【《基于贝叶斯模型的网购平台手机消费者评论情感分类研究》9900字（论文）】

基于贝叶斯模型的网购平台手机消费者评论情感分类研究目录TOC\o"1-3"\h\u摘要 页1研究背景及意义1.1研究背景 现在，随着经济和社会的发展，手机上的APP趋于繁杂，人们利用手机上的各种APP进行社交活动，娱乐活动以及上网课学习等，近几年由支付宝和微信带来的在线支付也成为人们大量使用手机的一个非常关键的因素。换句话来说，人们的日常生产生活已经非常依赖手机，然而在这种情况下大部分手机的使用寿命只有2年，并且手机系统升级和手机硬件升级的速度极快。由此可知，在这个年代，人手一部手机的年代，有巨大的经济效益产生在手机行业是毋庸置疑的，这也是为什么各大品牌非常注重手机行业这一行业的重要原因。手机市场的经济效益和发展空间广阔是毋庸置疑的，但在近些年手机行业的发展确实是出乎意料，总体呈现颓势是这些年手机行业的现状，由下图表明的数据我们可以看出，要想办法改变手机行业的下降趋势是非常困难的。图SEQ图表\*ARABIC12012-2018中国智能手机出货量相较于前几年的出货量，2019年的第三季度的出货量低了将近三个百分点，除了具有广泛的消费人群、强大的销售体系以及自身品牌的质量保证的HUAWEI和APPLE，另外一些占有市场消费人群比较大的手机品牌都出现不同的颓势。由此可见，国内的市场竞争非常激烈，除却个别非常知名的手机品牌，大部分小的手机品牌自身销量已经岌岌可危，甚至如早些年被称为手机之神的摩托罗拉和金立也稍不注意就消逝了，名牌厂商占有市场大份额是我国手机市场的现状，因为长期的只有几个手机品牌占有中国市场，出现了“垄断”，所以这几个“垄断商”之间也并不和睦。其他品牌手机厂商也包括大品牌，要想自己的品牌在社会上立足更加稳固，自己的品牌有更广泛的受众基础，清楚消费者的各种需求是手机品牌商的重中之重，虽然知道了如何扩大市场份额，但中间的方法成为了各大手机品牌的难题。表SEQ表\*ARABIC12019年第三季度中国前五大智能手机出货量随着支付宝和微信的网上支付兴起，网购也成为了各大消费者消费的重要途径之一，在网上购买各种电子产品也并不稀奇了，并且各大网购平台推出的评论系统也可以让消费者在里面打下自己对产品的评价分数以及自己的意见，由此产生了大量的在线评论。手机在线评论顾名思义就是消费者通过网购平台购买手机之后在网购平台推出的消费者评论区写下自己对购买的手机的一些建议甚至是吐槽或者夸赞手机，让有意购买该品牌手机的消费者了解该手机品牌的特点，数量大方向杂是在线评论的重要特征，这些在线评论大部分都是关于购买手机之后消费者对手机特点的评价以及使用后的感受。提高质量和降低价格只是手机品牌变得越来越强大的必要点之一，要想从根本上获得巨大利润，抓住消费者才是关键，所以说网购平台的消费者评论是解决这一问题的好办法，因此对手机在线评论进行情感分析，了解用户的需求点,分析出用户对手机质量以及手机品牌的正面评论或者负面评论，从中了解到消费者对手机的需求，是手机品牌急需做好的一件事。本文通过贝叶斯模型，对手机现在评论进行情感分析。1.2研究意义伴随着网购平台的迅速发展和国家对提高把内需的要求，越来越多的消费者选择在线购买生活必需品，包括手机，对消费者而言，网购平台实行的在线评论是他们能够表达自己对手机质量以及自己使用心得的唯一途径，所以对平台上的在线评论进行情感分析是非常重要的，也是具有重要意义的:理论意义：最近几年的时间里，随着计算机技术的普遍发展，在线评论的情感分析吸引了许多人的注意，国内外有很多学者加入这方面的研究。