消费者网络评论的情感模糊计算与产品推荐研究
电商平台商品评论情感分析研究
电商平台商品评论情感分析研究电商平台已成为消费者购买商品的首选渠道之一。
随着网络时代的发展，越来越多的人选择在电商平台上购买商品。
电商平台是一个非常特殊的销售渠道，消费者无法在实体店中直接观察和接触产品，只能通过评论等方式了解产品信息。
因此，电商平台上的商品评论对消费者的购买决策有着非常重要的影响。
如何从海量的商品评论中提取有用的信息，对评论进行情感分析，并对消费者的决策产生影响，成为了智能计算和商业分析领域的热点问题。
1、电商平台商品评论的情感分类情感分类是情感分析的核心技术之一。
情感分类通常包括两个步骤：特征提取和情感分析。
特征提取旨在识别并提取有用的特征。
情感分析是将特征映射到预定义的情感类别中。
在电商平台的商品评论中，情感分类通常包括积极、消极和中性三种情感类型。
然而，中性评论并不能为消费者提供决策参考。
因此，情感分类的目标是提取出积极或消极的情感，以帮助消费者更好地决策。
情感分析在电商平台中的应用主要有两个方面：一是商品推荐；二是品牌和产品改进。
情感分析可以帮助平台研究用户喜好和需求，为用户提供更好的推荐服务。
此外，通过分析消费者对产品的评价，品牌和产品可以了解产品的缺陷和不足之处，以便在产品制造和宣传上作出改进。
2、情感分析技术的问题与挑战商品评论的情感分析是一个非常复杂的过程，需要考虑到文本内容、上下文和社交因素等多个方面。
情感分析技术的准确性和有效性直接影响到电商平台的商业价值。
主要挑战包括：语言差异、情感表达的多样性、情感语调和语义的模糊性等。
首先，由于评论者的文化和语言习惯不同，同一种情感在不同语言和地区可能表达的方式不同，这导致情感分析的跨语言应用面临一些问题。
其次，情感表达方式多样，评论的词语和语言结构相对复杂，难以准确提取情感特征。
再次，情感语调和语义的模糊性也是情感分析的难点。
例如，评论“不错”本身可以包含积极的情感，但如果上下文是“质量不错，但价格太高，不值得购买”，则“不错”的情感变成了消极的。
电子商务中的用户评论情感分析与产品推荐研究
电子商务中的用户评论情感分析与产品推荐研究随着电子商务的迅速发展，用户评论已经成为电商平台运营和消费者决策的重要依据之一。
在大量的评论中，用户对产品或服务的情感内容承载着丰富的信息，因此情感分析成为商家和消费者关注的焦点之一。
本文将从电子商务用户评论情感分析的重要性、方法以及情感分析在产品推荐中的应用等方面展开论述。
首先，用户评论情感分析在电子商务中的重要性不可忽视。
随着互联网的普及，用户可以在购买完成后，对产品或服务进行评价，这使得消费者能够分享购物经验，并且对商家进行反馈。
用户评论中所包含的情感内容能够反映出用户对产品的喜好程度、满意度以及不满意之处。
对这些评论进行情感分析，商家能够获得用户的真实反馈，从而更好地改进产品或服务。
另一方面，对用户评论进行情感分析可以帮助商家了解产品在市场中的竞争力，根据用户情感评价调整推销策略，提高销售效果。
其次，用户评论情感分析的方法也是当前研究的热点之一。
情感分析是一种利用计算机技术对文本中表达的情感进行识别和判别的技术。
情感分析方法包括基于词典的方法、基于机器学习的方法以及基于深度学习的方法。
基于词典的方法主要是通过构建情感词典，对评论文本中的词语进行情感分类，进而计算整篇文本的情感得分，判断评论的积极或消极情感。
然而，这种方法存在情感词库的构建困难以及无法处理词语的多义问题等限制。
基于机器学习的方法则通过训练分类模型，自动从评论中提取出与情感相关的特征，进行分类预测。
该方法在处理多义词和情感词缺失的情况下具有较好的应用效果。
而基于深度学习的方法则利用深度神经网络模型，自动提取评论文本的高维特征，对情感进行分类。
这种方法的优势在于能够处理文本中的语义信息，提高情感分类的准确性。
