基于模糊綜合評(píng)價(jià)的美團(tuán)評(píng)論數(shù)據(jù)情感分析

閆賀 白璐璐 張曉如 張?jiān)佘S

摘 要：美團(tuán)平臺(tái)上店鋪的評(píng)分是一個(gè)綜合性評(píng)分，并不能從多個(gè)角度說明店鋪情況，客戶根據(jù)綜合評(píng)分很難選擇到符合自己需求的店鋪?，F(xiàn)有評(píng)價(jià)模型在商品屬性選擇和權(quán)重上依靠有經(jīng)驗(yàn)的管理者給出，存在很大的主觀性。針對(duì)這些問題，提出了基于模糊綜合評(píng)價(jià)的情感分析模型。該模型首先采用關(guān)鍵詞提取與模糊矩陣相結(jié)合方法，對(duì)評(píng)論的語(yǔ)料進(jìn)行關(guān)鍵詞提取，然后根據(jù)關(guān)鍵詞權(quán)重設(shè)置模糊矩陣，最后將評(píng)論情感分析結(jié)果放在模糊矩陣中，構(gòu)建出基于模糊矩陣的綜合情感評(píng)價(jià)模型。在美團(tuán)評(píng)論數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果是綜合評(píng)價(jià)分與美團(tuán)平臺(tái)的綜合性評(píng)分只相差0.02%，說明該模型結(jié)果非常準(zhǔn)確。模型給出了店鋪除綜合評(píng)分以外的其它關(guān)鍵詞得分，全面分析了店鋪的口味、環(huán)境、價(jià)格等因素評(píng)分，為顧客選擇提供了多角度指導(dǎo)。所得出的評(píng)分也給商家提供了很好的指導(dǎo)意見，以幫助商家調(diào)整經(jīng)營(yíng)模式和策略。

關(guān)鍵詞：情感分析; 模糊矩陣;情感傾向;美團(tuán)平臺(tái)

DOI：10. 11907/rjdk. 192234 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

中圖分類號(hào)：TP301文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2020）007-0019-05

Emotional Analysis of Meituan Review Data

Based on Fuzzy Comprehensive Evaluation

YAN He1， BAI Lu-lu2， ZHANG Xiao-ru1， ZHANG Zai-yue1

（1. School of Computer Science， Jiangsu University of Science and Technology， Zhenjiang 212003， China;

2. School of Computer Science and Information Security， Guilin University of Electronic Technology， Guilin 541004， China）

Abstract：The ratings of the stores on the Meituan platform are comprehensive， and it is impossible to explain the situation of the stores from multiple angles. It is difficult for customers to select a store that meets their needs according to the comprehensive score. The commodity attributes and weights of the evaluation model are given by experienced managing statt. This evaluation model is very subjective. Aiming at these problems， this paper proposes a sentiment analysis model based on fuzzy comprehensive evaluation. First， the model adopts the method of combining keyword extraction and fuzzy matrix， extracts the keywords from the corpus of comments， and then sets the fuzzy matrix according to the weight of the keywords. Finally， the results of the comment sentiment analysis are placed in the fuzzy matrix to construct fuzzy comprehensive emotion evaluation model based on fuzzy matrix. The comprehensive evaluation results obtained by the experiment on the Meituan review dataset differed only 0.02% from the comprehensive score of the Meituan platform， indicating that the results obtained by the model are extremely accurate. The model gives the scores of other keywords in addition to the comprehensive scores of the stores， comprehensively analyzes the scores of the stores taste， environment， price and other factors， providing customers with a multi-angle selection guide; the resulting scores also provide good guidance to merchants to help them adjust their business models and strategies.

