商品评论

摘要： 互联网时代,商品评价已经成为人们在网上购物前的重要参考。品牌方进行品牌传播活动的触角,已经悄然延伸到商品评论区。评论"商业"价值凸显,传播、营销甚至公关活动在评论区的开展,标志着商品评论区已然成为新的品牌传播的重要媒介之一。评论及评论区的"商业化",导致其作为商品或服务信用评价体系的重要属性发生了根本性变化。网络水军、恶意差评、刷评晒单等行为和现象的泛滥,是这种变化的直接表现。基于以上表现,引介及评析商品和服务评论区品牌传播行为的现状和合法性度量,并针对现行法律对于评论中灰色传播行为的规制现状进行梳理和总结,以期探索出对此类行为进行更深入、更全面、更高效法律规制的基本方向。

摘要： 针对传统的属性词抽取模型难以有效抽取隐式属性词,导致属性词抽取不完整的问题,提出了一种基于截断历史注意力机制的商品评论属性词抽取框架THA-BiLSTM-CRF.首先,利用CBOW模型预处理文本,获得包含语义信息的词向量;然后,通过BiLSTM模型抽取文本特征;接着,引入截断历史注意力机制,建立包含属性词和单词间映射关系的词库,获取单词间的隐式关系;最后,通过CRF算法抽取隐式属性词。实验结果表明,该框架可以有效抽取隐式属性词,提高了属性词抽取的完整度。

摘要： 电子商务突飞猛进,网购成为人们消费必不可少的渠道。网络商品评论的情感极性是获取顾客对该种类商品反馈的最直接方式,商家可以通过分析评论获取顾客对所购商品的感受,为后续销售计划变更和产品改进及时作出决策。针对CNN只能提取局部特征、RNN易导致梯度消失与爆炸的问题,提出一个结合RNN变体-GRU与MSCNN的XL-GSAtMSC模型。研究表明,在商品评论情感分类任务中,该模型各项评价指标均达到了95%,比传统模型提升了10%,既克服了传统情感领域词典的不足,又不用人为提取特征,实验证明了该模型的可行性与实用性。

摘要： 该文通过研究商品评论正、负向情感识别任务,基于Transformer模型,提出了一种结合多头自注意力层和卷积层的神经网络模型,其中多头自注意力层丰富了词语之间的关联关系,卷积操作进行特征的再提取和融合.通过和双向长期时记忆网络(bidirectional long short-term memory networks,BILSTM)、基于注意力机制的BILSTM网络、文本卷积神经网络(text convolutional neural networks,TEXTCNN)进行对比,实验证明,该文提出的模型在商品评论情感分类任务的最高准确率分别提高了4.12％、1.47％、1.36％,同时训练用时也大大缩减.

摘要： 随着互联网的快速发展,网上交易的用户越来越多,大多数的电子商务网站都会为消费者提供相互交流的平台来发表其针对所购买商品的评论,针对于在线用户商品评论信息挖掘方法的研究也就成为当下的热点问题.本文对在线用户电商评论的特点以及分类进行了概括,总结了不同的商品评论信息挖掘方法的应用进展情况以及研究现状,并对其进行了比较研究.

摘要： 本文通过进行大量预处理工作,将经过词袋模型和Word2Vec两种不同向量化方法处理后的文本数据分别输入到SVM和LSTM模型中,训练出可以识别文本情感倾向的模型。进而对新产生的评论进行分类。根据实际数据量的倾斜状况,基于传统机器学习算法支持向量机(SVM),本文提出双层支持向量机,采用2种不同的方法分别训练模型并预测。最后再使用深度学习算法长短时记忆模型(LSTM)再次训练并预测,并对这3种方法做出比较和总结。结果显示,双层SVM比单层SVM的准确度提高了8个百分点;而LSTM比单层SVM低了2个百分点,比双层SVM低了接近10个百分点。

摘要： 为了更有效率地对商品评论聚类出相应的评价标签,运用SOM-K-means算法,对商品评论中的情感词进行聚类分析.该算法综合了SOM算法和K-means算法的优点,在聚类过程中减少了人工干预,具有较强的自适应性.实验结果显示,在数据量小于10000条时,SOM-K-means算法的平均运行时间为0.3s,而市场上主流的LDA算法平均运行时间为3.5s,SOM-K-means算法的平均运行效率是其12倍左右,这为追求效率和性能最佳的电商平台提供了一种新的聚类思路.

摘要： 本文通过进行大量预处理工作,将经过词袋模型和Word2Vec两种不同向量化方法处理后的文本数据分别输入到SVM和LSTM模型中,训练出可以识别文本情感倾向的模型.进而对新产生的评论进行分类.根据实际数据量的倾斜状况,基于传统机器学习算法支持向量机(SVM),本文提出双层支持向量机,采用2种不同的方法分别训练模型并预测.最后再使用深度学习算法长短时记忆模型(LSTM)再次训练并预测,并对这3种方法做出比较和总结.结果显示,双层SVM比单层SVM的准确度提高了8个百分点;而LSTM比单层SVM低了2个百分点,比双层SVM低了接近10个百分点.

