论文部分内容阅读
近年来,随着Web 2.0技术的飞速发展,网络购物作为电子商务的一种重要形式被人们普遍接受和认可,已经成为人们日常消费的重要途径。网络购物与传统的实体消费显著不同是所购商品只能通过网络可呈现的方式如文字、图像、声音等展现给消费者,商品直观感知及试用性体验则受到极大限制,这样使得以互联网为平台的在线口碑的传播凸显其巨大的影响力和重要性。消费者对选购商品所发布的在线评论,作为网络口碑延伸的一种形式,得到了迅猛的发展。在线评论正深刻改变着消费者的购物行为模式、企业的赢利性及其市场策略。有数据资料显示,超过半数的网络消费者依赖于网站在线评论进行在线购物,订购商品之前浏览过在线评论的消费者高达98%。产品供应商或零售商通过用户在线评论,不仅可以吸引更多的消费者访问其网站,帮助消费者找到合适的商品,而且能够依靠文本挖掘等技术手段,了解消费者的购物感受、体验和习惯,最终达到产品的促销和价值增长的目地。在线评论已经成为企业营销策略中不可或缺的新要素。然而,日益增多的在线评论也给网络购物带来了挑战。电商平台每天大量在线评论的产生造成了信息过载,电商产品生产和经营企业以及网络平台供应商都面临着难于识别和选择可靠在线评论数据来挖掘和分析消费者在线评论感知有用性的问题。针对这一问题,对消费者在线评论感知有用性评价问题的研究,基于在线评论感知有用性评价的产品销量预测问题的研究,无论是对电商生产或销售企业还是网站商品评价系统的建设都具有十分重要的现实意义。本文基于消费者行为理论(TRA、TPB、TAM、TAM2)、泽瑟摩尔顾客感知价值理论、信息传播理论(霍夫兰德传播说服理论、ELM理论),研究在线评论文本挖掘分析流程及方法,研究消费者在线评论感知有用性评价方法,研究基于在线评论感知有用性评价的产品销量预测等问题,目的是帮助电商企业(产品生产企业和经营企业以及网站平台)真正了解和掌握客户的动态需求及其对产品质量和服务的满意度,提供可靠的决策依据和增加消费者网购粘性。本文主要工作具体体现在以下四个方面:(1)探讨基于语义词典的在线评论文本挖掘原理和方法并进行有效性分析。首先,提出基于语义词典的设计思想和流程。其次,讨论在线评论句集中<特征词,观点词>对的抽取原理和方法,接着讨论基于<特征词,观点词>对抽取的在线评论情感极性度量及强度计算原理和方法,重点分析特征词和观点词抽取的推导过程和实现细节,阐述在线评论情感极性度量和强度计算的实现步骤。最后,通过应用结果分析发现,评价基于语义词典的在线评论商品特征词抽取方法,在特征词分类准确性方面优于其他机器学习方法。(2)在线评论感知有用性评价模型的构建。针对在线评论感知有用性的重要影响因素,从在线评论的外部特征感知有用、内部特征感知有用和评论者可信度三个维度进行深入探讨。首先,构建在线评论感知有用性影响因素模型并进行模型测度指标分析,基于此分析,构建在线评论感知有用性评价指标体系。其次,抓取亚马逊中国在线评论原始数据,通过文本挖掘方法,清洗并预处理而获得在线评论感知有用性评价指标样本数据。最后,从在线评论外部特征感知有用、内部特征感知有用、评论者可信度三个维度进行基于结构方程SEM模型的验证性分析,检验在线评论感知有用性评价指标对模型影响的显著性,同时也检验结构方程SEM模型的合理性和稳健性。(3)在线评论感知有用性评价模型应用研究。针对在线评论感知有用性评价指标数据的获取和处理,评价模型显著性检验及在线评论感知有用性评价方法等技术问题,设计在线评论感知有用性评价流程。应用灰色综合评价方法,随机选取已获得的在线评论样本记录,对其感知有用性进行评价。(4)基于在线评论感知有用性评价的产品销量预测研究。首先,针对在线评论感知有用性评价指标对产品销量影响作用进行分析,构建基于在线评论感知有用性评价的产品销量预测模型。其次,针对预测模型测度指标的选择进行了理论分析。接着,在预测模型显著性检验方法上,针对多元线性回归模型对大样本非线性数据预测准确性不高的问题,构建基于支持向量机SVM回归模型加以解决。最后,通过抓爬软件收集亚马逊中国网站上多种知名品牌手机的相关原始数据,经数据的清洗、预处理及在线评论文本挖掘,统计整理出预测应用研究样本数据,进行经典多元线性回归和支持向量机回归应用分析。最后,依据分析结果,对两种模型进行了预测性能的比较,得出相关结论。本文通过应用分析研究,检验消费者在线评论感知有用性评价模型及基于在线评论感知有用性评价的产品销量预测模型在网络消费领域的适用性,为在线评论这一领域的相关研究提供全新的视角,同时也对电商网站及其在线评论系统的改进和优化提供有建设性的实践参考。