虽然中文方面的情感分析也在迅速发展，但仍存在许多缺陷：1、由于英文方面的在线评论的情感分析起步较早，而且主要研究的方向是餐厅的服务评价以及电影的质量评价，而在中文方面这些领域涉及的范围都较浅，更不用说手机在线评论;2、研究量很少以及起步较晚也是中文方面在线评论分析的一个重要制约因素，虽然越来越多的研究人员加入了这一方面的研究也提供了许多的方法,但是因为中文表达的意思更加含蓄难懂以及句子组合的复杂性，情感分类的准确率仍然相对较低。因此，本文通过获取在线评论数据以及对评论进行情感分析，通过建立贝叶斯模型进行研究，充实了国内对在线评论研究的应用。实际意义1、为手机品牌产家提供了消费者的需求，让品牌了解改进方向。要想在未来市场占得一席之地，就必须了解消费者对品牌的意见以及消费者对品牌的要求。消费者的评论在此阶段就提供了一个很好的途径。手机品牌通过网购平台的消费者评论然后进行评论分析，能够充分了解到消费者对于手机品牌的喜好程度以及对手机品牌的一些建议,这样就为手机厂商提供了一个了解到消费者的绝好机会，也是为手机厂商提供了一个改进自己产品质量扩大自己品牌消费者群体的一个机会。2、给手机厂商提供了改善产品质量的依据。目前主要电商平台有天猫，京东，苏宁易购，唯品会等等，在这些网购平台中都有一些消费者自己的偏好，虽说这些电商平台的受众范围很广，但是这些电商平台也不能保证永远有大量的消费者进自己平台消费，所以他们也需要提高自己的质量和水平，在原有的基础上继续扩大受众范围，这样电商平台的在线评论系统就起到了关键作用，它为电商平台改善自身服务提供了依据。比如产品质量，适合群体等等。通过分析评论，可以为电商平台改善服务提供依据。1.3国内外研究现状近段时间，越来越多的研究人员投入精力对文本情感分析的领域之中，随着社会发展这一领域触及到的方面也越来越多。2021年，BodyThomas等人进行了这一方面的研究，使用神经网络训练的情绪分析分类模型需要大量的数据，但收集这些数据集需要大量的时间和资源。虽然人工数据已成功地用于计算机视觉，但创建人工增强文本数据的有效和通用方法很少。本文提出了一种基于文本的数据增强方法，称为来回翻译，可用于人为地增加任何自然语言数据集的大小。通过创建增强文本数据并将其添加到原始数据集，实证实验证明，来回转换数据增强可将二进制情绪分类模型中的误差率降低高达3.4%。这些结果在统计学上具有显著性。JinNan等人也进行了这一领域的研究，研究内容是股票价格是否可预测一直是学术界争论的中心。本文提出了一种将深度学习方法与情绪分析模型相结合的混合模型用于股价预测。我们采用卷积神经网络模型对投资者的隐藏情绪进行分类，这些情绪是从一个主要的股票论坛中提取出来的。然后，我们运用长期短期记忆(LSTM)神经网络方法对股票市场的技术指标和第一步的情绪分析结果进行分析，提出混合研究模型。此外，本文还在上海证券交易所(SSE)上进行了三个时间间隔的6个重点行业的真实实验，验证了模型的有效性和适用性。实验结果表明，与基准分类器相比，该模型在投资者情绪分类方面取得了较好的效果，且该混合方法在股价预测方面优于单一模型和未进行情绪分析的模型。中文文本的情感分析研究暂时还没有赶上国外的脚步，国内研究主要集中在餐饮领域，网购平台以及APP下载平台。2021年，朱璐，陈世平根据现代社会计算机的发展以及AI的发展，用以机器学习的深度学习加入情感文本分析之中，他们认为现在的文本情感分析方式过于单一，现在的研究方法不能充分理解获取的情感文本中的提供者的主观情绪，也没有考虑所获取文本中与其相关的其他的文本特征。