IMDB_Sentiment_Analysis 鉴于大量的在线评论数据（Amazon，IMDB等），情绪分析变得越来越重要。 在这个项目中，建立了一个情感分类器，用于评估一段文字的极性是正还是负。 情感分析是在Keras随附的IMDB数据集上完成的。 它由25,000个训练样本（其中20％是验证样本）和25,000个测试样本组成。 数据集中的所有单词均已预先标记。 使用自训练的单词嵌入（Keras嵌入层）。 我训练了不同的模型，其中一个模型包含一个LSTM层。 它在10个时元上的准确度为84％。 第二个示例由两组Conv1D和MaxPooling1D图层组成，后面是标准GRU图层。 观察到85％的准确性。 我已经将CuDNN层用于LSTM和GRU，因为它们在GPU上的速度比标准LSTM和GRU层快得多。 所有实现都是使用Keras进行的。 另一个具有RMS Prop精度的示例为84％，而

Customer_satisfaction_Analysis 结果整合 Demo 演示 基于用户 UGC 的在线民宿满意度挖掘，负责数据采集、主题抽取、情感分析等任务。开发的目的是克服用户打分和评论不一致，实现了在线评论采集和用户满意度分析。 主要功能包括在线原始评论采集、主题聚类、评论情感分析与结果可视化展示等四个模块，如下所示。 提取后的民宿地址和在线评论等信息如下。 搭建了百度地图 POI 查询入口，可以进行自动化的批量查询地理信息。 通过高频词可视化展示，归纳出评论主题。 构建了基于在线民宿语料的 LDA 自动化主题聚类模型，利用主题中心词能找出对应的主题属性字典，并使用用户打分作为标注，然后通过多种分类模型，选用最优模型对提出的评价主体 进行情感分析，针对主题属性表进行主题提取后的文本进行情感分析，分别得出当前主题对应的情感趋势，横坐标为所有关于主题为“环境”的情感得分，纵坐标为

目的–到目前为止，文献中用于研究在线评论内容的文本挖掘技术非常不同，因此对于愿意复制分析的学者和公司可能会造成混乱。 本文旨在提出和说明一个统一的结构化研究程序，以从在线评论中发现情感和心理上的品牌联想，目的是分析品牌定位和识别品牌细分。 设计/方法/方法-从化妆品的在线零售商那里收集了62496条在线评论，这些评论属于“腮红”产品类别的44个品牌。 基于词典的工具语言查询和字数统计（LIWC）用于进行文本挖掘分析。 总共选择了26个文本变量作为品牌定位和品牌细分分析的输入。 调查结果–我们说明了如何使用文本数据来发现情感和心理品牌联想。 在所研究的化妆品类别中，与积极情绪相关的词语最为常见。 此外，代表感知过程的词语（例如，视觉和感觉），与身体相关的词语以及反映时间和空间问题的词语也与产品类别相关。 基于品牌关联，本研究发现了该类别中的四个品牌集群。 实际意义–这项研究为市场营销从业人员（尤其是中小型公司的营销从业人员）提供了易于实施的程序，以发现在线评论的文字内容，以研究品牌定位和细分。 原创性/价值–这项研究是提供统一和结构化指南的先驱，该指南从在线评论的文本内容中发现情感和心理品牌联想，以研究品牌定位并确定品牌细分。

通过当前产品特征提取方法获得的在线评论的产品特征集具有较低的评论信息覆盖率。 为了解决这个问题，本文提出了一种基于KNN算法的产品特征提取方法。 首先建立产品特征集的分类系统。 然后我们手动提取一部分产品特征作为训练集，并根据词与分类系统之间的相似性，快速对所有评论的产品特征进行分类和提取。 最后，使用PMI算法对其进行过滤和补充，以提高产品特征集的正确率和评论信息覆盖率。 通过淘宝平台在线服装评论数据示例，证明该方法可以有效提高产品功能集的评论信息覆盖率。

在线评论数据挖掘视角下的产品改良设计研究.pdf

电商平台在线评论分析研究综述.pdf

基于模糊TOPSIS分析的在线评_省略_滤模型研究_以亚马逊手机评论为例_张艳丰.caj

在线商品评论效用排序模型研究_李志宇.caj

面向用户信息需求的移动O2O在线_省略_论有用性排序模型研究_以美团为例_郭顺利.caj

使用模拟浏览器方法爬取携程网的在线评论，header自行添加