上述问题,过程如下:在将网络产品在线评论数据清洗之后,首先针对传统情感分析只使用显式评论句而忽略隐式句子的问题,设计了一种基于规则字典的隐式特征提取方法提取出隐式特征,再将提取出的隐式特征和显式特征标注原句,将隐式特征句和显式特征句应用到基于BERT的情感倾向分析任务中,提高评论的利用率,使网络产品特征更加完整明确,使后续情感分析任务更加贴合事实。最后基于评论特征及情感极性,经过统计特征情感倾向的占比情况得到用户群体对该网络产品重要特征的情感倾向比重并在电子商务平台评论界面做可视化展示。
基于多种数据源的在线评论知识图谱构建
这是一篇关于在线评论,知识图谱,意见挖掘,多源数据,数据融合的论文, 主要内容为随着Web2.0的出现,互联网用户积极地产生大量信息并与他人分享的开放互联网时代开始了。随着网络购物的普及,各种电子商务网站上的产品和用户评论数据呈指数级增长。用户通过发表在线评论实现自身信息分享的需要,同时通过评论表达自己对购物的体验和对商品的感受,为其他的用户做出购买决策提供支持,企业也能从这些用户发表的信息中挖掘出用户的需求,进而改进产品和服务。但是,大量的数据造成了信息过载的问题,互联网上大量的在线评论质量良莠不齐,极大影响了用户购买决策的参考依据和企业识别用户需求,因此如何有效的组织大量的非结构化产品和评论信息,并对信息进行深度的挖掘和管理,成为近年来的研究热点。在线评论以半结构化或非结构化数据的形式呈现,如文本、数字、图像等,然而,这些信息分散在互联网上的多个数据源中,涉及到产品和服务的各个方面,无论是用户、商家还是生产厂商都很难在多种数据源中高效的查找自己所需要的信息,并将信息进行深入的分析。因此,对多源异构的评论数据进行融合的基础上,有效的组织大量的非结构化产品和评论信息,并对信息进行深度的挖掘和管理,为用户提供更高质量的信息服务,成为目前亟待解决的问题。2012年谷歌提出的知识图谱(Knowledge Graph)让智能搜索成为可能,知识图谱是一种非常有效的信息组织方式。知识图谱可以将结构化的商品信息和非结构化的评论信息相融合,实现智能化和自动化应用,同时知识图谱的模式层可以提供一种高效的数据管理模式,经过处理后的数据不再是碎片化和冗余的,完美的解决信息过载的问题。因此,本文采用知识图谱构建技术,提出了一种融合多源异构评论信息的知识图谱构建框架,将多源异构的在线评论进行组织和挖掘,丰富支持用户购买决策、挖掘用户需求数据源,为用户提供更高质量的信息服务,解决信息过载的问题。首先,根据在线评论目前的研究现状,对用户信息需求进行分析,包括消费者、电商平台以及生产者,分析不同的用户信息需求,为后续的模式层构建打下基础;然后,根据需求分析的结果并参考己有的知识图谱构建技术,设计并实现了在线评论知识图谱构建方案,包括模式层、数据层以及存储三个阶段的详细过程。最后,本文基于以上研究成果,设计并实现了一个多源数据融合的手机商品评论知识图谱,并在此基础上进行评论知识图谱的展示、语义检索及数据挖掘。
基于多种数据源的在线评论知识图谱构建
这是一篇关于在线评论,知识图谱,意见挖掘,多源数据,数据融合的论文, 主要内容为随着Web2.0的出现,互联网用户积极地产生大量信息并与他人分享的开放互联网时代开始了。随着网络购物的普及,各种电子商务网站上的产品和用户评论数据呈指数级增长。用户通过发表在线评论实现自身信息分享的需要,同时通过评论表达自己对购物的体验和对商品的感受,为其他的用户做出购买决策提供支持,企业也能从这些用户发表的信息中挖掘出用户的需求,进而改进产品和服务。但是,大量的数据造成了信息过载的问题,互联网上大量的在线评论质量良莠不齐,极大影响了用户购买决策的参考依据和企业识别用户需求,因此如何有效的组织大量的非结构化产品和评论信息,并对信息进行深度的挖掘和管理,成为近年来的研究热点。在线评论以半结构化或非结构化数据的形式呈现,如文本、数字、图像等,然而,这些信息分散在互联网上的多个数据源中,涉及到产品和服务的各个方面,无论是用户、商家还是生产厂商都很难在多种数据源中高效的查找自己所需要的信息,并将信息进行深入的分析。