網(wǎng)絡(luò)購(gòu)票平臺(tái)個(gè)性化評(píng)分推薦系統(tǒng)綜述研究

華南理工大學(xué)

隨著人們生活水平的提高，電影作為一種娛樂(lè)方式被越來(lái)越多的人喜愛(ài)。國(guó)產(chǎn)電影產(chǎn)量也保持增長(zhǎng)趨勢(shì)，僅2018年一年中國(guó)就有將近千計(jì)的電影上映[1]；同時(shí)隨著互聯(lián)網(wǎng)產(chǎn)業(yè)的快速發(fā)展，網(wǎng)絡(luò)購(gòu)票平臺(tái)成為人們購(gòu)票和觀影決策的重要途徑，但是，通過(guò)互聯(lián)網(wǎng)購(gòu)票也同樣存在著一些弊端：1.以淘票票為代表的互聯(lián)網(wǎng)購(gòu)票平臺(tái)的評(píng)分系統(tǒng)為綜合評(píng)分，而綜合評(píng)分是不同年齡段不同喜好的龐大用戶群體給予的評(píng)分，對(duì)于小眾喜好的用戶群體或是不同年齡細(xì)分的用戶群體難以作為準(zhǔn)確的決策標(biāo)準(zhǔn)。2.用戶需要通過(guò)瀏覽大量的評(píng)論文本數(shù)據(jù)來(lái)甄別自己的興趣點(diǎn)與這部電影的匹配程度，從而決策是否值得觀影，而這一點(diǎn)是很難通過(guò)綜合評(píng)分來(lái)判斷的，用戶在此過(guò)程中浪費(fèi)了大量的精力和時(shí)間，導(dǎo)致信息獲取效率低下。3.評(píng)論數(shù)據(jù)中經(jīng)常摻雜著大量無(wú)效評(píng)論，包括無(wú)效內(nèi)容以及用戶興趣點(diǎn)之外的評(píng)論，對(duì)用戶篩選有效評(píng)論造成了很大的干擾和障礙。如何讓用戶在較短的時(shí)間內(nèi)完成購(gòu)票決策，從繁多的影視節(jié)目中找到適合自己的電影，關(guān)乎著購(gòu)票平臺(tái)APP的競(jìng)爭(zhēng)力乃至生死存亡。本研究從這幾點(diǎn)弊端出發(fā)，進(jìn)行文獻(xiàn)綜述，分析得出未來(lái)研究的發(fā)展方向。

一、網(wǎng)絡(luò)電影評(píng)論的研究現(xiàn)狀

對(duì)于網(wǎng)絡(luò)影評(píng)的研究現(xiàn)狀如下，Yang Liu[2]等開發(fā)了一套預(yù)測(cè)評(píng)論有用性的模型和算法，為發(fā)現(xiàn)特定產(chǎn)品最有用的評(píng)論提供依據(jù)。認(rèn)為一篇有用的評(píng)論主要從三方面展示：評(píng)論者的專業(yè)知識(shí)、評(píng)論的寫作風(fēng)格和評(píng)論的及時(shí)性。同時(shí)，在分析這些因素的基礎(chǔ)上，提出了一個(gè)非線性回歸預(yù)測(cè)模型，并通過(guò)對(duì)IMDB電影評(píng)論數(shù)據(jù)集的實(shí)證研究表明了該方法的有效性。基于文本挖掘理論和信息質(zhì)量的評(píng)估，Ghose A，Ipeirotis PG提出了兩種產(chǎn)品評(píng)論排名機(jī)制。消費(fèi)者導(dǎo)向的排名機(jī)制：根據(jù)評(píng)論的預(yù)期效用進(jìn)行排名；以及制造商導(dǎo)向的排名機(jī)制：根據(jù)評(píng)論對(duì)銷售的預(yù)期效果進(jìn)行排名。楊銘等認(rèn)為對(duì)于在線商品評(píng)論的效用研究應(yīng)該將消費(fèi)者的購(gòu)買決策過(guò)程進(jìn)行重點(diǎn)研究，同時(shí)為研究結(jié)果可以為營(yíng)銷策略提供決策支持。Jindal，N.和Bing Liu通過(guò)對(duì)亞馬遜網(wǎng)站580萬(wàn)條評(píng)論和214萬(wàn)條評(píng)論的分析，發(fā)現(xiàn)評(píng)論垃圾郵件傳播非常廣泛的事實(shí)并提出了幾種過(guò)濾垃圾商品評(píng)論的方法：集中在用戶識(shí)別，基于評(píng)論內(nèi)容的語(yǔ)義分析和基于評(píng)分行為的聚類分類。

