- 年份
- 2024(10247)
- 2023(14831)
- 2022(12922)
- 2021(12131)
- 2020(10190)
- 2019(23489)
- 2018(23300)
- 2017(44882)
- 2016(24441)
- 2015(27632)
- 2014(27479)
- 2013(26624)
- 2012(24359)
- 2011(21744)
- 2010(21259)
- 2009(19155)
- 2008(18202)
- 2007(15616)
- 2006(13389)
- 2005(11237)
- 学科
- 济(91548)
- 经济(91433)
- 管理(68864)
- 业(63423)
- 企(53142)
- 企业(53142)
- 方法(45230)
- 数学(39534)
- 数学方法(38935)
- 农(24538)
- 财(23855)
- 中国(23552)
- 学(22320)
- 业经(20148)
- 地方(17911)
- 制(17044)
- 理论(16773)
- 农业(16232)
- 贸(15621)
- 贸易(15616)
- 易(15150)
- 务(15143)
- 财务(15061)
- 财务管理(15025)
- 和(14899)
- 技术(14772)
- 环境(14304)
- 企业财务(14221)
- 银(13344)
- 银行(13283)
- 机构
- 大学(337266)
- 学院(335242)
- 管理(133231)
- 济(127022)
- 经济(124176)
- 理学(116454)
- 理学院(115164)
- 管理学(112797)
- 管理学院(112223)
- 研究(111724)
- 中国(80787)
- 科学(72829)
- 京(71703)
- 农(59487)
- 财(57160)
- 所(55868)
- 业大(54932)
- 研究所(51587)
- 中心(50962)
- 江(47920)
- 农业(47083)
- 财经(46463)
- 北京(44470)
- 范(44165)
- 师范(43580)
- 经(42470)
- 院(41626)
- 州(38702)
- 技术(37959)
- 经济学(37478)
- 基金
- 项目(242097)
- 科学(189307)
- 基金(175087)
- 研究(173022)
- 家(154658)
- 国家(153410)
- 科学基金(131132)
- 社会(106564)
- 社会科(100783)
- 社会科学(100754)
- 省(95376)
- 基金项目(93000)
- 自然(88248)
- 自然科(86203)
- 自然科学(86176)
- 自然科学基金(84592)
- 划(80857)
- 教育(80389)
- 资助(72509)
- 编号(70484)
- 成果(56051)
- 重点(54374)
- 部(52690)
- 发(50903)
- 创(50337)
- 课题(48680)
- 科研(47105)
- 创新(46979)
- 计划(45360)
- 大学(44794)
- 期刊
- 济(132166)
- 经济(132166)
- 研究(93391)
- 中国(61791)
- 学报(59864)
- 农(52970)
- 科学(52741)
- 管理(48306)
- 大学(44965)
- 财(43270)
- 学学(42444)
- 教育(39454)
- 农业(36810)
- 技术(30245)
- 融(24081)
- 金融(24081)
- 业经(22498)
- 财经(21834)
- 经济研究(21203)
- 业(18641)
- 经(18608)
- 图书(18230)
- 问题(17096)
- 科技(16998)
- 版(16936)
- 业大(16176)
- 理论(15671)
- 技术经济(15245)
- 实践(14479)
- 践(14479)
共检索到473380条记录
发布时间倒序
- 发布时间倒序
- 相关度优先
文献计量分析
- 结果分析(前20)
- 结果分析(前50)
- 结果分析(前100)
- 结果分析(前200)
- 结果分析(前500)
[期刊] 情报理论与实践
[作者]
唐晓波 朱娟 杨丰华
［目的／意义］构建针对网络在线评论的情感分析模型，一方面可以为用户决策提供支持；另一方面又可以帮助产品或服务提供商了解用户情感倾向，提升用户体验。［方法／过程］提出了基于情感本体和ｋ ＮＮ算法的在线评论情感分类模型。该模型基于情感本体，通过对情感词数量和情感程度进行加权，提出了褒义量和贬义量的概念，并以此作为ｋ ＮＮ算法的特征向量。通过爬取豆瓣网电影评论进行训练和测试，并分别从褒性评论和贬性评论的角度对分类效果进行评价。［结果／结论］结果表明，本算法在分类准确率和召回率方面都具有不错的水平，但同时对贬性评论分类效果优于褒性评论，为未来研究提供了新的思路。
关键词：
在线评论 情感分类 k最近邻分类法 本体
[期刊] 数据分析与知识发现
[作者]
张艳丰 李贺 彭丽徽 侯力铁