最后，情感分析在产品推荐中的应用也是非常重要的。
用户评论中的情感信息可以帮助电商平台更准确地对用户进行个性化的产品推荐。
通过对用户评论进行情感分析，可以了解到用户对不同产品的喜好程度和评价，进而根据用户的个性化需求，为其提供更适合的产品推荐。
电子商务中的用户评论情感分析与产品推荐
电子商务中的用户评论情感分析与产品推荐随着互联网和电子商务的飞速发展，用户评论成为了电商平台上不可或缺的一部分。
越来越多的消费者在购买产品之前会查看其他用户的评论和评分，以了解产品的质量、性能和用户体验。
然而，面对庞大的用户评论数据，如何有效地进行情感分析，挖掘有价值的信息，并向用户推荐合适的产品，成为了电子商务领域亟待解决的问题。
用户评论情感分析是指通过自然语言处理和数据挖掘技术，对用户评论中的情感进行分析和分类。
情感分析旨在识别并提取出评论中所包含的正面、负面或中性情绪，从而为商家和其他用户提供有价值的信息。
通过进行情感分析，电商平台可以及时了解用户对产品的满意度和不满意度，从而改善产品质量、服务和用户体验。
同时，情感分析还有助于发现潜在的商机和市场需求，为企业提供决策支持。
在进行用户评论情感分析时，可以采用深度学习、机器学习和自然语言处理等方法。
首先，需要构建一个情感词典，将词语与情感值建立映射关系。
然后，通过文本预处理和特征提取，将评论数据转化为可供机器学习模型使用的数值型特征。
接下来，可以使用各种算法，如朴素贝叶斯、支持向量机和深度神经网络，对评论进行情感分类和情感极性分析。
最后，根据分析结果，可以为用户提供产品推荐、排序和评分。
用户评论情感分析对于电子商务平台具有重要意义。
首先，它可以为商家提供有价值的反馈和改善方向。
商家可以根据用户的意见和建议，及时调整产品的设计、功能和售后服务，提高用户满意度和忠诚度。
其次，情感分析可以为其他用户提供参考和决策支持。
通过阅读其他用户的评论和评分，新用户可以更好地了解产品的优点和缺点，减少购买风险。
最后，电商平台可以利用情感分析的结果进行个性化推荐，提供给用户更加符合其需求和偏好的产品。
电子商务平台可以借助情感分析的结果，实现个性化的产品推荐。
个性化推荐是指根据用户的历史行为、偏好和需求，向其推荐最相关和感兴趣的产品。
通过分析用户的评论和评分，可以了解用户的兴趣爱好、购买偏好和购物习惯。
面向电商的用户评论情感分析算法研究
面向电商的用户评论情感分析算法研究随着电商行业的不断发展，越来越多的消费者倾向于在网上购买产品。
而在做出购买决策之前，他们经常会通过阅读其他用户的评论来获取产品的实际情况以及其他用户的购买经验。
因此，对于电商平台和品牌商家来说，了解用户评论的情感倾向和意见是非常重要的。
在这样的背景下，面向电商的用户评论情感分析算法应运而生。
用户评论情感分析算法是一种自然语言处理的技术，旨在对用户评论的情感进行分析和分类。
通过使用这种算法，电商平台和品牌商家能够快速而准确地了解用户对产品或服务的态度和情感倾向，从而更好地满足用户需求、改进产品和提高用户满意度。
为了实现面向电商的用户评论情感分析，算法通常包含以下几个主要步骤：1. 数据收集和预处理：首先，需要收集大量的用户评论数据，并对其进行预处理。
这包括去除噪音数据、分词、去除停用词、词干化等。
预处理的目的是提高算法的性能和准确性。
2. 特征提取：在用户评论情感分析中，特征提取是非常重要的一步。
常用的特征提取方法包括词袋模型、TF-IDF、Word2Vec等。
这些方法能够将文本数据转化为计算机可以理解和处理的形式，为后续的分类算法提供输入。
3. 情感分类：情感分类是用户评论情感分析算法的核心部分。
常见的分类算法包括朴素贝叶斯、支持向量机、逻辑回归等。
这些算法通过学习和训练，可以对用户评论进行情感判断，区分积极的评论和消极的评论。
