基于文本挖掘的京东商城手机网评分析

基于文本挖掘的京东商城手机网评分析

摘要：随着互联网的迅速发展、电子商务的快速崛起，网络购物已成为一

种趋势。各大电商平台每天都产生着数以万计的评论数据。这些海量的评论数据

中潜藏着丰富的有价值的信息。本文主要使用朴素贝叶斯方法对京东商城五款手

机评论数据进行挖掘分析。根据分析得出的结果，为生产商进一步提高商品质量

满足消费者需求提出指导性建议；同时为潜在消费者购买决策提供合理的参考也

具有一定的意义。

关键词：文本挖掘；朴素贝叶斯方法；京东评论

1 引言

大数据时代的到来，互联网数据呈现快速增长模式。随着网络购物用户的不

断增加，交易规模也在逐年增长，从而商品评论数量日趋庞大。各大网购平台关

于一件商品的用户评论能够达到几万条甚至几十万条，数量越来越大、内容越来

越复杂，如果仅仅依靠人工阅读的方式来获取有价值的信息，所以想必也是非常

困难的。

近年来文本挖掘技术的兴起，已成为分析文本评论数据的主要方法，它可以

为生产商和消费者准确的提供有价值的信息，对网络购物的每一环节都有着重要

意义。

2 实证分析

2.1 数据来源

以销量作为筛选条件，本文选取了2018年京东商城销量前五的五款手机，

它们的货号分别是：16580586466、100008630664、43769030870、100010260230、100010658548（对应是手机型号分别是iPhone8 Plus、小米9Pro、红米Note7、

华为荣耀V30、OPPO Reno3），选取用户评论作为文本挖掘分析的对象。确定好

研究对象之后，通过使用Python分别对五个手机型号的用户评论内容进行爬取。

2.2 文本数据预处理

2.2.1 数据清洗

文本评论数据中包含着各种各样的信息，有的评论内容对文本分析来讲，利

用价值很低甚至一点价值都没有，如果把它们也引入到分析过程中来，必然会对

最后的结果造成较大的影响。因此，在正式进入分析工作之前，首先要进行的是

对评论内容进行数据清洗。

2.2.2 文本分词及去除停用词

数据清洗工作完成后，接下来对评论语料进行预处理，主要有中文分词、去

停用词等过程。这一过程是利用Jupyter软件调用“jieba”分词包实现。

存在很多像“的”“了”“呢”一些并没有实际意义的语气词，分词结果中

常常会出现“但是”、“然而”之类的转折词，又或者是一些特殊的字母、符号，这都统称为停用词。进行文本分类之前，需要将停用词剔除掉。

2.2.3 词云词频

词云作为Python中极具灵动特色的展示库，在通常情况下使用在显示词频

最终结果展示上，能够自定义背景，还可以设置不同的字体，其展示方式同其他

同种工具比较，具有更立体、简练的优点。为加强对上文所爬取文本的研究，本

文把Python的jieba词频分析和Wordcloud展开结合使用，在词频基础上，达

到了更直接的情感分析和展示目的。

对于第一款手机iPhone8 Plus，出现较多的高频词汇除了“手机”本身之外，还有“不错”“喜欢”“值得”“满意”等等，由此可以知道，大部分消费者对

于这款手机的评价较好，除此之外，他们对于发货速度方面的问题比较关注。对

于第二款手机小米9Pro，出现较多的高频词汇除了“手机”本身之外，还有“老人”“喜欢”“不错”“满意”等等，由此可以知道，购买或使用这款手机的消

费者大部分为老年人，他们对这款手机的使用体验较好，除此之外。对于第三款

手机红米Note7，出现较多的高频词汇有“老人”“不错”“声音”“喜欢”，

由此可以知道，这款手机的使用群里老年人居多，同时他们对这款手机的声音较

为满意。所以对于第四款手机华为荣耀V30，出现较多的高频词汇有“手

机”“问题”“不错”“客服”，除此之外还有“充电”“系统”，从这里可以

看出这款手机有可能出现了一定的问题，可以是系统方面的，也可能是充电方面的。对于最后一款手机OPPO Reno3，出现较多的高频词汇有“手机”“问

题”“不错”“正品”，除此之外还有“质量”“物流”“客服”，由此可得，

消费者对于这款手机的总体评价较好，但是在购物过程中也出现了一些问题，同

时对于物流、客服方面的问题较为关注。

最后，将五款手机的高频词提取结果进行对比验证，iPhone8 Plus、小米9Pro、红米Note7这三款手机的结果显示为积极性评价，其词云显示的关键

词多为“喜欢”“不错”“满意”；而华为荣耀V30、OPPO Reno3这两款手机的

结果显示为正向和负向都有包含，其词云显示的关键词多为“问题”“客服”。

由此可得，词云显示的高频词可以真实有效的反映消费者对于一款商品的评价。

2.3 朴素贝叶斯文本分类

2.3.1 训练预料收集

朴素贝叶斯模型是一种有监督的机器学习方法，所以需要收集一些已经标注

好的语句，训练语句数量越多，模型预测效果越准确[1]。对于中文文本情感分类

来讲，已经添加好标注的语料是十分匮乏的，而且大部分标注语料主要集中于手

机评论、酒店评论、微博评论等。由于中文标注语料资源的缺乏，在网上只搜集

到 521 条已标注好的笔记本电脑方面的正负评论语料，其中正面评论211条，

负面评论310条。由于中文标注语料资源的缺乏，本文从五款手机的评论中分别

抽取100条语句进行了人工标注，所以需要进一步加大训练集的数量。

2.3.2 实验步骤设计

（1）数据准备阶段：在网上搜集关于电脑方面的已标注好的语料，并做好

标签。在本文中正面评论用“0”表示，负面评论用“1”表示。考虑到较长的评

论语句包含的价值信息更多，文中并对语料进行了排序，分别在好评集与差评集

各抽取500条语句组成训练语料。