基于特征细分的中文情感分析研究——以手机购买评论文本为例

摘要

手机作为现代人们生活的必需品，有着五花八门的品牌以及很多不同的款式。对于用户来说，由于买方与卖方的信息不对称性，在网络上进行各种手机品牌的选择是一件很烦恼的事，所以需要依据具体的研究结论来帮助他们做出抉择。随着自然语言处理技术的发展，文本分析已经成为一大热门区域，而其中，情感分析又是文本领域研究的前沿方向。现在，文本分析在英文研究领域的相关研究已经比较成熟，而在中文领域研究，由于中文语言的复杂，对中文文本的情感分析还没有达到一定的程度。首先，现在对于句子和篇章级别的文本情感分析工作还远远不够，需要继续加以研究。其次，对于大规模数据集的情感分类的任务，必须继续发掘更优良的文本情感分类机器算法。最后，文本的情感分析现更多集中在微博、新闻、影评、酒店评论等等，所以迫切需要扩大研究领域，挖掘出更多有实际价值和社会效益的研究结论。 本文从京东商城和淘宝网搜集了5款热门手机的相关评论，首先对评论集进行预处理和doc2vec向量化，然后通过梯度提升决策树算法进行情感分类，取得接近了81.79%的良好分类准确率。接着，将这种分类模型与逻辑回归、随机森林两种分类算法进行比较，发现GBDT的分类AUC值要比LR高约0.11，比RF高约0.03，且GBDT的FPR值要比LR和RF的FPR低接近20个百分比，分类所用时长也短于其它两个模型，从而验证了doc2vec+GBDT分类模型的优良性能。最后，通过参数调优，使得doc2vec+GBDT分类模型的准确率提升1.5%，AUC值也提升了0.03，并将此模型用于5款热门手机评论的情感分类，且进一步分析了不同品牌手机的用户属性偏好。本文研究的结论，即可以帮助手机厂商了解客户需求、从而改进自身产品，同时也可以根据顾客需求，帮助他们选到心仪的商品。

目录

第1章 绪论

1.1 研究背景介绍

1.2 研究目的和意义

1.2.1 研究的目的

1.2.2 研究的意义

1.3 研究思路和结构

1.3.1 研究内容

1.3.2 研究方法

1.3.3 研究框架和结构示意图

1.4 本文的创新点

第2章 文献综述与相关理论

2.1 文献综述

2.1.1 文本情感分析相关方法的文献综述

2.1.2 文本情感分析应用领域的文献综述

2.2 相关理论

2.2.1 中文文本分析相关理论

2.2.2 基于机器学习的有监督情感分类算法

2.2.3 基于情感词典的无监督情感分类算法

2.2.4 分类模型的效果评价方法

第3章 手机评论的情感分析实证

3.1 手机评论数据的搜集与预处理

3.2 手机评论数据的特征选择

3.2.1 词云图的制作

3.2.2 基于word2vec词向量的手机属性提取

3.3 基于doc2vec+GBDT模型的手机评论情感分类研究

3.3.1 doc2vec+GBDT模型情感分类效果

3.3.2 情感分类模型算法的比较分析

3.3.3 doc2vec+GBDT模型的调参改进

3.4 doc2vec+GBDT分类模型的应用

3.4.1 热门手机品牌的情感分析

3.4.2 情感分析结果的相关应用场景

3.5 实证小结

第4章 总结与展望

4.1 论文的主要贡献

4.2 不足与展望

4.2.1 论文研究的不足

4.2.2 未来方向的展望

致谢

参考文献

附录

声明