融合信息增益和梯度下降算法的在线评论有用程度预测模型

摘要：

由于无法预知产品在线评论的文本内容是否对浏览者有用,大量的无用评论增加了潜在消费者的信息搜索成本,甚至降低了潜在消费者购买产品的可能性.为提高电子商务平台的有用在线评论率,为撰写评论者提供测试功能,建立在线评论有用程度预测模型.根据在线评论的文本特征,所提模型选择在线评论的词语数量、词语的有用值、产品特征数量等3个特征,构建一个预测在线评论有用程度的模型,其中词语的有用值是词语区分在线评论有用程度的信息增益量,然后根据大量在线评论数据利用梯度下降算法解出模型参数.实验结果显示,随着词语数量、词语有用值、产品特征数量的增长,评论有用程度不断提高.实验中把在线评论分为一般、有用、非常有用3个程度,对于一般的在线评论,预测精确率为92.96％;对于"有用"在线评论,预测精确率为94.83％;对于"非常有用"在线评论,预测精确率为67.63％.实验对模型性能进行测试,得到平均精确率为85.05％,召回率为82.81％,F1值为83.72％,该结果验证了所提模型预测在线评论有用程度的可行性.

关键词：在线评论、有用程度、信息增益、梯度下降法

所属期刊栏目：47

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;教育部博士点基金

在线出版日期：2020-10-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：69-74