第三方点评网站垃圾评论分类模型的构建--以大众点评网为例
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 研究目的与意义 | 第13-15页 |
| 1.2.1 研究目的 | 第13-14页 |
| 1.2.2 研究意义 | 第14-15页 |
| 1.3 研究思路与方法 | 第15-17页 |
| 1.3.1 研究思路 | 第15-16页 |
| 1.3.2 研究框架 | 第16-17页 |
| 1.3.3 研究方法 | 第17页 |
| 1.4 研究创新点及难点 | 第17-19页 |
| 1.4.1 研究的创新点 | 第17-18页 |
| 1.4.2 研究的难点 | 第18-19页 |
| 第二章 国内外研究现状述评 | 第19-29页 |
| 2.1 在线评论研究的知识图谱 | 第19-20页 |
| 2.2 在线评论中垃圾评论概念 | 第20-22页 |
| 2.3 基于研究对象的垃圾评论 | 第22-23页 |
| 2.4 基于特征挖掘的垃圾评论 | 第23-25页 |
| 2.5 基于情感分析的垃圾评论 | 第25-26页 |
| 2.6 基于机器学习的垃圾评论 | 第26-28页 |
| 2.7 本章小结 | 第28-29页 |
| 第三章 第三方点评网站垃圾评论识别研究设计 | 第29-38页 |
| 3.1 垃圾评论识别研究思路 | 第29-30页 |
| 3.2 垃圾评论识别研究方法 | 第30-37页 |
| 3.2.1 数据采集方法 | 第30-32页 |
| 3.2.2 自然语言处理技术 | 第32-34页 |
| 3.2.3 情感分析方法 | 第34-35页 |
| 3.2.4 监督学习分类算法 | 第35-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第四章 大众点评网站垃圾评论识别实验 | 第38-64页 |
| 4.1 实验数据的采集 | 第38-42页 |
| 4.1.1 研究对象的确定 | 第38页 |
| 4.1.2 数据集的确定 | 第38-40页 |
| 4.1.3 采集工具的确定 | 第40-42页 |
| 4.2 实验数据的清洗 | 第42-44页 |
| 4.3 实验数据的标注 | 第44-45页 |
| 4.4 实验数据的探索性分析 | 第45-50页 |
| 4.5 实验数据的文本分析 | 第50-57页 |
| 4.5.1 分词工具的确定 | 第50-51页 |
| 4.5.2 评论文本分词和停用词去除 | 第51-53页 |
| 4.5.3 评论文本词性标注 | 第53-55页 |
| 4.5.4 评论文本关键词提取 | 第55-57页 |
| 4.6 实验数据的情感分析 | 第57-62页 |
| 4.6.1 计算评论情感倾向概率值 | 第57-58页 |
| 4.6.2 评论情感的时间序列可视化 | 第58-62页 |
| 4.7 本章小结 | 第62-64页 |
| 第五章 大众点评垃圾评论分类模型的构建 | 第64-74页 |
| 5.1 分类模型构建流程 | 第64页 |
| 5.2 评论特征指标提取 | 第64-66页 |
| 5.3 分类模型评价指标 | 第66-68页 |
| 5.4 基于朴素贝叶斯的模型构建 | 第68-70页 |
| 5.5 实验结果及分析 | 第70-72页 |
| 5.6 讨论 | 第72-74页 |
| 5.6.1 帮助大众点评网站降低垃圾评论比例 | 第72页 |
| 5.6.2 为商家改善自身不足提供有效信息 | 第72-73页 |
| 5.6.3 为消费者决策行为提供更可靠的依据 | 第73-74页 |
| 第六章 研究结论与展望 | 第74-76页 |
| 6.1 研究结论 | 第74-75页 |
| 6.2 研究不足与未来展望 | 第75-76页 |
| 参考文献 | 第76-82页 |
| 附录 | 第82-88页 |
| 附录1 大众点评评论中文分词和停用词去除 | 第82-83页 |
| 附录2 大众点评评论词性标注 | 第83-84页 |
| 附录3 大众点评关键词提取与向量化 | 第84页 |
| 附录4 情感倾向概率值计算与时间序列可视化 | 第84-85页 |
| 附录5 基于朴素贝叶斯分类算法构建模型 | 第85-88页 |
| 致谢 | 第88页 |