【目的】针对中文网络平台在线评论,提出一种用于过滤用户评论的有用性排序和分类模型,辅助消费者做出购买决策。【方法】从在线评论情感语义的形式特征和内容特征两个方面,提取影响在线评论有用性的6个指标属性进行量化计算,采用灰色加权关联度分析方法构建在线评论有用性评价体系,通过K-means聚类方法,构建过滤用户在线评论的有用性分类模型。【结果】以亚马逊电子商务平台的手机在线评论为例,通过计算召回率、准确率与F值,验证了本文在线评论有用性分类算法的有效性。实验结果表明本方法能够有效辨别在线评论有用性,尤其对极性评
[期刊] 上海对外经贸大学学报
[作者]
魏仁干 郑建国
自媒体的快速发展,形成了大规模影响公众意见的在线评论,挖掘分析评论文本中隐含的情感极性,已经受到业界和学术界的广泛关注。但是学术界还没有实证研究探讨在线评论对品牌价值和销售收入的影响及机理。本文以文本挖掘技术和多元回归方法,研究在线评论情感极性对品牌价值和销售收入的影响。本文选取100个汽车品牌2012~2016年的销量数据为样本,分析在线评论情感极性的营销效应。研究结果表明,汽车专业网站的在线评论情感极性对汽车品规销量有显著影响。在线情感极性除了通过品牌价值对汽车品规销量产生间接显著影响,还对品牌有直接显著影响。
[期刊] 情报理论与实践
[作者]
朱晓霞 宋嘉欣 孟建芳
[目的/意义]近些年来,随着互联网的快速发展,微博逐渐成为人们发表言论的一个社交网络平台。通过对大量评论信息进行情感分析,对政府进行舆情治理、企业市场决策和消费行为分析具有十分重要的意义。[方法/过程]文章针对微博评论表达的特点,提出一种基于主题—情感挖掘模型的无监督情感分类方法,通过将语义角色标注、TF-IDF和K-means聚类方法相结合,构建情感单元词表和主题—情感匹配词表,同时挖掘出评论中主题和情感的分布与联系,并利用点互信息(Pointwise Mutual Information,PMI)和情感词典的方法计算主题词的情感极性值,基于此进行情感分类。[结果/结论]经实验证明,该方法同时考虑了评论中的主题分布与情感极性信息,解决了主题模型中常见的数据稀疏问题,提高了情感分类的效率和准确性,在F值上比S-LDA模型提高了14.24%。
[期刊] 图书情报工作
[作者]
唐晓波 兰玉婷
［目的 ／意义］微博平台产品评论的特征级情感分析问题具有其特殊性，为了对特征分类，解决隐式特征的识别问题，并分析特征情感，提出一种基于特征本体的产品评论情感分析方法。［方法 ／过程］该方法利用构建的特征本体对特征词分类，通过计算情感词与特征的搭配权重来识别隐式特征，并构建领域情感词典和微博表情符号词典，计算微博产品评论的特征情感极性和强度。［结果 ／结论］构建方法模型，通过采集微博评论数据设计实验，验证了提出方法的有效性。
关键词：
特征 本体 产品评论 情感分析 微博
[期刊] 情报科学
[作者]
刘丽娜 齐佳音 齐宏伟 蒋思
【目的/意义】基于离散情感理论,对电商平台在线评论中所含不同离散情感的分布规律进行探究,发掘其对于营销管理的实践意义。【方法/过程】以手机这一搜索型产品的海量中文评论为研究对象,以情感认知模型OCC模型为情感分类依据,通过深度学习的方法构建离散情感语料库,并在此基础上对不同评论星级、不同的商品购买和评论发布的时间间隔中,评论所包含离散情感的分布特征进行了深入的研究。【结果/结论】研究发现:包含不同离散情感的评论在不同评论星级中的分布情况差别较大,在不同时间间隔中的分布曲线却大致相同,虽都与"长尾分布"非常
[期刊] 情报科学
[作者]
吴应良 黄媛 王选飞
【目的/意义】在电子商务服务中,用户评论对交易决策与用户行为的影响日益凸显,如何根据这一重要的在线语料数据集来正确判断用户的情感倾向,正确理解消费者行为与交易决策机制,是一个重要并需要深入研究的课题。【方法/过程】本文讨论了情感计算与用户评论的基本概念和内涵,提出了一个基于情感计算的在线中文用户评论研究与应用的分析框架,其次基于这一分析框架,系统地分析阐述了本领域的研究与发展现状。【结果/结论】指出未来需要关注的研究和发展方向,为未来的研究提供参考。
[期刊] 预测
[作者]
邵景波 胡名叶 许万有
本研究从在线评论的情感属性出发探索在线评论文本特征的动态变化走势，借鉴已有的情感分析框架，选取文本的主客观性、文本的情感极性和文本的情感强度三个维度，并从评论内容和标题文本两个角度提出研究假设。实证分析阶段，通过编写ｊａｖａ程序采集京东网站上ｉ Ｐｈｏｎｅ ４手机的评论数据，利用逐步回归分析法对在线评论情感属性变量进行模型拟合，跟踪消费者在线评论内容的情感变化，结果显示评论内容的情感属性在三个维度上均存在动态变化特征，而标题文本的情感属性没有稳定的变化。研究结果丰富和完善了情感分析理论，对企业把握用户消费习惯以及有效管理在线评论提供了决策依据。
关键词：
在线评论 情感分析 情感极性 情感强度
[期刊] 开放教育研究
[作者]
潘怡 叶辉 邹军华
自本世纪初起,E—learning作为一种灵活、丰富、高效的学习方式,被越来越多的学习者接受,而伴随着学习技术的逐步成熟,学习者对E—learning应用的要求也从最初的知识推送提升到能够在讲授者与学习者之间搭建有效的沟通桥梁,将零反馈的封闭式学习变成多反馈的协作学习。E—learning的评论信息隐含了学习者在学习中遇到的问题和建议,从中可挖掘学习者对学习资源及授课者的意见。这对改善教学模式、完善教学支持服务意义重要。现有E—learning系统所提供的海量评论信息中正面评论与负面评论夹杂,给挖掘学习者的真实意见和需求带来困难。本文对文本情感分类过程进行归纳,构建了一种情感分类应用模型,在完...