綜上，現(xiàn)在對(duì)于網(wǎng)絡(luò)評(píng)論的研究主要是通過(guò)算法實(shí)現(xiàn)對(duì)于垃圾信息的過(guò)濾篩選以及有效信息的甄別，然后將有價(jià)值的信息推薦給用戶，這種方式節(jié)省了用戶瀏覽垃圾信息的時(shí)間，可以讓用戶在最開始瀏覽時(shí)看到更有價(jià)值的信息，但是這種方式依賴于算法的性能，只從文本數(shù)據(jù)的角度進(jìn)行過(guò)濾篩選，基于普世的角度對(duì)于評(píng)論信息進(jìn)行價(jià)值排序，對(duì)于用戶來(lái)說(shuō)，普世的價(jià)值不一定適用于自己，用戶還是需要進(jìn)行大量的瀏覽文本信息才能衡量商品對(duì)于自己來(lái)說(shuō)的價(jià)值，仍然會(huì)給用戶帶來(lái)信息過(guò)載的困擾。每個(gè)用戶的評(píng)價(jià)標(biāo)準(zhǔn)是不同的，若能建立用戶模型，對(duì)大群體用戶進(jìn)行細(xì)分歸納，獲取用戶大量的數(shù)據(jù)信息來(lái)對(duì)用戶進(jìn)行建模分析。

二、自然語(yǔ)言處理領(lǐng)域的研究現(xiàn)狀

在自然語(yǔ)言處理領(lǐng)域，學(xué)界多圍繞情感分析展開研究，情感分析是指對(duì)文本數(shù)據(jù)中存在的情感傾向的分析，屬于一個(gè)跨學(xué)科的研究領(lǐng)域。情感闡發(fā)成果可分為三類：積極情感、消極情感和中性情感。機(jī)器學(xué)習(xí)法和字典法是情感分析法的兩大組成部分。易順明以Twitter的評(píng)論內(nèi)容為例，提出了一種用情感特征向量代替詞頻特征向量的情感分類方法。語(yǔ)料庫(kù)中的每一個(gè)詞都通過(guò)情感詞典用情感值來(lái)標(biāo)記，然后將這些情感值作為特征數(shù)據(jù)輸入模型，采用監(jiān)督學(xué)習(xí)模型訓(xùn)練和預(yù)測(cè)結(jié)果。楊超等介紹了《知網(wǎng)詞典》和《新臺(tái)幣詞典》，采用相似法和頻率計(jì)算法計(jì)算情感詞的情感傾向，并把詞放置在文中通過(guò)上下文分析的方式提高分析結(jié)果的準(zhǔn)確性。

由此我們可以發(fā)現(xiàn)，用戶所產(chǎn)生的網(wǎng)絡(luò)評(píng)論信息，是對(duì)客觀現(xiàn)象的主觀表述，針對(duì)用戶產(chǎn)生的不同類型網(wǎng)絡(luò)評(píng)論文本數(shù)據(jù)，有著不同的算法以及目標(biāo)。當(dāng)前的研究主要是通過(guò)提取用戶產(chǎn)生的文本數(shù)據(jù)中的特征詞來(lái)感知用戶情感的，如能將用戶對(duì)于電影評(píng)價(jià)的情感傾向特征詞進(jìn)行總結(jié)歸納，整理出一套針對(duì)電影評(píng)價(jià)的情感關(guān)鍵詞詞典將會(huì)對(duì)用戶評(píng)價(jià)數(shù)據(jù)的情感傾向判斷起到巨大的幫助，這也將成為后續(xù)研究的方向之一。

三、總結(jié)展望

綜合以上分析，后續(xù)研究可以就構(gòu)建個(gè)性化網(wǎng)絡(luò)購(gòu)票平臺(tái)評(píng)分推薦系統(tǒng)并通過(guò)數(shù)據(jù)信息的可視化及界面交互的設(shè)計(jì)來(lái)解決用戶獲取影評(píng)反饋數(shù)據(jù)過(guò)程中遇到的障礙。對(duì)于一個(gè)推薦系統(tǒng)來(lái)說(shuō)，如何通過(guò)用戶產(chǎn)生的數(shù)據(jù)建立細(xì)分用戶群體的用戶畫像，并能夠預(yù)測(cè)或者識(shí)別這個(gè)細(xì)分用戶群體感興趣的物品將是后續(xù)研究的重點(diǎn)；而對(duì)于文本信息的可視化處理以及APP界面交互設(shè)計(jì)來(lái)說(shuō)，將冗余信息進(jìn)行合理過(guò)濾，清晰易讀的呈現(xiàn)出來(lái)并給予用戶流暢的操作體驗(yàn)從而達(dá)到短時(shí)間內(nèi)快速?zèng)Q策的目標(biāo)是今后研究的方向所在。