【在线评论的主题挖掘研究国内外文献综述6500字】

在线评论的主题挖掘研究国内外文献综述 2 5 6在线评论1(onlineReviews)在二十世纪初由Chatterjeed正式提出，是消费者在某在线评论具有三个特点：保存时间长，阅读受众广4];发布地理局限性小，评论互动性消费者评论商家评论专家评论商家评论专家评论专家评论商家评论专家评论商家评论图1-1在线评论分类来研究消费者6。Noisian等人7通过比较网上发布的消费者评论和实验研究的评论，研时的在线评论在改变消费者偏好方面的相对影响力会增加。胡雅淇等人9运用“OLS+观感受。分析在线评论有用性一方面可以帮助消费者判断商品和服务的客观真实状况，型商品来说，评论长度的影响力度会更大，搜索型商品受评论的视频数量影响更多11域本体的在线评论层次化信息挖掘模型，通过选取四类手机的在线评论作为实验对象，(1)基于词典的情感分类基于词典的情感分类方法通过构建情感词典对文本内容进行情感极性以及强弱判对微博文本进行情感分类，该模型准确率与基线相比提高了1.13%。但是此方法虽然简(2)基于传统机器学习的情感分类SVM的分类，准确率在81%~83%。(3)基于深度学习的情感分类2003年，Bengio等人18首次提出利用神经网络构建语言模型，该语言模型通过三方法主要有RNN、CNN、LSTM、BiLSTM等情感分析方面取得较好的成绩。YoonKim在文本分析中引入卷积神经网络捕捉局部特征，对文本实现了N-gram特征提取，使得卷积神经网络由图像领人[201提出了一种基于卷积神经网络(Convolut短期记忆模型(Bi-directionalL线评论情感分析方法，通过利用LSTM建立时序关系，CNN来刻画局部空间特征，进而达到更加精准的情感分类，F1值可以达到94.67%,能够有效的判别消费者在线评论问题，提出了BiLSTM+EMB-ATT模型，该模型综合运用了了注意力来达到较好的效果。目前最新的预训练模型主要有B准确率提高了15%;Yin等人[251也提出了基于BERT的SentiBERT模型，该模型主要包来越多国内外研究者的广泛关注和深入研究，因此也逐渐成为国内外的一大研究热点。(1)基于聚类算法的主题挖掘方法聚类等等。在2015年，Klinczak等人301选取Twitte(2)基于线性代数的主题挖掘方法(3)基于主题模型的主题挖掘方法ThomasHofmann³6]于1999年提出概率潜在语义分析(ProbabilisticLatentSemantic确率和有效性，证明了PLSA的优越性，实验结果表明PLSA方法能够有效地计算大型于分层Dirichlet过程的微博生成模型MB-LDA,实验结果表明提出的生成模型取得了良好的效果，能够有效的解决数据稀疏问题。胡吉明等人在构建LGuo等人441选取16个国家的25,670家酒店的266,544条在线评论数据作为具体研究对象，利用LDA主题模型提取19个可控的客户满意度维度，研究客户满意度维度与酒本挖掘技术对400多位顾客的评论进行情感极性分析，并利用潜在的狄利克雷分配模型然后在此基础上分别利用谱聚类和AP聚类模型利用基于语义词典的情感分类技术将评论集分成正负面评论，从而简化LDA的输入数据，提高主题提取的精确度。陈国良等人51利用SVM将评论集分为正向和负向两习的情感分析方法缓解了语料压力，借助神经网络模型、注意力机