4. 情感评分：在进行情感分析时，不仅要判断评论的情感倾向，还需要给出一个评分来衡量评论的强度。
常用的方法是使用情感词典，通过统计情感词的出现频率和权重来计算评论的情感得分。
5. 结果可视化：为了方便电商平台和品牌商家理解用户评论情感的分析结果，算法还可以提供可视化的结果展示。
常用的可视化方法包括词云图、情感曲线图等，使得决策者能够清晰地了解用户评论的情感倾向。
除了以上描述的基本步骤，面向电商的用户评论情感分析算法还可以与其他技术相结合，进一步提高准确性和效果。
电商网站用户评价的文本情感分析研究
电商网站用户评价的文本情感分析研究随着互联网的飞速发展，电商网站的用户评价已经成为越来越多消费者购物前必不可少的一个参考标准。
然而，由于用户评价的数量和多样性，消费者很难从中梳理出有效的信息，根据评价作出正确的决策。
因此，本文旨在研究电商网站用户评价的情感分析技术，探讨如何通过自然语言处理和机器学习的技术手段，从海量的用户评价中挖掘出有价值的信息，提高消费者的购物体验和满意度。
一、情感分析的方法论情感分析，即情感计算，是指对社交媒体、网络评论、短信等非结构化的文本数据进行处理，识别并提取出其中的情感信息。
情感分析的方法可以分为基于词典的方法和基于机器学习的方法。
1. 基于词典的方法基于词典的方法根据一个预定义的词语列表来计算文本中的情感极性得分，例如vader、SentiWordNet等情感词典。
这种方法的优势在于，它对于大多数传统的文本非常有效。
所以在一些常见的商业任务中，例如分析排名文本、产品以及用户评价，情感分析的效果往往非常好。
但是，这种方法的不足之处在于，它不适用于新兴的领域和一些特殊的行业。
此外，这种方法还存在情感词典微调的困难，需要大量的人工干预和验证。
2. 基于机器学习的方法机器学习的方法是指利用机器学习算法从文本中自动提取情感特征，实现情感分类的过程。
典型的机器学习算法包括朴素贝叶斯、支持向量机、随机森林、逻辑回归和深度学习。
机器学习方法的优势在于，它可以从单词的重要性和情感词的语境中找到规律，从而自动识别各种类型的情感词，因此，它比基于词典的情感分析方法更加灵活和准确。
不过，机器学习方法的不足之处在于，它需要大量的高质量的训练数据，并且需要人工对数据进行标注。
此外，由于情感分析的复杂性，机器学习方法通常需要进行人工特征工程，才能取得良好的效果。
二、电商网站用户评价的情感分类方法电商网站的用户评价通常包括五个方面的信息：商品信息、服务信息、物流信息、售后信息和购物体验。
这些信息对于消费者来说都非常重要，因此，研究电商网站用户评价的情感分类方法对于提高消费者的购物体验和满意度非常有意义。
电商平台中的用户评论情感分析与情感推荐研究
电商平台中的用户评论情感分析与情感推荐研究随着电子商务的快速发展，越来越多的用户选择在电商平台上进行购物。
然而，用户在购物过程中的体验和满意度往往受到其他用户的评论和评价的影响。
因此，对用户评论的情感进行分析和推荐对提升用户满意度和购物体验至关重要。
本文将探讨电商平台中的用户评论情感分析与情感推荐的研究。
首先，用户评论情感分析是指通过对用户评论进行情感分类、情感识别和情感倾向性分析等手段，提取用户评论中的情感信息，了解用户对商品或服务的满意度或不满意度。
情感分析可以通过机器学习和自然语言处理等方法实现。
机器学习是一种通过训练模型自动处理文本数据的方法，可以识别用户评论中的情感词汇、情感强度和情感极性等信息。
自然语言处理技术可以处理用户评论中的语法和语义信息，进一步提取和分析情感信息。
通过对用户评论的情感分析，电商平台可以及时了解用户对商品或服务的反馈，以便及时改进和优化。
其次，用户评论情感推荐是指根据用户的历史评论数据和情感信息，通过推荐算法向用户推荐感兴趣的商品或服务。
情感推荐算法可以根据用户的情感倾向性和偏好，推荐具有相似情感特征的商品或服务。