摘要： 为了更有效率地对商品评论聚类出相应的评价标签,运用SOM-K-means算法,对商品评论中的情感词进行聚类分析。该算法综合了SOM算法和K-means算法的优点,在聚类过程中减少了人工干预,具有较强的自适应性。实验结果显示,在数据量小于10000条时,SOM-K-means算法的平均运行时间为0.3s,而市场上主流的LDA算法平均运行时间为3.5s,SOM-K-means算法的平均运行效率是其12倍左右,这为追求效率和性能最佳的电商平台提供了一种新的聚类思路。

摘要： 电子商务突飞猛进,网购成为人们消费必不可少的渠道.网络商品评论的情感极性是获取顾客对该种类商品反馈的最直接方式,商家可以通过分析评论获取顾客对所购商品的感受,为后续销售计划变更和产品改进及时作出决策.针对CNN只能提取局部特征、RNN易导致梯度消失与爆炸的问题,提出一个结合RNN变体-GRU与MSCNN的XL-GSAtMSC模型.研究表明,在商品评论情感分类任务中,该模型各项评价指标均达到了95％,比传统模型提升了10％,既克服了传统情感领域词典的不足,又不用人为提取特征,实验证明了该模型的可行性与实用性.

摘要： 随着电子商务的迅速发展,消费者在网络上发表的关于商品的评价变得越来越多。但对于潜在的消费者或者商家来说,完全阅读这些评论十分困难。本文针对这一问题，提出一种基于语义理解和极性分析的商品评论挖掘算法。首先确定评论中消费者经常提及的商品特征,然后将所有评价特征的句子提取出来。最后利用词与词之间的依存关系,准确定位每一个观点词的极性位置,计算该观点词在句子中的极性以及整个评论句的极性。实验表明,与人工标识的结果相比,该算法具有一定的合理性和有效性。

摘要： 随着电子商务的迅速发展，消费者在网络上发表的关于商品的评价变得越来越多。但对于潜在的消费者或者商家来说，完全阅读这些评论十分困难。本文针对这一问题，提出一种基于关联规则和极性分析的商品评论挖掘算法。首先确定评论中消费者经常提及的商品特征，然后将所有评价特征的句子提取出来。rn 最后利用词与词之间的依存关系，准确定位每一个观点词的极性位置，计算该观点词在句子中的极性以及整个评论句的极性。实验表明，与人工标识的结果相比，该算法具有一定的合理性和有效性。

摘要： 在线商品评论是用户生成内容的主要信息源,探索在线评论提供的推荐信息和商品类型信息对潜在消费者的采纳决策和商家营销策略的共同影响,如何运用海量的在线评论提升创新扩散的有效性,成为学者们关注的焦点问题.本文基于SEC商品类型框架,选取文化创新产品中搜索型、体验型、信任型商品的在线评论开展实证分析,运用内容分析法和Tobit回归模型挖掘中国电子商务情境下创新产品评论的重要属性,探讨商品类型在商品评论推荐度对创新扩散有效性的影响模型中产生的调节作用.本文结论可以更好地剖析消费者的微观采纳决策行为,为商家提供创新扩散的推荐管理策略.

摘要： 本公开公开了基于多模态商品评论分析的商品推荐方法及系统，包括：获取某商品的评论信息；对获取的商品的评论信息进行数据预处理；判断评论信息中是否有图像，如果有图像，则对图像提取图像的情感标签；判断评论信息中是否有视频，如果有视频，则将视频中的音频提取出来，将音频转换为文本；判断评论信息中是否有音频，如果有音频，则将音频转换为文本；判断评论信息中是否有文本，如果有文本，则将评论信息中的文本与转换得到的文本进行整合，得到整合后的文本；对整合后的文本，提取文本的情感标签；将图像的情感标签和文本的情感标签，均输入到预训练的神经网络中，输出当前商品的推荐标签。

摘要： 本发明提供了一种基于多特征融合的商品评论情感分析方法。对数据集进行噪音过滤，进行文本的分词、词性筛选，统计词频，得到预处理后的文本；对文本中的词语使用word2Vec进行词向量表示；使用基于词语共现度的方法，结合凝聚层次聚类算法挖掘商品评论中的有关属性的情感词；针对描述商品属性的情感词进行情感词典扩充，确定新词的情感倾向；将否定词典、连词词典、程度词典等文本特征、用户特征、商品特征进行多特征进行有机融合来确定文本的情感倾向，以此构建半监督训练集；根据构建的训练集，对文本进行基于SVM的情感分类。本发明提出的基于多特征融合的情感分类方法能够有效提高分类的准确度，在产品跟踪、服务反馈、意见挖掘以及舆情监控等方面有着重要的应用价值。

摘要： 本发明公开了一种基于商品评论的新词提取方法。该方法具体为：对商品评论集采用预处理、计算各词与邻接字的共现频率及互信息得到潜在词集；分别计算潜在词在该商品及同类商品下出现的频率、自由度；通过计算初步候选词集支持度进行筛选，得到最终候选词集；最后再与已登录词词典做对比，筛选出新词。本发明旨在提供一种准确、高效的方法提取出网购评论中的新词，以便于网络购物平台或网络商家进行市场分析、用户满意度调查等需要进行评论情感倾向性分析的工作，且利于专有词典的扩充。