Key Words： sentiment analysis; fuzzy matrix; sentiment orientation; Meituan platform

0 引言

人們?cè)诿缊F(tuán)選購(gòu)商品時(shí)往往會(huì)參考美團(tuán)提供的店鋪和商品評(píng)價(jià)系統(tǒng)。市場(chǎng)調(diào)查結(jié)果顯示，約有81%的用戶會(huì)在購(gòu)買商品之前觀看商品的相關(guān)評(píng)論，其中80%的顧客會(huì)認(rèn)為這些評(píng)論影響到自己的購(gòu)買行為，由此可見，對(duì)商品進(jìn)行較為詳細(xì)和深入的多角度情感分析，是滿足用戶和市場(chǎng)需求的重要環(huán)節(jié)，同時(shí)商家也可根據(jù)客戶評(píng)論，對(duì)自己的經(jīng)營(yíng)模式和策略作出相應(yīng)調(diào)整，更好地滿足客戶需求，在激烈的市場(chǎng)角逐中贏得商機(jī)。隨著經(jīng)濟(jì)的發(fā)展，人們的商品質(zhì)量觀已從僅考慮商品內(nèi)在與個(gè)性質(zhì)量，發(fā)展到越來(lái)越注重商品的外觀質(zhì)量、社會(huì)質(zhì)量、經(jīng)濟(jì)質(zhì)量和市場(chǎng)質(zhì)量等綜合因素[1]。正是因?yàn)檫@種觀念的轉(zhuǎn)變，對(duì)商品評(píng)估提出了新的要求，多角度全面深入評(píng)價(jià)成為趨勢(shì)。

封麗[2]利用情感詞典結(jié)合情感分析的方法對(duì)微博文本的輿論內(nèi)容進(jìn)行情感分析，從而比較迅速、實(shí)時(shí)表現(xiàn)出隨著時(shí)間變化的輿情狀況;李耀林[3]通過一系列的情感分析算法，處理了筆記本電腦的評(píng)論信息，得到用戶對(duì)筆記本電腦的情感傾向，從而判斷不同電腦產(chǎn)品的受歡迎程度;Zhao等[4]使用表情符號(hào)的情感分析，開發(fā)了一款基于表情流的微博情感實(shí)時(shí)檢測(cè)系統(tǒng);楊靜[5]對(duì)于商品評(píng)價(jià)環(huán)節(jié)存在的問題，引入了模糊數(shù)學(xué)綜合評(píng)價(jià)方法，該方法表現(xiàn)出較好的易懂性和公平性。

本文結(jié)合情感分析和模糊綜合評(píng)價(jià)方法，對(duì)美團(tuán)的評(píng)論數(shù)據(jù)進(jìn)行分析研究，從顧客關(guān)心的多個(gè)因素給出評(píng)價(jià)。該模型首先對(duì)獲取的評(píng)論數(shù)據(jù)進(jìn)行清洗，然后提取評(píng)論數(shù)據(jù)關(guān)鍵字，計(jì)算評(píng)論因素集合和因素集權(quán)重，最后通過對(duì)評(píng)論的情感分析構(gòu)建模糊綜合評(píng)價(jià)矩陣，通過模糊綜合評(píng)價(jià)矩陣獲得一個(gè)綜合評(píng)價(jià)結(jié)果，獲得每個(gè)因素對(duì)應(yīng)的評(píng)價(jià)得分。

1 相關(guān)概念

本文提出的基于模糊矩陣的情感分析模型不僅涉及到因素集、評(píng)語(yǔ)集、權(quán)重集、分?jǐn)?shù)集等基本概念，還涉及到數(shù)據(jù)清洗規(guī)則。模糊綜合評(píng)價(jià)方法最原始的雛形是模糊集合，該集合由美國(guó)的控制論專家L.A.Zadch教授于1965年提出 [6]。模糊綜合評(píng)價(jià)法是以模糊數(shù)學(xué)、模糊線性變換原理和最大隸屬度原則為基礎(chǔ)，考慮所需評(píng)價(jià)事物的各個(gè)評(píng)價(jià)指標(biāo)因素對(duì)事物做出的綜合評(píng)價(jià)。

1.1 因素集與評(píng)語(yǔ)集

因素集通常是對(duì)商品屬性、特征的描述。在模糊綜合評(píng)價(jià)模型中，針對(duì)商品的因素用[U]表示。[U={key1，key2，][？，keyn}]，其中[keyn]表示第[n]個(gè)評(píng)價(jià)因素。評(píng)語(yǔ)集是每個(gè)評(píng)價(jià)因素的評(píng)語(yǔ)集合，用[V={v1，v2，？，vn}]表示，其中[vn]表示對(duì)商品特征[keyn]的評(píng)語(yǔ)。