例如，如果用户对某个商品的评论为正面情感，那么电商平台可以向用户推荐具有类似情感特征的其他商品。
通过情感推荐，电商平台可以提高用户购物体验，增加购物的满意度和忠诚度，进而促进销售量的增长。
为了实现用户评论情感分析和情感推荐，研究者们采用了多种方法和技术。
其中，机器学习是常用的方法之一。
通过训练大量的有标注情感的评论数据，机器学习模型可以学习到情感表达的模式和规律，从而对新的评论进行情感分析和推荐。
常见的机器学习算法包括支持向量机、朴素贝叶斯和深度学习等。
此外，还可以结合用户信息、商品特征和社交网络等数据进行综合分析，提高情感分析和推荐的准确性和效果。
然而，电商平台中的用户评论情感分析与情感推荐研究也面临一些挑战。
首先，用户评论中常常存在文本的歧义性和主观性，导致情感分析的准确性有限。
网上评论情感分析方法与应用研究
网上评论情感分析方法与应用研究随着互联网的发展和普及，人们在日常生活中越来越多地依赖网上评论来获取产品信息和决策参考。
然而，由于评论的数量庞大，人工分析和理解这些评论变得困难且耗时。
因此，情感分析技术的出现成为解决这一问题的有效手段。
本文将重点探讨网上评论情感分析的各种方法和在实际应用中的研究进展。
一、情感分析方法1. 基于词典的方法基于词典的情感分析方法是最早也是最简单的方法之一。
该方法首先构建一个情感词典，其中包含积极和消极的情感词。
然后，对输入的评论文本进行词汇匹配和计数，从而确定评论的情感倾向。
然而，该方法主要依赖于事先构建的词典，对新词和复杂的语境处理较为困难。
2. 机器学习方法机器学习方法在情感分析领域得到了广泛的应用。
常用的机器学习算法包括支持向量机（SVM）、朴素贝叶斯（Naive Bayes）和随机森林（Random Forest）等。
这些算法通过训练数据集，学习文本特征和情感之间的关系，并用于对新评论进行情感预测。
相比于基于词典的方法，机器学习方法具有更好的适应性和准确性。
3. 深度学习方法深度学习方法近年来在情感分析领域取得了显著的突破。
深度学习模型可以自动从原始文本中学习表示的特征，进一步提高情感分析的准确性。
常用的深度学习模型包括卷积神经网络（CNN）和长短期记忆网络（LSTM）等。
这些模型通过多层网络结构对文本进行建模，并通过反向传播算法进行训练。
二、情感分析的应用研究1. 产品和服务评价网上购物和餐饮平台等都提供了用户对产品和服务的评论功能。
基于评论的情感分析可以帮助消费者更好地了解产品和服务的质量，并做出更明智的购买决策。
同时，商家也可以通过情感分析来及时了解用户的反馈，改进产品和服务。
2. 品牌管理和公众舆论监测品牌声誉对企业来说非常重要，而网上评论往往代表了消费者对品牌的看法和情绪。
情感分析可帮助企业实时监测品牌的声誉和公众舆论，并及时采取相应的措施进行品牌管理和形象维护。
线上消费与用户评论研究分析消费者在线上购物后的评论行为和对其他消费者的影响
线上消费与用户评论研究分析消费者在线上购物后的评论行为和对其他消费者的影响线上消费与用户评论研究分析随着互联网的发展和智能手机的普及，线上消费已经成为现代人生活中不可或缺的一部分。
在线上购物后，消费者往往会在各种平台上留下评论，并与其他消费者分享他们的购物体验和产品评价。
这些用户评论在购物决策中发挥着重要的作用，并对其他消费者产生影响。
本文将对消费者在线上购物后的评论行为和对其他消费者的影响进行研究和分析。
一、消费者在线上购物后的评论行为1.评论的动机和目的消费者在线上购物后进行评论的主要动机是对产品或服务的满意度以及对购物体验的评价。
评论的目的是让其他消费者了解真实的产品质量和商家服务，帮助他们做出更准确的购物决策。
2.评论内容的特点消费者的评论内容通常包括对产品功能、质量、外观等各个方面的评价，以及对商家的服务、物流、退货、售后等进行评价。
评论内容一般为文字形式，也可搭配图片、视频等多种媒体形式。