[期刊] 情报理论与实践
[作者]
李杰 李欢
[目的/意义]构建在线评论的产品特征提取及情感分类模型,可以为产品设计人员进行产品优化改进提供决策支持。[方法/过程]提出了基于卷积神经网络算法的产品特征提取及情感分类模型。模型采用卷积神经网络进行短文本评论情感分类,以情感分类标签标注相应评论中提取的产品特征词,并利用词向量对产品特征词聚类。通过爬取的笔记本电脑和手机评论对模型进行训练和测试。[结果/结论]结果表明,模型能够实现有效的产品特征提取及高准确率情感分类,是在线评论分析的有效模型。
[期刊] 情报科学
[作者]
由丽萍 白旭云
【目的/意义】为解决服务质量评价难以量化、数据来源可信度低等问题,本文提出一种在线评论情感分析和多属性法相结合的酒店服务质量测量模型。【方法/过程】以在线评论的情感语义分析作为服务质量测量的数据来源,以TOPSIS多属性法作为测量方法。【结果/结论】通过实验分析,证明了研究方法的有效性和科学性。其研究结果既作为情感分析研究走向应用的一次探索,也为服务质量评价的研究提供了一条可行的技术路线。
[期刊] 图书情报工作
[作者]
奉国和 吴敬学
指出传统KNN(k-nearest neighbor)算法的两大不足:一是计算开销大,分类效率低;二是在进行相似性度量和类别判断时,等同对待各特征项以及近邻样本,影响分类准确程度。针对第一点不足,提出三种改进策略,分别为:基于特征降维的改进、基于训练集的改进和基于近邻搜索方法的改进;针对第二点不足,提出两种改进策略,分别为:基于特征加权的改进和基于类别判断策略的改进。对每种改进策略中的代表方法进行介绍并加以评述。
[期刊] 情报理论与实践
[作者]
刘鲁川 孙怡璐
[目的/意义]探究不同情感强度的在线评论对消费者态度的影响,对商家的营销策略和客户关系管理具有一定的借鉴意义。[方法/过程]基于调节定向理论,将246名被试分为预防定向和促进定向两种消费者类型,并通过情境模拟实验,探讨了不同情感强度的负面在线评论对消费者态度改变的影响。[结果/结论]中等情感强度的负面评论对消费者的态度改变更大;不同调节定向特质在情感强度对消费者的态度改变中存在差异,强情感强度的负面评论使预防定向消费者的态度改变更大,中情感强度的负面评论对促进定向消费者的态度改变更大,而不同消费者在弱情感强度评论下的态度改变不显著。
[期刊] 图书情报工作
[作者]
马松岳 许鑫
［目的／意义］鉴于网络用户评价已成为人们选择产品或服务时的重要参考指标，旨在了解打分评价和评论评价之间的关系，同时为仅有评论评价的网站提供符合潜在分值的排序和推荐功能。［方法／过程］通过抓取豆瓣电影的用户评价，使用ＲＯＳＴ ＥＡ工具进行情感分析得到评论评价的综合情绪值，将其与打分评价进行相关分析，并考虑评论文本的情感强度赋权对结果造成的差异，在此基础上通过回归分析构建回归模型并对其进行检验。［结果／结论］发现评论评价的综合情绪值与打分评价相关性较高，情感强度的赋权情况对结果影响不大，说明可以根据评论评价预测打分，据此给出相应的回归模型。
关键词：
情感分析 打分评价 评论评价 综合情绪
[期刊] 情报理论与实践
[作者]
汤丽萍 陈芬
文章对现有的基于情感的图像分类研究进行了全面梳理,对图像情感分类过程中的三个关键问题——情感特征提取、情感空间选择和情感识别分类器设计进行了重点分析。同时对现有研究中存在的问题进行了总结,并分析其未来的发展趋势,为后续研究提供了参考。
文献操作()
导出元数据
文献计量分析
导出文件格式：WXtxt
删除