以蘋果評(píng)價(jià)為例，其屬性或特征有品相、大小、甜度等幾個(gè)指標(biāo)，其因素集可表示為 {品相，大小，甜度}。假定用戶對(duì)每個(gè)屬性（因素）的評(píng)價(jià)結(jié)果分為好、中等、差3個(gè)級(jí)別，那么 {好、中等、差}可視為該蘋果的一個(gè)評(píng)語(yǔ)集。

1.2 權(quán)重向量

權(quán)重指模糊綜合評(píng)價(jià)因素集中每個(gè)因素的權(quán)重，每個(gè)因素權(quán)重的選取直接影響評(píng)價(jià)結(jié)果的準(zhǔn)確性，通常由調(diào)查對(duì)象根據(jù)各自的知識(shí)、經(jīng)驗(yàn)以及偏好因素直接給出其認(rèn)為合適的數(shù)值作為模型的權(quán)重。這種做法雖然簡(jiǎn)單明了，但是有一個(gè)明顯的缺點(diǎn)，就是存在很大的主觀性[7-9]。

本文提出的模型權(quán)重是由大量數(shù)據(jù)計(jì)算分析得到的，擁有數(shù)學(xué)理論基礎(chǔ)，很大程度上規(guī)避了人為賦權(quán)帶來(lái)的缺點(diǎn)。令[n]個(gè)評(píng)價(jià)因素的權(quán)重向量為[A]

式（1）中，[an]表示因素集中第[n]個(gè)元素對(duì)應(yīng)的權(quán)重值。

1.3 模糊評(píng)價(jià)模型

模糊評(píng)價(jià)模型，是一種運(yùn)用模糊數(shù)學(xué)原理分析和評(píng)價(jià)具有“模糊性”系統(tǒng)的方法。這種方法在處理各種難以用精確數(shù)學(xué)方法描述的復(fù)雜系統(tǒng)問題時(shí)表現(xiàn)出獨(dú)特的優(yōu)越性，在評(píng)價(jià)方面應(yīng)用很廣泛。

模糊評(píng)價(jià)模型結(jié)構(gòu)如圖1所示。首先根據(jù)顧客的評(píng)論構(gòu)建評(píng)價(jià)指標(biāo)體系，得出因素集模塊;然后由相關(guān)有經(jīng)驗(yàn)的管理者結(jié)合評(píng)論給出權(quán)重矩陣模塊;最后通過二者計(jì)算的結(jié)果確定評(píng)價(jià)矩陣[5]。

圖1所展示的模糊評(píng)價(jià)模型存在兩點(diǎn)不足：①其因素集是依據(jù)其各自情況選定和調(diào)整的，不能很好地反映顧客在評(píng)論中真正關(guān)注的商品屬性;②權(quán)重矩陣是管理者依據(jù)自身經(jīng)驗(yàn)給出，存在很大主觀性。這是當(dāng)前評(píng)價(jià)模型的共性問題。

2 模糊綜合情感評(píng)價(jià)模型

目前評(píng)論分析大多停留在情感分析階段，根據(jù)得到的大量情感分析結(jié)果，對(duì)所評(píng)論的主題作出主觀判斷[10-12]。隨著生活質(zhì)量的提高，人們對(duì)于事物的評(píng)價(jià)不再停留在一個(gè)維度上，一個(gè)綜合的評(píng)價(jià)結(jié)果才能說明一個(gè)事物好壞。鑒于此，本文結(jié)合模糊矩陣，提出模糊綜合情感評(píng)價(jià)模型。

2.1 數(shù)據(jù)清洗

對(duì)數(shù)據(jù)進(jìn)行過濾，去掉一些重復(fù)和不必要的數(shù)據(jù)[13]即為數(shù)據(jù)清洗。對(duì)綜合評(píng)價(jià)來(lái)說，一組高質(zhì)量的數(shù)據(jù)直接影響到結(jié)果的準(zhǔn)確性。為得到可靠的數(shù)據(jù)需對(duì)獲取的數(shù)據(jù)進(jìn)行清洗[14]。清洗規(guī)則如下：