2手机在线评论的获取及预处理2.1评论的获取及预处理现阶段，主要的电商平台有限，都具有广泛的受众群体，例如京东。从这些电商平台中可以获取巨量的消费者在线评论，所以通过获取京东的在线评论数据作为本文的研究数据。在日常生活中我们可以看到，在大部分的在线评论中许许多多的消费者具有的问题存在大量的重复，与电商平台服务无关的广告以及与品牌无关的无意义符号等。如果直接获取这些评论进行研究将会使结果出现较大误差以及会使研究过程变得更加繁琐。所以，在进行分析前要把获取的评论进行一定程度的预处理，把重复存在的问题，与电商服务无关的垃圾广告以及乱码字符等删除。本文首先进行降低重复问题的重复率、压缩无用的语句、以及对不影响消费者感受以及与产品质量无关的句子和无意义字符的删除。2.2文本去重可以发现在许多的电商平台中存在这大量的重复相同的评论,导致这种情况发生的主要原因有以下几点（1）在消费者支付完成后并且成功收货后，没有对购买的产品做出评价，超出评价的时间后，系统会自动帮用户给出好评，这样获取的重复好评在研究中是没有意义的，没有代表着消费者的个人情感倾向以及主观意愿，这种评论需要删除。(2）许多网点为提高自身店铺的知名度，需要大量的好评，因此店家会采取一些优惠措施，比如购买商品之后在评论区点好评可以获得返利，导致在评论系统里存在大量虚假好评信息，这些好评信息并不能代表消费者的个人倾向,甚至有些店家会请所谓的水军在店铺评论区刷好评。这些重复的评论只需要留下一条足以。虽然在中文文本去重中编辑距离去重法是各类学者比较通用的方法，这一方法的主要原理是如果评论编辑小于一定程度，则判断为重复文本，这个方法当然也有缺点，就是可能会把不是重复但是相近的评论进行删除。由于获取的评论中是有很多差不多但表达的意思却不同，所以为了使分析结果更加准确,本文采取简单的两两比较法，删除评论中完全重复项，对于句子完全重复的并且在获取的评论中多次出现的只保留一个句子。2.3机械压缩由于评论区是消费者表达自己主观意愿的地方，所以得到的在线评论中有很多的句子里有重复的字体，例如:一个意思表达多次“很棒很棒很棒很棒很棒很棒很棒”，“厉害啊厉害啊厉害啊厉害啊厉害啊厉害啊”等等，这中评论具有的研究价值很小。因为这次评论较敷衍，没有含有消费者的主观情绪，可能是店家为了提高好评率而诱惑消费者进行好评。由于这些句子中具有大量的重复词语，所以这样的句子也要进行处理。由于计算机的操作系统原因，无法自动筛选出这种含有重复词语的句子。如“很棒”可以使用很多个组成一句话，计算机识别困难。但是如果这些话句子不进行处理的话，显然，这种句子中含有重复词语的句子会影响最后的结果分析，所以本文采用机械压缩对这种句子进行处理。如把“很棒很棒很棒很棒很棒很棒很棒”压缩为“很棒”，这样压缩后并不影响这条句子的语义，在之后的短句的删除时，会删除这条过短的评论。通过这一方法之后，“产品质量很好很好很好很好很好很好”压缩为“产品质量很好”。2.4短句无意义字符的删除在电商平台的在线评论中，有一些字数很短的评论，所表达的意思也很有限，虽然一些短评论句子也能代表消费者的一些态度，但过短的评论无法为电商平台提供有效的信息，所以要删除。(1)第一类的短句是由于在线评论系统里消费者本来就评论得很短，像“很棒”，“不错”;(2)经过第二阶段压缩之后获取的短句，像“很棒很棒很棒很棒很棒很棒很棒”经过第二阶段变为“很棒”。由于中文缺乏对短句得定义，及多少个字才算短句。所以在接下来的研究过程中按照一般的情况，及把少于四个字的句子去掉。