因此,对多源异构的评论数据进行融合的基础上,有效的组织大量的非结构化产品和评论信息,并对信息进行深度的挖掘和管理,为用户提供更高质量的信息服务,成为目前亟待解决的问题。2012年谷歌提出的知识图谱(Knowledge Graph)让智能搜索成为可能,知识图谱是一种非常有效的信息组织方式。知识图谱可以将结构化的商品信息和非结构化的评论信息相融合,实现智能化和自动化应用,同时知识图谱的模式层可以提供一种高效的数据管理模式,经过处理后的数据不再是碎片化和冗余的,完美的解决信息过载的问题。因此,本文采用知识图谱构建技术,提出了一种融合多源异构评论信息的知识图谱构建框架,将多源异构的在线评论进行组织和挖掘,丰富支持用户购买决策、挖掘用户需求数据源,为用户提供更高质量的信息服务,解决信息过载的问题。首先,根据在线评论目前的研究现状,对用户信息需求进行分析,包括消费者、电商平台以及生产者,分析不同的用户信息需求,为后续的模式层构建打下基础;然后,根据需求分析的结果并参考己有的知识图谱构建技术,设计并实现了在线评论知识图谱构建方案,包括模式层、数据层以及存储三个阶段的详细过程。最后,本文基于以上研究成果,设计并实现了一个多源数据融合的手机商品评论知识图谱,并在此基础上进行评论知识图谱的展示、语义检索及数据挖掘。
面向网络评论的细粒度意见挖掘的研究与应用
这是一篇关于网络评论,意见挖掘,情感分析,支持向量机,主题模型的论文, 主要内容为随着电商平台成为人们日常生活的一部分,商家越来越希望了解用户的需求和关注点以提升服务质量;用户也迫切想知道待购商品的特征属性及其性能表现以购买到满意的产品。电商网站中越来越多的用户评论数据为解决该问题提供了新的思路。在此背景下,本文应用自然语言处理、数据挖掘、计算机编程等理论和技术,开展了面向网络评论的细粒度意见挖掘研究,以获取以往用户的关注点、商品的特征属性评价等细粒度意见数据,为网站经营者和用户提供了有价值的决策参考信息。本文主要针对网络评论的意见内容提取与意见情感倾向挖掘问题进行了深入研究。与一般意见内容挖掘不同,本文提出了对单条评论文本的意见态度词和商品特征词进行同步提取的方法。在此基础上,构建了商品特征词与意见态度词组成的词对集合,实现了利用该词对集合对有效评论的筛选和意见情感的分析挖掘,取得了一定的成果。最后,将研究成果与实际项目结合,开发完成了一类用于电商环境的网络评论细粒度意见挖掘系统。论文的主要研究工作及创新点包括:1.结合网络评论文本的特点及其分析挖掘的具体要求,给出了面向网络评论的细粒度意见挖掘工作的详细流程。深入研究了本文涉及的主要理论知识,包括自然语言处理、文本特征选择、意见情感倾向挖掘等。2.研究了评论文本的意见内容提取方法。提出了对单条评论文本的意见态度词和商品特征词进行细粒度层次的同步提取的方法。通过设计一种半自主的领域情感词典构建方法,提高了意见态度词提取的准确度。提出一种带窗口约束的LDA主题模型,利用意见态度词的位置信息提高对商品特征词提取的准确度,并保证了商品特征词与意见态度词的同步配对。3.对细粒度意见情感挖掘问题进行了建模分析,将其转化为一类多输入单输出的分类决策问题。提出了基于词袋的用户评论文本向量化方法,同时利用DFTF改进算法实现向量降维。针对转化后的问题维数较高且数据稀疏的特点,提出了利用SVM算法实现评论意见情感的评价。通过对模型的验证实验与结果分析,表明SVM算法有较高的预测正确率,取得了满意的结果。4.开发并实现了一类面向网络评论的细粒度意见挖掘系统。给出了系统总体框架与运行流程,探讨了基于MongoDB的数据存储设计。详细介绍了评论收集程序、意见内容提取与挖掘程序、结果可视化展示程序的开发与实现过程,给出了它们的关键技术和最终的程序界面。系统的成功开发与实际运行,充分说明了本文方法的正确性和有效性。
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：源码驿站 ，原文地址：https://m.bishedaima.com/lunwen/56064.html
