大數(shù)據(jù)視角下基于深度學(xué)習(xí)的負(fù)面口碑情感評(píng)估研究

陸智賢

摘要：大數(shù)據(jù)時(shí)代，在線評(píng)論提供了海量的產(chǎn)品與服務(wù)信息，成為消費(fèi)者購(gòu)買行為決策的重要信息源。文章采用卷積神經(jīng)網(wǎng)絡(luò)和局部特征提取相結(jié)合的方法對(duì)在線評(píng)論中的負(fù)面情感進(jìn)行識(shí)別與提取。采用模糊推理系統(tǒng)進(jìn)行綜合評(píng)估。研究發(fā)現(xiàn)，基于模糊推理系統(tǒng)的負(fù)面口碑情感評(píng)估也取得了較好的評(píng)估效果，具有一定的實(shí)踐指導(dǎo)意義與價(jià)值。

關(guān)鍵詞：負(fù)面口碑;情感分類;卷積神經(jīng)網(wǎng)絡(luò);情感評(píng)估

一、引言

在線評(píng)論真實(shí)的記錄了消費(fèi)者對(duì)商品的感受，數(shù)量巨大、信息蘊(yùn)含量豐富，為其他消費(fèi)者的在線購(gòu)物意愿及行為提供了決策依據(jù)。

二、基于深度學(xué)習(xí)的負(fù)面口碑情感分類

本文采用深度學(xué)習(xí)對(duì)在線評(píng)論情感進(jìn)行分析，提出基于深度學(xué)習(xí)的負(fù)面口碑情感分類方法。

（一）情感詞提取

基礎(chǔ)情感詞典主要是采用知網(wǎng)評(píng)價(jià)詞典和NTSUSD，以“喜歡”為例，“很喜歡”、“喜歡”、“不喜歡”、“不是很喜歡”、“很不喜歡”分別賦值為+2、+1、0、-1、-2。在此基礎(chǔ)上，通過(guò)加權(quán)求和，獲得文本最終情感詞，如最終值為正數(shù)則是正向情感，否則為負(fù)向情感。

（二）擴(kuò)展情感詞提取

本文利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)在線評(píng)論情感分析進(jìn)行識(shí)別，形成基于卷積神經(jīng)網(wǎng)絡(luò)和局部特征提取的情感分類方法。結(jié)合情感詞典，以情感詞wi為中心，采用[-2，+2]的窗口內(nèi)容作為情感詞的上下文，即{wi-2，wi-1，wi，wi+1，wi+2}，然后利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行多尺度的卷積，從而提取情感詞上下文特征。

在本文中主要?jiǎng)澐譃?類：正向情感和負(fù)向情感，計(jì)算公式如下：

y^=softmat（whh+bh）

其中，y^為預(yù)測(cè)標(biāo)簽，bh是偏置，wh是權(quán)重矩陣。

三、基于模糊推理的負(fù)面口碑情感評(píng)估

負(fù)面口碑情感預(yù)警主要是在基于深度學(xué)習(xí)的情感分類基礎(chǔ)上，對(duì)情感詞極性與情感強(qiáng)度進(jìn)行計(jì)算，并構(gòu)建預(yù)警模型，完成負(fù)面口碑情感評(píng)估。

在上述預(yù)警模型分析基礎(chǔ)上，采用模糊推理系統(tǒng)進(jìn)行負(fù)面口碑情感評(píng)估。為了結(jié)合在線評(píng)論情感劃分對(duì)負(fù)面口碑情感進(jìn)行自動(dòng)化評(píng)估，本文借鑒前人研究成果采用模糊推理系統(tǒng)（FuzzyInferenceSystem，F(xiàn)IS）設(shè)定計(jì)算規(guī)則，進(jìn)而完成求解。具體見(jiàn)表1所示。

四、實(shí)例驗(yàn)證及分析

（一）數(shù)據(jù)情感分類

針對(duì)62000條實(shí)驗(yàn)數(shù)據(jù)，采用2.2中卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行情感分類。在具體評(píng)論中，采用準(zhǔn)確率、召回率和F值來(lái)進(jìn)行綜合評(píng)價(jià)。深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中的準(zhǔn)確率、召回率、F 值的變化見(jiàn)圖1所示。

