基于数据采集的电商评论分析系统的研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 本文研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 爬虫发展现状 | 第10-11页 |
| 1.2.2 中文分词发展现状 | 第11-12页 |
| 1.2.3 文本挖掘发展现状 | 第12-13页 |
| 1.3 论文组织结构 | 第13-15页 |
| 2 电商评论爬取 | 第15-33页 |
| 2.1 传统爬虫的基本原理与算法策略 | 第15-18页 |
| 2.1.1 基本原理 | 第15-17页 |
| 2.1.2 通用算法 | 第17-18页 |
| 2.2 改进型爬虫策略 | 第18-21页 |
| 2.2.1 改进爬虫程序的必要性 | 第18-19页 |
| 2.2.2 爬取策略的选择与改进 | 第19-21页 |
| 2.3 爬虫程序总体设计 | 第21-26页 |
| 2.3.1 爬取对象以及总体架构 | 第21-22页 |
| 2.3.2 Scrapy爬虫程序框架 | 第22-23页 |
| 2.3.3 爬虫数据库选择 | 第23-24页 |
| 2.3.4 针对反爬机制的策略 | 第24-26页 |
| 2.4 爬虫程序具体实现 | 第26-32页 |
| 2.4.1 爬虫实现细节 | 第26-30页 |
| 2.4.2 访问限制以及速度改进 | 第30-31页 |
| 2.4.3 结果展示及后续维护 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 3 电商评论数据预处理 | 第33-51页 |
| 3.1 问题描述 | 第33-34页 |
| 3.2 模型的选择与改进 | 第34-44页 |
| 3.2.1 RNN和经典的LSTM神经网络 | 第34-41页 |
| 3.2.2 CRF模型 | 第41-42页 |
| 3.2.3 改进的BI-LSTMN-CRF模型 | 第42-44页 |
| 3.3 模型建立 | 第44-50页 |
| 3.3.1 文本向量化 | 第44-48页 |
| 3.3.2 过拟合处理 | 第48-49页 |
| 3.3.3 模型训练 | 第49-50页 |
| 3.4 结果分析 | 第50页 |
| 3.5 本章小结 | 第50-51页 |
| 4 电商评价信息文本挖掘 | 第51-66页 |
| 4.1 文本挖掘模型 | 第51-54页 |
| 4.1.1 主题模型 | 第51-53页 |
| 4.1.2 条件随机场模型 | 第53-54页 |
| 4.2 方面与评价词抽取 | 第54-61页 |
| 4.2.1 抽取对象的说明 | 第54-55页 |
| 4.2.2 LDA主题模型的建模与训练 | 第55-57页 |
| 4.2.3 获取方面和评价词集合 | 第57-58页 |
| 4.2.4 CRF++工具特征模版 | 第58-59页 |
| 4.2.5 方面与评价词抽取过程 | 第59-61页 |
| 4.3 情感方向以及强度分析 | 第61-64页 |
| 4.3.1 文本标点切分及方面合并 | 第62页 |
| 4.3.2 评论有无情感色彩识别 | 第62-63页 |
| 4.3.3 情感方向分类 | 第63-64页 |
| 4.3.4 情感强度分类 | 第64页 |
| 4.4 模型评价 | 第64-65页 |
| 4.5 本章小结 | 第65-66页 |
| 5 产品评论挖掘展示系统的构建 | 第66-73页 |
| 5.1 系统框架 | 第66-67页 |
| 5.1.1 JFinal | 第66-67页 |
| 5.1.2 JFinal使用的优势 | 第67页 |
| 5.2 产品评价打分模型 | 第67-68页 |
| 5.3 系统对应数据库模型 | 第68-69页 |
| 5.3.1 MySQL数据库的优势 | 第68页 |
| 5.3.2 数据对应数据库的数据结构 | 第68-69页 |
| 5.4 数据展示图形组件 | 第69页 |
| 5.5 系统评分流程 | 第69-70页 |
| 5.6 系统展示 | 第70-72页 |
| 5.7 本章小结 | 第72-73页 |
| 总结与展望 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 致谢 | 第77-78页 |
| 攻读学位期间发表学术论文目录 | 第78-79页 |