3.评论的情感倾向消费者的评论可以呈现出正面、中性和负面情感倾向。
正面评论会对产品或服务表示赞扬和推荐，中性评论则客观陈述产品的优点和不足，负面评论则表达对产品或服务的不满和批评。
4.评论的态度和语气消费者的评论态度和语气多样，有的评论客观公正，有的评论主观情绪化。
不同的用户有不同的写作风格和口吻，但总体来说，消费者的评论通常希望能真实表达自己的观点和感受。
二、用户评论对其他消费者的影响1.信息参考价值消费者对评论信息的真实性和准确性有一定的要求，他们希望通过他人的评论来了解产品的优缺点，从而做出更明智的购买决策。
因此，用户评论对其他消费者来说具有重要的信息参考价值。
2.影响购买意向用户评论对其他消费者的购买意向产生明显的影响。
正面的评论和高评分能够增强其他消费者对产品的信任度和兴趣，提高其购买意愿；而负面的评论和低评分则可能使其他消费者对产品产生疑虑，降低其购买意愿。
3.社交影响力用户评论在形成社交网络中发挥了重要的作用。
面向电子商务的用户评论情感分析与商品推荐研究
面向电子商务的用户评论情感分析与商品推荐研究在电子商务的快速发展以及用户评论的普及下，如何准确分析用户评论的情感并进行有效的商品推荐成为了电商企业的重要课题。
本文将围绕面向电子商务的用户评论情感分析与商品推荐展开研究，旨在提出一种能够准确分析用户评论情感并基于此进行商品推荐的方法。
首先，对于用户评论情感分析的研究，我们可以利用自然语言处理技术来实现。
通过对用户评论进行文本挖掘，提取评论中的关键词和情感词，结合情感词的极性（正向或负向），可以对评论的情感进行分类。
同时，我们还可以借助机器学习算法，如朴素贝叶斯、支持向量机等，构建情感分类模型，从而实现自动化的评论情感分析。
通过这种方法，电商企业可以快速了解用户对商品的评价，及时调整商品策略，提升用户满意度。
其次，基于用户评论情感分析的结果，我们可以进行商品推荐。
传统的推荐系统主要依靠用户的历史行为数据进行推荐，然而，在电商平台中，用户评论往往包含更直观、真实的评价信息。
因此，我们可以将评论情感作为一种重要的特征，结合用户的历史行为数据，构建混合推荐模型。
这样的推荐模型能够更准确地把握用户需求，提供更有针对性的商品推荐。
另外，为了更好地解决电子商务中的用户评论情感分析和商品推荐问题，我们还可以结合社交网络分析。
在当今的社交媒体上，用户对商品的评价往往不仅仅局限于电商平台的评论，还包括微博、微信等社交媒体上的言论。
因此，我们可以通过社交网络分析，探索用户在不同社交媒体上的评论情感，建立用户的全局情感模型，从而更全面地了解用户对商品的态度。
在商品推荐方面，我们可以通过社交网络挖掘用户间的关联关系，构建基于社交网络的推荐模型，从而实现更具社交性的商品推荐。
最后，虽然面向电子商务的用户评论情感分析与商品推荐已经取得了一定的研究成果，但是仍然存在一些挑战和问题需要进一步解决。
首先，用户评论情感的表达方式多种多样，包括文字、图片、视频等，如何有效利用这些多模态的数据进行情感分析是一个值得研究的问题。
社交网络中用户评论的情感分析研究
社交网络中用户评论的情感分析研究随着社交网络的蓬勃发展，人们越来越倾向于在各种社交媒体平台上表达自己的观点和情感。
用户评论成为了衡量社交网络活跃度和用户参与度的重要指标之一。
然而，这些评论中蕴含的情感信息对于社交网络平台以及其他用户来说并不总是易于理解和分析。
因此，进行社交网络中用户评论的情感分析研究意义重大。
在社交网络中，用户评论的情感分析是通过对评论文本进行研究和解析来确定评论者在表达自己观点时的情感倾向。
这种研究有助于了解用户对特定主题的态度和情感状态，并且可以为社交网络平台、企业和政府等提供重要的决策参考。
首先，社交网络中用户评论的情感分析可以帮助社交网络平台增强用户体验。