除了短句的删除以外，评论中对消费者和电商厂家以及品牌商来说没有帮助的句子也应该删除。(1获取的数据中出现URL，URL对于消费者、电商厂家、手机品牌没有实际意义，应该去掉;(2）获取的评论中单独以一些符号出现的评论，并没有实际意义的评论，或者是单纯由消费者随便乱打的，要去掉。如果在获取的信息里有这些符号，就采取替换方式改变。（3)另外如果出现乱码、无实际意义的拼音、购买的年月日、订单账号等无用的信息。通过之前设定好的处理方法处理之后，获取的数据有248010条。得到的评论中几乎没有无实际意义的信息，对所需要评论信息的一方具有较大的帮助。此外这些评论中也表达了消费者自己的意愿，通过分析这些数据，我们可以知道消费者在意的方面，帮助手机厂商和电商厂家获取消费者的购买倾向，帮助他们提高自己的产品质量以及服务水平。评论数据品牌分布情况如下：图2评论数据品牌分部情况3评论分词及去停词3.1评论分词获取到的大部分评论都是由单独的一句话或者多句话构成的，进行中文分词是进行文本语言处理中第一件要做的事。中文分词顾名思义就是把一个句子分词多个小词语，这些小词语都含有其特定的意思，由于中文语句的构成和其他外国国家的语言构成具有很大差别。所以两者的分词也不能相提并论。英文分词可以直接依靠标点符号和空格进行识别，但由于中文的构成很复杂，不同的读法具有不同的意思，一条句子内不含有其他标点符号，中文语句内仅仅换一个词甚至一个字，这个句子的意思都可能和之前的句子大相径庭。所以，中文语句的处理方式无法像英文语句那样操作，换句话来说就是英文更简单。中文文本语言分词时，分词的效果直接影响高频词及特征项的选择。3.2评论去停词顾名思义停用词是指在文本处理的时候遇到停用词制成的文档里面的词的时候，会将这些词剔除在外，并不把这些词包含在内。一般来说在我们日常交流过程中可以去掉的词，去掉之后并不影响整个句子的含义，像“嗯”、“的”、“呢”、“呀”，“啊”和各种语气助词等。当然这些设定好的停用词不一定能满足文本处理，所以我们可以自己添加，像评论中经常有的“刷新率”，“处理器”，“八核”，“四核”以及包括部分零件的名称以及厂家的品牌名称，这些也可以加入文档。除去以上说的这些特点关键词，在评论中大量出现的符号，对最后结论影响较小的词，也可以划分进文档，成为停用词，这些也需要去掉，用以提升分类的效率。本文选用百度停词表，并在该停用词表的基础上增加了手机、京东、hellip、华为、Apple、OPPO、vivo、小米等自定义的停用词。截取分词、去停词后的部分评论信息如下:表SEQ表\*ARABIC2分词、去停词后的在线评论信息3.3在线评论高频词及词云图把获得的评论出局进行去停词处理、分词处理之后,制成的最高频率的50个词的词表:图3手机在线评论高频词词频统计获取的评论中的高频词的特点用词云图直接展现，高频词的词云图，顾名思义就是把出现频率最高的词语用图的形式表现出来，通过图中的字体颜色和字体大小来判断该词语在语句中出现的频率高低，频率高的颜色深字大，反之色浅字小。为了使词云图的表达效果更加直接，本文选取前200个高频关键词绘制词云图如下:图4手机在线评论词云图从上两幅图表我们可以非常直观的看出哪些特点是消费者高度关注的以及消费者关注的其他特点,上文图4中出现的“摄像头”，“系统”，“流畅”、“待机时间“、”电池“、”外观“、”音效”等是指消费者关注的产品质量以及使用时间，除此之外，另外有几个出现频率比较高的词语，如“漂亮”、“很漂亮”、“满意”、“喜欢”等可以衬托出消费者对于产品主观主观态度的词语，以及“快递”、“很快”、“速度”与电商厂家发货速度快慢以及物流服务的词语。