（1）刪除評(píng)論數(shù)據(jù)為空的數(shù)據(jù)?？諗?shù)據(jù)對(duì)于評(píng)論分析沒有任何意義，但是在最后的綜合性分析中會(huì)影響最終的綜合性評(píng)價(jià)結(jié)果。為了保證最終結(jié)果的準(zhǔn)確性，要對(duì)空數(shù)據(jù)進(jìn)行刪除。

（2）刪除虛假數(shù)據(jù)。在美團(tuán)評(píng)論系統(tǒng)中，越是評(píng)分高的店鋪被推薦的概率越大。所以，某些商戶為了利益最大化，存在虛假刷單的不誠(chéng)信行為。在眾多評(píng)論數(shù)據(jù)中就存在一些虛假和冗余的數(shù)據(jù)。只有刪除虛假數(shù)據(jù)才能保證評(píng)分結(jié)果的公平性。

刪除虛假數(shù)據(jù)的方法：1遍歷所有的評(píng)論數(shù)據(jù)，刪除評(píng)論相同的數(shù)據(jù);2設(shè)置一定的時(shí)間間隔，刪除同一時(shí)間間隔內(nèi)同一用戶的多條評(píng)論數(shù)據(jù)。

2.2 關(guān)鍵字概率與權(quán)重計(jì)算

模糊綜合情感評(píng)價(jià)模型因素集是從10幾萬(wàn)條評(píng)論中提取的高頻率關(guān)鍵字集合。假設(shè)每條評(píng)論語(yǔ)句提取[n]個(gè)關(guān)鍵字，一共有[K]條評(píng)論數(shù)據(jù)，令[A]表示所有評(píng)論可以提取出的關(guān)鍵字總和[15]，即：

將獲取的所有關(guān)鍵字進(jìn)行整理，重復(fù)的關(guān)鍵字進(jìn)行合并，則可以得到關(guān)鍵字[KEY]的集合。[KEY={key1，key2，][？，keyn}]，其中[keyn]表示第[n]個(gè)關(guān)鍵字，[KEY]集合中第[q]（[qn]）個(gè)關(guān)鍵字出現(xiàn)的概率[P（keyq）]計(jì)算公式如下：

式（3）中，[N（keyq）]表示第[q]個(gè)關(guān)鍵字的出現(xiàn)次數(shù)。本文提出的模型選取概率比較大，將能夠體現(xiàn)因素集特征的關(guān)鍵字作為評(píng)價(jià)指標(biāo)。

式（4）就是將[n]個(gè)評(píng)價(jià)因素的概率進(jìn)行歸一化處理，由此得到[n]個(gè)評(píng)價(jià)因素的權(quán)重向量為[A]。

2.3 評(píng)論語(yǔ)句的情感傾向分析

模糊評(píng)價(jià)矩陣的構(gòu)建離不開評(píng)論語(yǔ)句的情感分析，情感傾向分析是利用一定的方法判斷一個(gè)評(píng)論的情感傾向。使用情感詞典對(duì)評(píng)論語(yǔ)句中的語(yǔ)氣詞、程度副詞等打分，得出評(píng)論語(yǔ)句的情感傾向值[16-18]，步驟如下：①找到每條評(píng)論的情感詞，按照情感詞正負(fù)打分，正面情感評(píng)分加一，負(fù)面情感評(píng)分減一;②定位情感詞位置，搜索附近的程度副詞：不同類程度副詞為權(quán)重乘以情感詞基礎(chǔ)得分;遇到否定詞反轉(zhuǎn)詞，計(jì)算個(gè)數(shù)，奇數(shù)取基礎(chǔ)分的相反數(shù)，偶數(shù)不變;③對(duì)每條評(píng)論計(jì)算正、負(fù)情感得分：若正得分減去負(fù)得分大于零則為正向情感;若正得分減去負(fù)得分為零則為中等;若正得分減去負(fù)得分小于零則為負(fù)面情感。

2.4 模型構(gòu)建

模糊綜合情感評(píng)價(jià)模型如下：

其中，[U]表示因素集，[V]表示評(píng)語(yǔ)集，[C]表示評(píng)價(jià)結(jié)果統(tǒng)計(jì)矩陣，[A]表示權(quán)重向量，[B]表示綜合評(píng)價(jià)結(jié)果矩陣。