社交网络平台可以根据用户评论的情感分析结果，快速了解用户对于产品、服务、内容等方面的满意度和不满意度。
通过了解用户的情感状态，平台可以就产品或服务进行相应的改进和优化，提高用户满意度，增加用户留存率。
其次，社交网络中用户评论的情感分析有助于企业研究消费者的态度和需求。
企业可以通过社交网络平台上用户的评论情感分析结果了解用户对其产品或服务的评价。
这些情感分析结果可以从积极和消极的角度来评估用户对产品或服务的反馈意见，从而帮助企业调整产品或服务的设计、营销策略，更好地满足用户的需求。
此外，社交网络中用户评论的情感分析在舆情监测和危机管理方面也具有重要意义。
政府部门、企业或公共机构可以通过社交网络上用户评论的情感分析了解公众对特定事件、政策或产品的看法和情感反应。
这些情感分析结果可以帮助相关方发现并及时解决潜在的危机，减少负面影响，同时也可以指导公共政策和沟通策略的制定。
值得注意的是，社交网络中用户评论的情感分析并非一项简单的任务。
评论内容可能包含大量的噪声、口语化表达和情感多样性，这给情感分析带来了挑战。
因此，研究者们提出了多种算法和方法来应对这些挑战。
情感词典是社交网络中用户评论的情感分析研究中常用的方法之一。
基于情感词典的方法通过构建一个包含情感词汇的词典来识别文本中的情感极性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
２产品综合评价及情感模糊计算
通过对产品的大量情感词综合计算得到情感值。对有多个特征属性的产品综合评价，还要考虑根据客
户偏好赋予不同权重，计算出产品综合评价值。产品属性评价或产品情感值模糊计算步骤如下：
步骤１对网络评论段落或句子进行分词处理和句法分析，得到对产品的某一个属性的行个评价词 语ＥＦ，（ｉ一１，…，刀），整个段落得到ｍ个情感词语ＥＭｔ（ｉ一１，…，ｍ）及对应程度副词和否定词。
摘要：以消费者心理和情感分析为基础，根据消费动机分类理论。对网络评论评价和情感进行模糊建模，建
立了消费者评价和情感模糊语料库，并结合消费者对产品属性的偏好，提出一种新的产品综合评价和情感计
算方法，进而以综合评价和情感作为推理前件，建立模糊推理规则库，实现了针对不同购买动机类型消费者的
产品推荐推理。
关键词：消费动机；意见挖掘；模糊语义；模糊推理
１ 网络评论语义模糊化及语料库的建立
体现评价和情感的词语具有情感倾向，称为极性词（ｐｏｌａｒｉｔｙ ｗｏｒｄ）。评价词是消费者对本体及属性特 征的描述词语，情感词表达的是消费者使用产品的感受、情感及情绪。对评价和情感词语的程度度量正负 分别为４个级别：Ｓ（少）、Ｍ（中）、Ｌ（大）、ＶＬ（极），没有极性的为ｚ（无）。每个级别对应一个模糊隶属度函 数，分别为－－ＶＬ、一Ｌ、一Ｍ、一Ｓ、ｚ、＋５、＋Ｍ、＋Ｌ．＋ｙＬ，我们统称为基本评价模糊集，如图１所示。评价 词的褒贬程度分别用Ｇ（好）、Ｂ（坏）表示，情感词的高低程度分别用Ｈ（高）、Ｌ（低）表示。对上述９个基本 评价模糊集在定义域［一４，４］上定义高斯函数型模糊隶属度函数：
（Ｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ Ｉｎｓｔｉｔｕｔｅ，Ｄａｌｉａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｄａｌｉａｎ Ｌｉａｏｎｉｎｇ １１６０２４，Ｃｈｉｎａ）
步骤２对评价和情感词语ＥＦｉ（ｉ＝１，…，咒），Ｅ勉（ｉ一１，…，ｍ），通过ห้องสมุดไป่ตู้询评价和情感模糊语料库，得 到其相应的基本评价模糊集ｆ。（ＥＦｉ）（ｉ＝１，…，，２），卢（Ｅ舰）（ｉ一１，…，优）。
步骤３按程度算子和否定算子处理规则对相应的评价词和情感词隶属函数进行偏移计算。分别得
