網(wǎng)購用戶評論中隱式評價對象的提取方法研究.pdf

1、在我國電子商務得到快速發(fā)展的同時，網(wǎng)購已經(jīng)深入人們?nèi)粘Ｉ睿捎谛畔⒌牟粚ΨQ性，使得消費者難以了解到商品的真實情況，而在線用戶評論為用戶的購買決策提供了參考意見，針對在線評論的意見挖掘也得到了廣大學者的青睞。評價對象作為意見挖掘領域的一個方面，也得到了廣泛的研究，而現(xiàn)有針對評價對象的研究主要集中在顯式評價對象的研究，很少有學者將隱式評價對象納入研究的考慮范圍。在研究領域，對于學者來說，針對隱式評價對象的研究能夠提高評價對象研究的準確率;

2、對于企業(yè)來說，充分挖掘隱式評價對象，能夠使企業(yè)關注到隱藏在消費者評論中的意見對象，更為全面地認識到消費者對產(chǎn)品各個方面的使用體驗;對于消費者個人來說，電子商務平臺通過對隱式評價對象的抽取，使得展示或推薦給用戶的有效評論更加真實，消費者能夠獲得其他用戶對商品各方面更加精確的評論意見?；诖?，本文對用戶評論中的隱式評價對象進行了挖掘研究，主要工作包括以下幾方面:
　　(1)數(shù)據(jù)預處理。通過數(shù)據(jù)抓取工具從淘寶網(wǎng)站上抓取用戶評論的真實數(shù)據(jù)

3、，然后對此文本數(shù)據(jù)進行分句、分詞、特征選擇、向量表示等處理。針對初始文本特征詞空間維度較高的問題，采用基于模擬退火的粒子群優(yōu)化算法對特征集進行二次特征提取，從而降低特征詞空間維度。實驗結(jié)果表明，采用該方法后，特征詞空間維度由425維降低到296維，該方法能夠進行有效的特征選擇。
　　(2)顯式評價句的聚類分析。本文將評價句分為顯式評價句和隱式評價句，并對顯式評價句進行文本聚類研究。在用特征詞對評價句進行表示后，得到的文本向量空間維

4、度依然很高，因此，本文采用適用于高維數(shù)據(jù)集的FCM聚類算法。針對FCM算法容易陷入局部最優(yōu)的特點，本文提出了基于模擬退火的FCM改進算法，通過對FCM算法迭代過程的控制，有效避免了算法陷入局部最優(yōu)。通過實驗將顯式評價句聚為9類，給每個類別設定類別名稱。實驗結(jié)果表明，基于模擬退火的FCM改進算法能夠?qū)ξ谋具M行合理聚類。
　　(3)隱式評價句評價對象提取。在對顯式評價句進行文本聚類之后，將同類別評價句歸為一個文檔集。由于評價句的評價對