計(jì)算得出因素集[U]。評(píng)價(jià)過程是將每條評(píng)論與因素集中的關(guān)鍵字進(jìn)行匹配。如果匹配成功則記錄對(duì)應(yīng)評(píng)論語(yǔ)句的情感值，根據(jù)情感值大小得到相應(yīng)的評(píng)語(yǔ)從而得到評(píng)語(yǔ)集[V]。對(duì)獲得的評(píng)語(yǔ)結(jié)果個(gè)數(shù)進(jìn)行統(tǒng)計(jì)，得到評(píng)價(jià)結(jié)果統(tǒng)計(jì)矩陣[C]。

式（5）中，[cmn]表示評(píng)價(jià)為[vn]，關(guān)鍵字為[keym]的評(píng)論語(yǔ)句個(gè)數(shù)。

對(duì)于單個(gè)因素[Ui][（i=1，？，m）]進(jìn)行評(píng)判，得[V]上的[F]集[{ri1，ri1，？，rim}]，所以它是從[U]到[V]的一個(gè)映射。

映射[f]可以確定一個(gè)[F]的關(guān)系[R∈μm×n]，則模糊評(píng)價(jià)矩陣[R]可表示為：

式（8）中，[rij]由公式（9）計(jì)算得出：

綜合評(píng)價(jià)結(jié)果[B]由權(quán)重向量[A]與模糊矩陣[R]相乘得到：

式（10）中，[bn]代表第[n]個(gè)評(píng)語(yǔ)的值。

由上述公式求得模型包含的關(guān)鍵變量，從而構(gòu)建出基于模糊矩陣的模糊綜合情感評(píng)價(jià)模型。

2.4 數(shù)據(jù)處理流程

針對(duì)模糊綜合評(píng)價(jià)模型不足本文做了改進(jìn)。對(duì)美團(tuán)海量評(píng)論數(shù)據(jù)進(jìn)行關(guān)鍵字提取，選取評(píng)論中出現(xiàn)最多的關(guān)鍵字作為商品屬性，構(gòu)建真實(shí)反映顧客對(duì)商品關(guān)注點(diǎn)的因素集;權(quán)重矩陣完全按照概率統(tǒng)計(jì)得到的數(shù)據(jù)進(jìn)行賦值，對(duì)評(píng)論中關(guān)注點(diǎn)最高的屬性賦予最大值，所有賦值經(jīng)過歸一化處理。

模型構(gòu)建流程如圖2所示。

首先對(duì)在美團(tuán)上爬取到的數(shù)據(jù)按照數(shù)據(jù)清洗規(guī)則進(jìn)行清洗，然后對(duì)清洗過的評(píng)論數(shù)據(jù)進(jìn)行關(guān)鍵字提取和情感傾向分析，用關(guān)鍵字提取結(jié)果計(jì)算出模糊矩陣權(quán)重，情感傾向分析結(jié)果用來(lái)構(gòu)建模糊評(píng)價(jià)矩陣，最后計(jì)算出模糊綜合評(píng)價(jià)結(jié)果。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)與環(huán)境

在Win10系統(tǒng)下，使用Mysql數(shù)據(jù)庫(kù)，采用Python爬蟲框架[19-20]，對(duì)美團(tuán)上的餐飲評(píng)論數(shù)據(jù)進(jìn)行爬取。本實(shí)驗(yàn)爬取某連鎖餐飲品牌的評(píng)論數(shù)據(jù)，一共有111 493條。評(píng)分是用戶按照自己的意愿給出的分?jǐn)?shù)，滿分是50分。實(shí)驗(yàn)根據(jù)兩個(gè)數(shù)據(jù)清洗規(guī)則對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，首先將空白評(píng)論的數(shù)據(jù)刪除，然后刪除虛假數(shù)據(jù)。經(jīng)過清洗后，剩余數(shù)據(jù)一共有105 000條。

3.2 實(shí)驗(yàn)過程

使用NLPIR-ICTCLAS漢語(yǔ)分詞系統(tǒng)輸入評(píng)論數(shù)據(jù)，根據(jù)式（2）、式（3）得到最大概率的13個(gè)關(guān)鍵詞，即因素集U={味道，口味，環(huán)境，服務(wù)，態(tài)度，位置，排隊(duì)，時(shí)間，價(jià)格，套餐，老板，覺得，口感}，再根據(jù)式（4）對(duì)評(píng)價(jià)指標(biāo)的概率值進(jìn)行歸一化處理，得到各個(gè)評(píng)價(jià)指標(biāo)重要程度的描述，即得到式（1）的權(quán)重向量[A]。各個(gè)評(píng)價(jià)因素的權(quán)重如表1所示。

