【《网络评论与在线评分的关系分析案例》2900字】

网络评论与在线评分的关系分析案例目录TOC\o"1-3"\h\u5540网络评论与在线评分的关系分析案例 17281.1短评文本与评分的关系 131751.1.1数据的描述性分析 186171.1.2相关性分析 171071.1.3线性支持向量回归分析 2206771.2电影类型对于评论和评分及两者关系的影响 253721.2.1评论词云分析 2304851.2.2评分数据描述性分析 5315511.2.3类型对评论-评分关系的影响研究 61.1短评文本与评分的关系1.1.1数据的描述性分析对全体样本的豆瓣在线评分和评论情感打分值分别绘制饼状图。豆瓣评分评价体系中，用户单独打分以星数展示，有1-5星五种等级。在线评分饼状图中占比最高的是3星，达36.4%，其次是4星占28.0%，以上两类之和超过总数的六成。评分集中在中位区域，数据分布大致呈现纺锤形。而在评论情感分饼状图中，最高分5分占比达68.6%，3分和2分的占比最少。有此可见，用户在进行打分评价时表现得较为克制，倾向于给出中庸、有所保留的分数；而使用文字评论一部电影时，情绪更为明确和激进，正向积极情感的表达尤为强烈。这是网络评论情感研究中值得我们关注的一点。图5-1在线评分饼状图图5-2评论情感分饼状图1.1.2相关性分析以七个话题的情感分作为自变量，在线评分作为因变量进行相关性分析。观察表5-1发现，因变量评分与各自变量之间均存在正相关关系，其中相关性最强的是评分与剧情之间，系数值为0.439；评分与剧情、特效、题材、结局、角色塑造均在0.05水平上显著正相关，说明评分与这六个因素之间相互影响作用较明显；票房与真实性、笑点的相关系数分别为0.277和0.236，存在0.1水平上的正相关但强度较弱。各话题自变量之间的关系有正有负，除真实性与角色塑造表现0.05水平上的正相关外，其余相关性弱。由于这些自变量在概念与逻辑上的关系较为模糊，且非本文研究对象，因此不作过多分析。表5-1相关系数表评分剧情特效真实性题材结局角色塑造笑点评分10.4390.3560.2770.3240.3050.3510.236剧情0.43910.2020.183-0.0080.1090.1820.024特效0.3560.20210.170.110.0880.2790.186真实性0.2770.1830.1710.1450.2150.3120.171题材0.324-0.0080.110.14510.1310.1930.19结局0.3050.1090.0880.2150.13110.2390.147角色塑造0.3510.1820.2790.3120.1930.23910.178笑点0.2360.0240.1860.1710.190.1470.17811.1.3线性支持向量回归分析由相关性分析可知，因变量电影评分与七个自变量之间存在较强相关性，本文采用线性支持向量回归方法。首先将五分制的评论情感分按比例转换为对应的十分制分数，在Python中构建多元线性回归模型，最终得出拟合的回归方程公式为：Y=3.20554+0.22954X此时均方误差为0.932。因变量电影评分与自变量七个主题情感分之间存在因果关系，在其他条件不变的情况下，剧情情感分每增加1分，电影评分提高0.23分；同理，特效、真实性、题材、结局、角色塑造、笑点的情感分每提高1分，电影评分分别提高0.16,0.0007,0.09,0.15,0.09,0.01。故七个主题情感倾向均对电影评分有正向影响。将之前用于对照的评论-主题一对多模型按照相同方法进行回归，得到的方程公式为：Y=3.22569+0.13306X此时均方误差为0.985，且出现负数系数，拟合效果不如评论-主题一对一模型。造成该情况的原因可能是，对于大部分短评，第二、第三主题的隶属度较低，将第二、第三主题纳入情感倾向分析，反而导致主题代表性降低，不利于回归分析。1.2电影类型对于评论和评分及两者关系的影响1.2.1评论词云分析在数据总集中按照电影类型得到动作、爱情、动画、文艺、悬疑恐怖五个子集。