经修饰的评价词模糊集∥７（ＥＦｉ）（ｉ一１，…，，２）和情感词模糊集∥７（ＥＭｉ）（ｉ一１，…，ｍ）。 步骤４对∥７（ＥＦｉ）（ｉ＝１，…，扎）进行交运算，对户７（ＥＭ）（ｉ一１，…，研）进行交运算，分别得到产品该
自然语言处理技术中也涉及到数学模型或形式规则的问题ｍ］。本文基于前人的工作，以消费者心理 和情感分析为基础，根据消费动机分类理论，对网络评论评价和情感进行模糊语义建模，建立消费者评价 和情感模糊语料库，并结合消费者对产品属性的偏好，提出一种新的产品综合评价和情感计算方法，进而 以综合评价和情感作为推理前件，建立模糊推理规则库，实现针对不同购买动机类型消费者的产品推荐推 理。通过实例计算验证所提方法的合理性。本方法扩充了单纯的褒贬二义情感分类体系，客观地反映消费 者的情感、购买意愿和推荐度等主观心理；提出基于消费者心理情感进行个性化产品推荐的建议。
［ｃ］／／ｖｒｏｃｅｅｄｉｎｇＳ ｏｆ ｔｈｅ ５ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｐｅｒｖａｓｉｖｅ Ｓｅｖｉｃｅｓ．Ｎｅｗ Ｙｏｒｋ：ＡＣＭ．２００８：１ ７７—１８０．
［３］ 张仰森，徐波，曹元大．自然语言处理中的语言模型及其比较研究口］．广西师范大学学报：自然科学版，２００３，２１（１）：
３所示。对于其他３种类型也同样可以评论１ ２００多条，对某品牌笔记本产品Ｘ的评论 句子４３７条进行筛选，确定了１６０条具有代表性的评论作为最终语料。分别计算产品的综合评价褒贬度和 情感值并作为推理前件，得到４种类型消费者的推荐度，推荐效果如图４所示。
ＡＭＡ Ｗｉｎｔｅｒ Ｍａｒｋｅｔｉｎｇ Ｅｄｕｃａｔｏｒｓ’Ｃｏｎｆｅｒｅｎｃｅ．Ｓａｎ Ａｎｔｏｎｉｏ：Ｉｓ．ｎ．］，２０００：５２－５７．
Ｓｅｍａｎｔｉｃ Ｆｕｚｚｙ Ｃａｌｃｕｌａｔｉｏｎ ａｎｄ Ｐｒｏｄｕｃｔ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ Ｂａｓｅｄ ｏｎ ０ｎｌｉｎｅ Ｒｅｖｉｅｗｓ
ＮＡ Ｒｉ—ｓａ，ＬＩＵ Ｙｉｎｇ，ＬＩ Ｙｕａｎ
５ 结语
本文提出网络评论产品综合评价和情感值的模糊计算方法，以评价值和情感值作为推理前件，面向对
万方数据
１４６
广西师范大学学报：自然科学版
第２８卷
实用性和享乐性要求不同的消费者类型推荐推理，得到产品的推荐度。针对笔记本产品Ｘ，对大量网络评 论进行实验研究，详细分析了不同类型消费者推荐度水平和变化趋势，验证了所提方法的有效性。
ＩＦ前件１（Ｃｕｓｔｏｍｅｒ Ｔｙｐｅ）ａｎｄ前件２（ＥＦ）ａｎｄ前件３（ＥＭ）ＴＨＥＮ后件（Ｒ）。 根据Ｐａｒｋ［７］的消费者动机类型分类方法，从实用主义和享乐主义动机的角度将消费者分为４种类 型：高实用／低享乐型、高实用／Ｎ享乐型、低实用／低享乐型、低实用／Ｎ享乐型，如图２所示。其中的实用性 通过网络评论中产品及属性评价的模糊计算束量化，而产品对消费者享乐性需求的满足程度利用网络评 论的情感值来反映。设立推理规则的基本原则是后件随前件增大而增强。前件２（ＥＦ）和前件３（ＥＭ）都为 较大负值时，推荐程度为强烈反对（ｙＬ０）。对于高实用／Ｎ享乐类型消费者，产品实用性越高、情感满足程 度越大，购买意愿越强烈，即推荐强度越大，随着推理前件２（ＥＦ）和前件３（ＥＭ）逐渐增大，后件（Ｒ）也增
ｙ一蹦ｚ，％，。一Ｐ掣，
其中ｚ表示评价和情感词语程度，Ｙ表示相应程度的隶属函数：Ｗ∈｛－－ＶＬ，一厶，一Ｍ，一Ｓ，Ｚ，＋５，＋Ｍ， ＋Ｌ，＋ＶＬ｝，％、ｃ。是对应＂ＯＯ情感级别的高斯隶属函数的参数。Ｘ－＝－Ｃ。时ｙ＝１，即在中心点时函数隶属函 数值为１，得％＝ｏ．４。对－－ＶＬ到Ｚ，ｚ∈［一４，ｏ］，ｆ一儿＝一４，ｃ—Ｌ＝一３，ｃ一盯＝－－２，ｆ—ｓ＝一１，ｆｚ—ｏ；对Ｚ到 ＶＬ，ｘＥ［ｏ，４］，ＣＺ＝ｏ，铅＝１，ｃⅣ＝２，ｆＬ一３，ＣＶＬ＝４。
中图分类号：ＴＰ３９１．１
文献标识码：Ａ