摘要： 一种基于商品评论舆情的跨境产品质量风险模糊预测方法，包括采集数据；数据预处理，数据预处理包括文本分析和数据转换；构建商品分词库和产品质量评论词库；构建商品分类库；根据检验检疫的抽检报告数据和风险评价标准对产品进行参考风险等级标注；商品评论舆情分析，提取评论信息中的差评评论；差评评论质量相关度分析，计算同一类目下的商品的质量差评评论数量；构建风险预测模型，风险预测模型包括隶属函数和BP神经网络；风险预测模型输出预测风险等级，根据预测风险等级预测产品质量风险。本发明的预测方法可以通过用户对某一类商品的质量评价内容的判断，从侧面了解该商品和该大类商品目录下的质量情况。

摘要： 本发明公开了一种基于层次化transformer的个性化商品评论摘要生成方法，商品评论摘要是文本摘要的一种特殊形式，其任务是对在线的商品评论生成一条简短的摘要。与传统的文本摘要所不同的是，商品评论摘要涉及了特定的商品信息，不同的评论关注了商品的不同方面，且不同的用户有不同的写作风格，因此在商品评论摘要任务中引入用户和商品的信息是十分必要的。本发明方法其核心在于引入商品表示、用户长期表示以及用户短期表示，利用层次化的transformer对其建模从而生成个性化的商品评论摘要。

摘要： 本发明涉及数据挖掘及推荐技术领域，具体涉及一种基于评论者可信赖度回归预测的商品评论推荐方法，包括：提取评论者可信赖度的相关属性特征并计算评论者的属性特征值；利用回归算法构建预测评论者可信赖得分模型并计算评论者的可信赖分数；提取评论排序相关的有效指标并计算各商品评论的该四大有效指标值；使用LambdaMART构建各商品的评论排序模型，根据评论排序模型计算最终确定各商品所有评论的排名分数，并根据评论排名得分对评论进行推荐。本发明的方法解决了在众多网站中，用户无法对不了解的用户产生信赖，也无法根据其他用户的评论而做出正确判断的问题。

摘要： 本公开公开了基于多模态商品评论分析的商品推荐方法及系统，包括：获取某商品的评论信息；对获取的商品的评论信息进行数据预处理；判断评论信息中是否有图像，如果有图像，则对图像提取图像的情感标签；判断评论信息中是否有视频，如果有视频，则将视频中的音频提取出来，将音频转换为文本；判断评论信息中是否有音频，如果有音频，则将音频转换为文本；判断评论信息中是否有文本，如果有文本，则将评论信息中的文本与转换得到的文本进行整合，得到整合后的文本；对整合后的文本，提取文本的情感标签；将图像的情感标签和文本的情感标签，均输入到预训练的神经网络中，输出当前商品的推荐标签。

摘要： 本申请涉及一种商品评论文本的分析方法、装置、电子设备及存储介质，该方法包括：获取待分析的商品评论文本；对所述待分析的商品评论文本进行分词处理；基于预设主题库，对分词处理后的商品评论文本进行分析，以确定所述待分析的商品评论文本对应的主题标签，其中，所述预设主题库包括至少一种主题类型所涵盖的词组和所述词组对应的主题标签，所述主题标签用于表征用户对商品的所述主题类型的评定结果。这样，可以基于预设主题库，对每个待分析的商品评论文本进行分析，从而自动获取到每个待分析的商品评论文本对应的主题标签，无需人工对评论文本进行阅读并标注标签，从而节约了人力成本，且能够快速定位消费者的认知，有利于感知商品的共性。

摘要： 本申请提供一种商品评论数据的推荐方法及相关设备，可以筛选出质量更高的评论，进而向用户推荐质量更高的评论。该方法包括：对目标商品所对应的目标评论进行预处理，得到所述目标评论所对应的词向量和方面表示向量；将所述词向量和所述方面表示向量串联后输入方面情感分析模型，得到所述目标评论所对应的方面情感得分；将所述方面情感得分和所述目标评论进行串联，得到目标数据；确定所述目标评论所对应的用户行为数据，其中，所述用户行为数据为所述目标评论所对应用户的行为数据；将所述目标数据和所述用户行为数据输入真假评论分析模型，得到所述目标评论的重构概率；根据所述目标评论的重构概率将所述目标评论向所述用户进行推送。

摘要： 本发明提出了一种商品评论观点分布的预测方法、系统、设备及介质，涉及商品预测的技术领域。包括获取商品以及商品的关联数据，将商品的特征提取并进行向量化转换；将商品的评论信息进行观点提取，同时进行观点极性分析，统计观点和观点极性的分布信息；将商品信息、商品关联信息和分布信息内包含带入机器学习模型进行训练，输出关联信息对应的回归模型；将待判断的商品信息和商品关联信息对应的向量，带入回归模型中进行计算；生成不同观点标签正负向情感对应概率值的预测结果，以及任一观点在预设数量的评论中的占比。其能够对未上市、无评论商品的消费体验观点分布预测，辅助商品的设计优化。