從表1可以看出，權(quán)重比較大的是“味道”和“口味”兩個(gè)因素，說明大多數(shù)的顧客對(duì)菜品的口味比較注重。作為一個(gè)商家來(lái)說，著重關(guān)注自己菜品的味道可提高顧客的滿意度。

情感傾向分析使用百度AI的情感分析方法[20-22]，negative_prob表示感情消極概率，positive_prob表示感情積極概率。根據(jù)輸入輸出規(guī)范，得出每條評(píng)論的情感得分，如表2所示。

由情感得分表得出評(píng)論情感傾向的概率，將評(píng)價(jià)結(jié)果分為“很積極” “積極” “態(tài)度溫和” “消極” “很消極”5個(gè)級(jí)別，即評(píng)語(yǔ)集V={很積極，積極，態(tài)度溫和，消極，很消極}。整理情感分析結(jié)果，得到評(píng)論情感傾向的數(shù)目統(tǒng)計(jì)表，由表3構(gòu)建式（5）的矩陣[C]，再根據(jù)公式（9）得出模糊矩陣[R]。

最后由式（10）得出綜合評(píng)價(jià)結(jié)果[B]

3.3 結(jié)果分析

將“積極”與“很積極”兩個(gè)結(jié)果之和表示為趨向正向的結(jié)果，則趨向正向的結(jié)果值為0.84%。根據(jù)獲取的美團(tuán)數(shù)據(jù)，得到店鋪趨向正向的平均評(píng)分為41分，總分為50分，換算成比例趨向正向結(jié)果的值為0.82%。模糊綜合評(píng)價(jià)結(jié)果與美團(tuán)數(shù)據(jù)的結(jié)果僅僅相差0.02%，說明通過模糊綜合評(píng)價(jià)法得到的結(jié)果與美團(tuán)平臺(tái)的評(píng)分結(jié)果高度一致，驗(yàn)證了模型的可靠性。模糊綜合評(píng)價(jià)體系不僅得出了總體的評(píng)價(jià)結(jié)果，而且從“口味”“位置”“價(jià)格”等多個(gè)角度對(duì)商品進(jìn)行評(píng)價(jià)，得出的結(jié)果為顧客提供了更精準(zhǔn)的選擇指導(dǎo)。同時(shí)商家也可從模型的詳細(xì)評(píng)分中得到啟發(fā)，改善經(jīng)營(yíng)模式，在激烈的市場(chǎng)競(jìng)爭(zhēng)中搶奪先機(jī)。

4 結(jié)語(yǔ)

針對(duì)現(xiàn)有評(píng)價(jià)模型的不足之處，本文提出基于模糊矩陣的情感分析模型，并給出模型的形式化描述。模型在美團(tuán)海量評(píng)論數(shù)據(jù)中進(jìn)行關(guān)鍵詞提取，確定的因素集很好地反映出顧客的真實(shí)關(guān)注點(diǎn)，應(yīng)用概率統(tǒng)計(jì)的知識(shí)構(gòu)建權(quán)重矩陣，避免了人為賦值造成的主觀影響。

在美團(tuán)評(píng)論數(shù)據(jù)集上的實(shí)驗(yàn)證明了模型的有效性。根據(jù)模型的分析結(jié)果，不僅能得出顧客對(duì)商家的綜合性評(píng)價(jià)結(jié)果，還能得到店鋪口味、價(jià)格等不同屬性的評(píng)分，滿足不同顧客對(duì)同屬性評(píng)分的需求，一定程度上幫助顧客更精準(zhǔn)地選擇合適的商家，也為商家調(diào)整經(jīng)營(yíng)模式，改變經(jīng)營(yíng)策略提供了數(shù)據(jù)參考。

參考文獻(xiàn)：

[1] 李衛(wèi)忠. 商品質(zhì)量的綜合評(píng)價(jià)體系及方法研究[J]. 價(jià)值工程，2006（9）：67-70.