对于这五个子集进行文本预处理，包括清洗、分词、过滤，得到五个文本数据集。为了直观地了解观众对于不同类型电影在评价上的区别，进行词云分析。本文选用微词云工具，得到五个类型下的评论词云图如下。图5-1动作类电影词云图5-2爱情类电影词云图5-3动画类电影词云图5-4文艺类电影词云图5-5悬疑恐怖类电影词云观察词云图可知，观众对于某一类型电影的评论，一方面与电影本身的内容息息相关，一方面反映了观众观看该类电影时关注的重点。故事、剧情是每一类型中都大量出现的热门关键词，动作和动画片关注特效，爱情和文艺片观众注重导演。具体到类，动作类电影中高频词有“游戏”、“技术”、“场面”、“好莱坞”等，说明动作片的制作水平是观众在评价时关注的重点；“爆米花”、“精彩“、”无聊”则反映观众的观影情绪。爱情类电影词云图中最明显的特点是包含大量情感类词语，如“爱情”、“浪漫”、“矫情”等，说明该类电影需要注重感情的合理表达。动画类中的高频词包括“孩子”、“小朋友”、“低幼”，受众明确。文艺类电影词云图中的“时代”、“社会”、“人生”、“青春”等是文艺片的常见主题，“导演”、“叙事”、“镜头”等词则反映出对拍摄质量的关注。恐怖类电影的热点词许多与“结局”有关，“反转”、“真相”、“推理”是该类型电影的看点。1.2.2评分数据描述性分析对五类电影的评论情感打分情况进行描述性统计分析，如表5-2所示。绘制箱型图得到图5-6。表5-2分类电影描述统计量最小值最大值均值中位数动作3.98.66.76.9爱情2.78.31.41.3动画2.69.46.66.8文艺4.98.97.17.2悬疑恐怖3.28.36.36.5全部2.69.46.36.6图5-6分类电影箱线图观察图表可知，整体评分最高的电影类型是文艺片，均值7.1，中位数7.2，明显高于其他类型，全部电影评分中的最大值9.4也出现在该类别中，说明豆瓣用户倾向于对文艺片给出高评价；其次为动作、动画，均值分别为6.7、6.6，两者比较相近，观众对这两类的评价相对而言较高；悬疑恐怖类的均值为6.3，与所有电影评分均值接近，观众评价中等。均值最小的是爱情类电影，与其他四类差距较大。再看评分分布，文艺类型评分区间最小；动画片虽有离群值，但中位区间集中；评分最离散的是爱情类型电影。试对图表情况作出解释。文艺电影属于小众分类，更注重导演、叙事、拍摄手法而非明星、宣传，因此面向观众大多为对文艺片感兴趣的群体，一定程度上排除了非主动受众打低分的情况；并且豆瓣向来以文艺气息著称，喜爱文艺片的用户比例高，他们愿意用高分给予小众电影鼓励。而爱情电影由于场景成本较低、对导演和演员的硬性要求不高，导致数量多质量却良莠不齐，容易出现所谓“烂片”。1.2.3类型对评论-评分关系的影响研究使用上文中建立的LDA主题模型分别对五种类型电影数据集进行分类，基于同一情感词典给出情感赋分，并进行在线评分与七个方面情感分的相关性分析，得到结果如表5-3。表5-3不同类型下评分与评论相关系数表剧情特效真实性题材结局角色塑造笑点动作0.3330.5870.0240.2560.0230.1590.389爱情0.2640.1920.1290.3660.3740.3830.605动画0.3200.571-0.2220.2480.4140.2520.249文艺0.1660.0750.4170.3200.1960.175-0.257恐怖悬疑0.4230.3180.1640.4140.5840.2830.309由表可知，各个类型的电影评分整体上与七个方面的情感分保持正相关。动作片评分受特效影响最大，在0.01上显著正相关，说明特效水平是观众评价动作电影的重要指标；剧情、笑点与情感分的关系也较强，这两者通常被认为并非动作片的重点，但从数据来看，提升剧情和笑点能给动作片锦上添花。与爱情类电影相关性最高的是笑点，说明爱情喜剧更容易受到观众好评。动画片与特效、结局呈现较强的正相关，符合儿童喜爱精致画面、追求圆满结局的心理；由于幻想是动画片的一