虽然通过高频词和词云图可以直观了解到消费者对产品的一些关注点，但仅从这些关注点中不能知道消费者到底关注的是哪方面。像“特色”，消费者到底是看重产品质量的特色或者系统的特色，还是看重电商平台的特色呢？像“不错”，消费者到底是想说手机产品不错还是说物流不错或是电商平台的销售手段不错呢？要了解这些东西就需要对文本进行一点的情感分析。4获取评论中的情感分析及文本处理4.1评论正负情感的标注在最开始获取的在线评论信息里，给这些评论标注了1-5的评分，从评分的高低可以反应出消费者一部分的主观态度以及情绪，这正因为主观性是消费者评论里最重要的一个性质，不同的人对同一产品的态度都有所不同，3分上下的评论的态度还很直观明显，但是对于3分的评论就一半一半了，既有正面也有负面。导致最开始的评分要和正面评论和负面评论对应起来非常困难。从下表可以了解到，对于产品降价这一方面的问题，用户A打出的星级非常高，达到了5，B达到了3，C却只有1。产品耗电这一问题同降价这一问题一样，出现了同样的情况，D达到5，E达到3，F却也只有1。可能造成这种情况的原因有很多，但其中的主要原因可能是消费者产品的期望值不一样，消费者A对手机降价这一问题的评价比较严格，同样，消费者D对手机质量问题也极为看重，消费者C对产品降价相较于A来说评论就比较宽松，同样，消费者F对手机质量的评价也比较宽松。表SEQ表\*ARABIC3用户真实评论星级及内容经过前面的评论处理后，我们得到的评论大概二十多万条，在其中选择了一万多条评论进行正负面评论预测，并对其进行标注，选取的评论中，正面的和负面的分别一半，各选5000条，分别标注为1和-1，大约占总量的百分之四。样本的不均衡是统计学中需要避免的问题，为了避免这个问题，语句长度的分部情况是抽取数据时我们需要考虑的，在抽取的所有数据中，有最短与最长的两个界限，分别为五个字和五百个字。在抽取的标注文本中，基本属于短评论的最多，也就是范围在11到20个字，占了百分之21.12；长度在70个字以外的文本较少，主要还是集中在5到70这个区间，大约占了总量的百分之80。表SEQ表\*ARABIC4评论总体数与标注数5情感分类模型的建立5.1朴素贝叶斯模型在收集情感分类中的应用5.1.1朴素贝叶斯模型的介绍概率论是现在社会进行数理统计研究的一个重要组成部分，其中就有条件概率与先验概率，条件概率和先验概率又是概率论的两个重要组成部分。这两个概率之间的关系，可以用一个定理来研究-贝叶斯定理，下面就是贝叶斯定理的计算公式：P(A)是是上面所提到的先验概率，顾名思义就是表示在没有所对应数据之前我们假定的概率，P(B|A)都不陌生，是指在已知A概率的条件下B情况发生的概率，是条件概率，也叫B的后验概率。P(A|B)的概率很多人都不陌生，也都很容易知道，P(B|A)虽然就和P(A|B)相差一点，但，P(B|A)的概率就比较难求。如果P(B|A)是最后想要的结果呢？这就需要用P(A|B)求P(B|A)了，贝叶斯定理就提供了这种方法。与贝叶斯定理有关的一个方法就是朴素贝叶斯法了,朴素贝叶斯发是一种分类方法，是基于贝叶斯定理和特征条件独立假设所创造的。上面的公式是求训练数据集。X随机向量，是定义在输入空间上的；Y也是随机向量，但是是定义在输出空间上的；P(X，Y)是X和Y的联合概率分布。各个条件相互独立是在用朴素贝叶斯法求条件概率时的一个优势,简化了许多步骤，不必计算太多的条件概率，及每一个组合的概率。