[2] 封麗. 面向微博短文本的情感分析和特征抽取[J]. 農(nóng)業(yè)圖書情報(bào)學(xué)刊，2018（9）：56-60.

[3] 李耀林. 面向評(píng)價(jià)對(duì)象的商品評(píng)論情感傾向性分析研究[D]. 杭州：浙江工商大學(xué)，2013.

[4] ZHAO J，DONG L，WU J， et al. Moodlens： an emoticon-based sentiment analysis system for chinese tweets[C].? knowledge discovery and data mining， 2012： 1528-1531.

[5] 楊靜. 電子商務(wù)網(wǎng)站商品模糊評(píng)價(jià)模型的構(gòu)建[J]. 現(xiàn)代情報(bào)，2013，33（4）：31-33.

[6] 王雪，時(shí)偉，胡瑞庚，柏進(jìn)財(cái). 基于模糊矩陣的鋼結(jié)構(gòu)質(zhì)量量化評(píng)價(jià)方法的研究[J]. 青島理工大學(xué)學(xué)報(bào)，2018，39（5）：24-29.

[7] 孫禮娜，劉先蓓. 基于熵值法賦權(quán)的縣域開放水平模糊綜合評(píng)價(jià)[J]. 遼寧工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，39（4）：273-276.

[8] 王雙，李志平，辛倩，等. 模糊綜合評(píng)價(jià)法的整體安全評(píng)估[J]. 現(xiàn)代電子技術(shù)，2019，42（11）：82-86.

[9] 許謙. 確定模糊評(píng)價(jià)綜合因素權(quán)重的一個(gè)方法[J]. 大學(xué)數(shù)學(xué)，2005（1）：99-103.

[10] 冀乃彬.? 基于美團(tuán)點(diǎn)評(píng)拼團(tuán)項(xiàng)目的前端優(yōu)化實(shí)踐[D]. 南京：南京大學(xué)，2018.

[11] 李蕙蕙，張韻，鄒慧，等. 基于美團(tuán)大數(shù)據(jù)的武漢地區(qū)火鍋餐飲經(jīng)濟(jì)分析[J]. 技術(shù)與市場(chǎng)，2017，24（10）：214-216.

[12] 丁俊飛. 基于競(jìng)爭(zhēng)情報(bào)的O2O模式企業(yè)競(jìng)爭(zhēng)力評(píng)價(jià)體系研究[D]. 合肥：安徽大學(xué)，2017.

[13] 陳曉玲，褚漢，許鈞儒. 基于情感分析的商品評(píng)價(jià)模型構(gòu)建研究[J]. 銅陵學(xué)院學(xué)報(bào)，2018（6）：10-12.

[14] BIRAJ DAHAL，SATHISH A? P KUMAR， LI Z L. Topic modeling and sentiment analysis of global climate change tweets[J].? Social Network Analysis and Mining，2019，9（1）：157-168.

[15] LIU D J， ZHOU W G， HE S J. Risk Assessment for urban gas transmission and distribution system using fuzzy comprehensive evaluation method[J]. Journal of Pipeline Systems Engineering and Practice，2018，9（1）：914-919.

[16] 張洪玲， 張琦.? SaaS軟件質(zhì)量分層模糊綜合評(píng)價(jià)方法研究[J].? 軟件導(dǎo)刊，2015（3）：1-3.

[17] YANG Y，SONG Y. Research on the performance assessment of teaching cloud platform based on fuzzy comprehensive evaluation[J]. Journal of Physics： Conference Series，2019，1213（4）：1081-1112.

[18] MARIN A，MOMTAZ J，RUBAIYA K，et al. Risk assessment based on fuzzy synthetic evaluation method [J]. The Science of the total environment，2019（658）：520-531.

[19] HOGENBOOM A，BAL D，F(xiàn)RASINCAR F，et al. Exploiting emoticons in sentiment analysis[C]. ACM symposium on applied computing， 2013： 703-710.

[20] 盧竹兵，李玉州. 基于網(wǎng)絡(luò)評(píng)論情感信任分析的推薦策略[J]. 計(jì)算機(jī)科學(xué)，2019，46（6）：75-79.

（責(zé)任編輯：杜能鋼）