文章编号：１００１—６６００（２０１０）０１—０１４３—０４
消费者表达产品的观点和情感的网络评论文能够影响消费者的购买决策［１］。Ｉｎ—Ｂｏｋ Ｃｈｏｉ［２］等指出考 虑消费者情感和购物动机能够提高推荐准确性。现有的推荐研究都是基于打分值的，并没考虑评论语句的 情感因素，很难反映消费者对产品的综合评价和情感。目前基于汉语文本的情感计算研究大都集中在文本 倾向性分析方向，大多数应用系统或研究方法都是采用传统的数学方法赋予情感词汇褒贬极性及强度值， 并未很好地体现网络评论的观点和情感所固有的模糊本质属性。情感计算的维度和深度不足，绝大多数都 是依赖与褒贬二义的倾向性分析，对于网络消费者丰富的情感表达，粒度略显粗糙。
收稿日期：２００９—１２—２０ 基金项目：国家自然科学基金资助项目（６０９７２０９０） 通讯联系人：那日萨（１９７０一），男（蒙古族），内蒙古乌兰浩特人，大连理工大学副教授，博士。Ｅ—ｍａｉｌ：ｎｍｇｎｒｓ＠ｄｌｕｔ．
ｅｄｕ．ｃｎ
万方数据
１４４
广西师范大学学报：自然科学版
第２８卷
ＶＬＢ ＬＢ ＭＢ ｓＢ ｚ ｓＧ ＬＧ ＭＧ ｖＬＧ １．Ｏ
属性的评价和综合情感模糊集ＥＦ、ＥＭ。
步骤５运用质心法分别对ＥＦ、ＥＭ进行清晰化处理，得到产品该属性评价值和产品整体情感值。
步骤６产品综合评价（ｏｖｅｒａｌｌ ａｓｓｅｓｓｍｅｎｔ）为各个属性分值加权乘积求和。
．
ＯＡ＝∑ＥＦ×Ｉｍｐｏｒｔａｎｃｅｌｎｄｅｘ。
（２）
３产品综合评价情感推荐
我们以消费者类型（ｃｕｓｔｏｍｅｒ ｔｙｐｅ）、评价（ＥＦ）和情感（ＥＭ）作为推理前件，推荐度（Ｒｅｃｏｍｍｅｎｄａ— ｔｉｏｎ：Ｒ）作为后件，建立模糊推理系统（ＦＩＳ），其规则形式如下：
１６—２４．
［４３ 江腾蚊。万常选，刘喜平．基于答案结点的ＸＭＬ文档模糊检索［Ｊ］．郑州大学学报：理学版·２００７，３９（４）：９８—１０１． Ｉｓ］ 董振东．ＨｏｗＮｅｔ［ＤＢ／ＯＬ］．［２００８—０１—０７］．ｈｔｔｐ：／／ｗｗｗ．ｋｅｅｎａｇｅ．ｃｏｍ／ｈｔｍｌ／ｅ—ｉｎｄｅｘ．ｈｔｍｌ－ ［６３ ＴＩＭＯＴＨＹ Ｊ Ｒ．模糊逻辑及其工程应用［Ｍ］．钱同惠，译．北京：电子工业出版社，２００１． ［７３ ＰＡＲＫ Ｃ．Ａ ｃｏｍｐａｒｉｓｏｎ ｂｅｔｗｅｅｎ ｃｙｂｅｒ ｓｈｏｐｐｅｒｓ ａｎｄ ｎｏｎ—ｃｙｂｅｒ ｓｈｏｐｐｅｒｓ ｉｎ Ｋｏｒｅａ［Ｃ］／／Ｐｒｏｃｅｅ凼ｎｇｓ ｏｆ ｔｈｅ ２０００
Ｆｉｇ．２ Ｃｏｎｓｕｍｅｒ ｓｈｏｐｐｉｎｇ ｍｏｔｉｖｅ ｔｙｐｅ
Ｆｉｇ．３
Ｆｕｚｚｙ ｉｎｆｅｒｅｎｃｅ ｒｕｌｅｓ ｆｏｒ Ｈｉｇｈ Ｕｔｉｌｉｔｙ／Ｈｉｇｈ Ｐｌｅａｓｕｒｅ ｃｏｎｓｕｍｅｒｓ
大。根据有限理性理论，某一前件为负值，但是另一前件为很高正值，该正值前件给消费者带来更大程度满
足，则消费者购买意愿也比较强烈。所以推荐程度应随正值前件增强而增大。其具体推理规则三维图如图
万方数据
第１期
那日萨等：消费者网络评论的情感模糊计算与产品推荐研究
１４５
高实用／低享乐型
高实用／高享乐型
基 育
（男性为Ｉ、实用丰义） （教授为主、熟练网民）
爿
。
匪
低实用／低享乐型
低实用／高享乐到
氧
（女性为｝、初级叫民） （学牛为丰、享乐土义）
享乐ｔ义动机
图２消费者购买动机分类
图３高实用／高享乐消费肴推理规则
第２８卷第１期 ２０１０年３月
广西师范大学学报：自然科学版 Ｊｏｕｒｎａｌ ｏｆ Ｇｕａｎｇｘｉ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ：Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ
Ｖ０１．２８ Ｎｏ．１ ＭＲｒ．２０１０
消费者网络评论的情感模糊计算与产品推荐研究
那日萨，刘影，李媛
（大连理工大学系统工程研究所．辽宁大连１１６０２４）