通過(guò)圖1可知，Epoch在50之后，準(zhǔn)確率、召回率、F 值等各項(xiàng)指標(biāo)數(shù)值趨于平穩(wěn)，由此可知訓(xùn)練已經(jīng)達(dá)到了最佳效果。通過(guò)softmax函數(shù)，對(duì)其進(jìn)行情感極性分類，最終得到負(fù)向情感評(píng)論23244條。

（二）負(fù)面口碑預(yù)警

對(duì)23244條負(fù)向情感評(píng)論，根據(jù)情感分類的規(guī)則模型，計(jì)算情感詞極性值和情感強(qiáng)度，具體結(jié)果見(jiàn)表2所示。

利用MATLAB軟件結(jié)合負(fù)面口碑情感品牌信任模糊推理系統(tǒng)，輸入變量數(shù)目設(shè)定為5，輸出函數(shù)為Constant。模糊推理系統(tǒng)優(yōu)化方法為hybrid，設(shè)置精度為0，訓(xùn)練次數(shù)為0，模糊推理訓(xùn)練次數(shù)與誤差結(jié)果見(jiàn)圖2所示。

采用Mamdani方法進(jìn)行推理，利用加權(quán)平均法進(jìn)行清晰化處理，推理過(guò)程見(jiàn)圖3所示。

以感知質(zhì)量、顧客滿意對(duì)品牌信任度的影響為例，構(gòu)建三維立體圖，見(jiàn)圖4所示。

通過(guò)實(shí)驗(yàn)得到感知質(zhì)量為-2.43，顧客滿意為-1.89，感知體驗(yàn)為-1.94，感知價(jià)值為-2.08，品牌聲譽(yù)為-1.43，最終品牌信任度為-2.13。結(jié)合負(fù)面口碑情感評(píng)估結(jié)果可知負(fù)面評(píng)論中，感知質(zhì)量危機(jī)>感知價(jià)值危機(jī)>感知體驗(yàn)危機(jī)>顧客滿意危機(jī)>品牌聲譽(yù)危機(jī)，最終品牌信任度位于等級(jí)IV，存在巨大風(fēng)險(xiǎn)。顯而易見(jiàn)，負(fù)面口碑情感預(yù)警模型能夠根據(jù)負(fù)面評(píng)論對(duì)消費(fèi)者品牌信任度進(jìn)行綜合評(píng)價(jià)，并對(duì)其中的危機(jī)因子進(jìn)行分析，為電子商務(wù)企業(yè)危機(jī)管理提供依據(jù)。

五、結(jié)語(yǔ)

本文提出了大數(shù)據(jù)視角下基于深度學(xué)習(xí)的負(fù)面口碑情感預(yù)警方法，采用基于卷積神經(jīng)網(wǎng)絡(luò)和局部特征提取的情感分類方法對(duì)情感強(qiáng)度進(jìn)行計(jì)算，構(gòu)建負(fù)面口碑情感預(yù)警模型，采用模糊推理系統(tǒng)完成負(fù)面口碑情感預(yù)警與評(píng)估。通過(guò)負(fù)面口碑情感預(yù)警模型與模糊推理系統(tǒng)驗(yàn)證發(fā)現(xiàn)，其危機(jī)屬性因素從大到小分別為感知質(zhì)量危機(jī)、感知價(jià)值危機(jī)、感知體驗(yàn)危機(jī)、顧客滿意危機(jī)、品牌聲譽(yù)危機(jī)，最終品牌信任度位于等級(jí)IV，存在巨大風(fēng)險(xiǎn)。為此，相關(guān)電子商務(wù)企業(yè)需要提高產(chǎn)品質(zhì)量與服務(wù)，滿足消費(fèi)者情感體驗(yàn)，提高其滿意度與忠誠(chéng)度，從而有效的規(guī)避風(fēng)險(xiǎn)，提高其市場(chǎng)競(jìng)爭(zhēng)力。

參考文獻(xiàn)：

[1]張艷豐，李賀，彭麗徽.負(fù)面評(píng)論挖掘的網(wǎng)絡(luò)口碑危機(jī)預(yù)警模糊推理[J].圖書(shū)情報(bào)工作，2016，60（09）：75-82.

[2]余傳明.基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的跨領(lǐng)域文本情感分析[J].圖書(shū)情報(bào)工作，2018，62（11）：23-34.

[3]劉開(kāi)第，龐彥軍，栗文國(guó)，金斕.模糊綜合評(píng)判加權(quán)平均模型的誤導(dǎo)性闡釋[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2019，49（08）：218-225.

（作者單位：江蘇大學(xué)管理學(xué)院）