只需要用各个条件概率连乘就行，条件概率P(X=x|Y=ck将条件概率的计算公式代入贝叶斯公式：得到结果如下：在使用朴素贝叶斯分类器时，是不需要具体的值的，关于特征值属于哪一类的问题，朴素贝叶斯分类器的操作非常简单，只需要比较各个概率值的大小，如下：由于上式中分母对所有的ck需要各个特征的取值互不影响是一个前提,是使用朴素贝叶斯分类器的前提，这样使用贝叶斯公式求解时会比较简单,求解条件概率时所需的计算量也会少很多。由此可以看出，理解简单，运算简单，计算量小是朴素贝叶斯分类的长处。条件概率本是应该经过精准计算的一个值，但是在贝叶斯分类模型中并不需要，因为上文说了只需要比较各个概率值的大小，而后取较大的那一个;在现实生活中需要用到的数据非常庞大，一些分类模型在遇到这么庞大的数据时就有计算困难的情况发生，但朴素贝叶斯法可以把条件看成相互独立的，所以朴素贝叶斯法在生产实践的应用中也是经常使用的。由于以上的特点，再考虑到本文收集的数据信息比较庞大，所以使用朴素贝叶斯模型。5.2朴素贝叶斯模型的构建以及获得的结果分析5.2.1模型建立在之前的信息预处理中我们选择了一万条从京东获取的评论进行标注了，现在从其中选取七千条评论作为训练集。朴素贝叶斯学习模型的训练集来源于这七千条评论，训练完成后，使用贝叶斯学习模型一万条数据中未选取的数据进行测试，采用对比法，和手工测试的数据进行对比，根据对比的结果观察朴素贝叶斯模型的准确率。通过朴素贝叶斯模型并输入数据我们可以得到一条曲线，就是平滑系数的学习曲线，通过观察贝叶斯平滑系数的学习曲线图找到alpha,及曲线最适合的参数，如下：图5朴素贝叶斯平滑系数的学习曲线如上图红线所示，在红线上升初期有一个拐点，在拐点之后上升趋势平缓或者不再上升，此时alpha的值取到0.05。由此可知，出现拐点后曲线趋于平缓，alpha取特定的值，此时模型的预测效果也是相对较好的。由上图可知给alpha取特点的拐点值，及0.05时可以做为平滑系数的参数。泛化性能也是朴素贝叶斯模型的一个重要性能，所以泛化性能的的评估也是必不可少的，我们对其进行K折交叉验证验证之后进行朴素贝叶斯模型准确率的预测，令k为100，k为交叉验证参数，如下图，由图可知模型预测的准确率基本高于百分之八十，平均为百分之就是，由此可知贝叶斯模型具有良好的预测稳定性。图6朴素贝叶斯模型100次交叉验证图5.2.2结果分析由下表可知混淆矩阵有四个部分组成,分别为实际正负面评论和预测正负面评论。由表可以看出混淆矩阵反映了实际与预测的差异，混淆矩阵如下表SEQ表\*ARABIC5朴素贝叶斯模型预测的混淆矩阵由上表我们可以清晰的看到，混淆矩阵中实际正面评论与预测正面评论有一个相交值，及预测与实际相同的数量也就是预测对的数量，为1310条，同时可知负面预测与实际的情况，及总预测正确的条数是2658条;同理预测错误的条数是342条。由上面的混淆矩阵经过可以得到情感分析的一系列数据，如准确率(P)，准确率是指模型最终计算结果是否符合现实结果，与现实结果有多少符合率程度，计算方法为预测结果准确的样本数比上总体样本数，准确率为0.886。查准率是指在模型预测结果中属于正向情绪数据当中，与现实也为正向情绪数据的比例。查准率为0.8875。查全率是指表示所有的实际为正面评论的样本中，被预测为正面评论样本所占的比例，查全率为0.8816。查准率与查全率之间有一个公式，公式可以通过查准率和查全率之间的关系计算出F1分数，F1=2×P×RP+R。