产品评论中的发现和评论情感分析

CONTENTS
02
获
取
数
据
数据来自京东一个商品手机的评论 爬虫获取数据； 清理数据，获得各个字段信息； 保存评论和对应的得分的星星个数。
CONTENTS
03
分
析
数
据
1. 字段分析 2. 情感分析和评论分类
1. 字段分析
Biblioteka Baidu
1. 字段分析
2. 评论内容语义分析和评论分类
2.1 词典法 词典：程度副词、否定词和情感词 情感得分公式：
Thank you
谢 谢 观 赏
产品评论
CONTENTS
01 研究现状 02 获取数据 03 数 据 分 析
CONTENTS
01
研
究
现
状
人们可以在购物站点上发布评论来表达自己的使用 体验，或者在博客，论坛，社交站点，甚至是新闻 评论上对任何产品，服务或事件发布自己的观点或 表达自己的情感。 所以，对这些数据进行分析很有必要，对普通消费 者，公司组织，和国家政府等各级别的用户都有重 要作用。
MLP—多层感知机
是一种非线性分类， 由数据集学习网络 的输入层、隐含层 和输出层的参数 分类准确率：0.91， 是三种方法中最好 的。
w10
w10
w11 w12 w20 w21 w22
w11 w12
w20 w21
w22
三种方法的比较：
方法 词典法 PCA+SVM(RBF) MLP 分类准确率 0.75 0.89 0.91
2. 评论内容语义分析和分类
2.1 词典法 实验结果： 评价正确的评论 有6661条，总评 论有8934条，正 确率为 6661/8934=0.75。
2. 评论内容语义分析和分类
2.2 机器学习方法 PCA+SVM(RBF) MLP 特征选择： word2vec
PCA+SVM(RBF)
PCA（主成份分析） 是用来降维， 降维效果： 10040 图中表示方差越大， 降维效果越好，丢 失原始数据的信息 量越少。
PCA+SVM(RBF)
SVM（支持向量机）， 是用来分类。 该方法主要是找到一个超平面，把数据划分成两部 分。实验中采用的核函数是径向基函数（RBF）。 分类准确率：0.90，显然，比使用词典的方法更好。