F1的分受试者工作特征曲线(ROC曲线）是指贝叶斯模型的功能随着其间临界点的变化而随之变化的图，ROC曲线中的每一个点都代表这贝叶斯模型中所预测的信息，如下图所示，是由原点连接到图像矩形右上方的对角线，当对角线的上面是曲线时，就表示当前的模型功能较好。AUC是指曲线图中曲线下方的面积，假设ROC曲线是由坐标为{x1,AUC的值越大，模型的性能越好。朴素贝叶斯分类的ROC曲线图如下，ROC曲线位于基准线的上方，AUC的值为0.9151，朴素贝叶斯的分类效果比较好。图7朴素贝叶斯分类的ROC曲线图6总结通过数据去重，机械压缩，短句无意义符号删除之后，对得出的评论数据进行标注，并制图，由图得知消费者对于手机品牌的倾向以及对电商厂家和物流的关注点。通过获得的数据可以使电商厂家和手机品牌更加注重自己的服务质量提升和产品质量提升，也可以使消费者具有更好的购买体验和消费乐趣，让消费者体验到物超所值。由于朴素贝叶斯模型的逻辑性和计算量小，本文选取了朴素贝叶斯模型，通过贝叶斯模型分析出正面评论与负面评论的数量，也通过正面评论和负面评论的数量可以得知该手机品牌的人气。朴素贝叶斯模型为我们提供了直观的结果，可以非常清楚的了解到消费者对于某手机品牌或电商厂家的主观感受，如“满意”或“不好”，清楚的知道电商厂家和手机品牌是否满足大众消费者的口味。7建议有些大品牌具有强烈的品牌风格，其他品牌手机不能照抄全搬，要形成自己的创新技术。加强自身原创手机系统的设计（如安卓、IOS、鸿蒙等)、前置摄像头的美观设计（如升降摄像头、刘海摄像头，水滴摄像头等)、屏幕刷新率设计(（如60HZ、120HZ等），手机后台运行程序（如单线程、双线程等），从多方面下手，创新科技。尤其是对于APPLE要持学习但不效仿的态度，如刘海屏当初被国内手机厂商争相效仿，但并没有自己的特色，许多消费者也给出了很多负面评论，但对华为自己设计的鸿蒙系统，许多消费者都赞不绝口，产生了许多的正面评论。所以，要有自己的基础，要有自己的创新才是手机品牌商现在最急需解决的事。在在线评论预处理的时候，拍照一词出现的频率极其高，这也反映了在现在社会手机拍照是所有消费者非常在意的一件事，手机品牌商需要了解消费者的喜好，以及加强自己的技术，提高手机摄像头像素，以及摄像头的光感设置、聚焦功能、专业摄像功能、人像功能等等；另外前置摄像头的美观设计也非常重要，不能占太多屏幕空间，又要设计美观。在消费者网购手机之后，物流这一方面也是重中之重。物流要满足消费者的意愿。网购本就不是线下实体店，没有购买前的体验乐趣，消费者在网购平台购买手机时也只能通过客服询问，店铺自己挂出的图片，以及之前消费者留下的购买感受，所以在购买之后要尽快的发货，尽快的让消费者体验到自己消费之后拿到货品的乐趣。另一方面，如今快递物流发展迅速，但物流服务的保证却有些不让人满意，有些物流公司在运送货物到中转站时随意丢抛货物，导致物品损坏，甚至还有快递员私吞消费者的包裹，这点要引起物流公司的重视。参考文献[1]朱俭.文本情感分析关键技术研究[M].北京.中国社会科学出版社.2015.11.[2]刘红岩.社会计算:用户在线行为分析与挖掘[M].北京.清华大学初版社.2014.[3]谢邦昌，朱建平，李毅.文本挖掘技术及其应用[M].厦门.厦门大学出版社.2016.3.[4]郑丽娟,王洪伟.中文在线评论的用户情感分析及应用[M].北京.经济科学出版社.2818.11.[5]PangB.,LeeL.andVaithyanathanS.SentimentClassificationusingMachineLearningTechniques[C].ProceedingsoftheConferenceonEmpiri