关于网络购物中消费者评价可信度研究.docVIP

关于网络购物中消费者评价可信度研究 　　摘要：本文探索网络购物中消费者对于商品评价的可信度自动批判问题，以帮助潜在消费者做出更好的消费决定，同时帮助厂家、销售商改进产品，改善服务。作者对电子商务网站中的数据进行收集、分类。然后选取特征向量和参数，利用SVM算法对评价的有效性进行分类与预测。实验结果初步验证了该方法的有效性。 　　关键词：用户评价；评价可信度 　　中图分类号：TP393.4 文献标识码：A 文章编号：1007-9599　（2012）　19-0000-02 　　2011年，我国网络购物人数已经达到了2.3亿，根据显示，约有43.3%用户在网购决策时最关注的外部信息是网上买家的评论，厂家亦可以根据用户的评价来改善自己的产品。由此可见，消费者评论对于商品的销售有着举足轻重的作用。然而，蓬勃的网络购物催生了专刷好评的“点评操作者”和恶意差评的“职业差评师”，给正常的网络购物带来了许多的不便。 　　在本实验中，采用火车头数据采集平台获取淘宝网网店中用户身份的、文本数据，并提取其特征，在SVM算法的基础上，利用LIBSVM对评价样本数据进行分析，通过一定的数学模型，计算出该评价的可信度，并探究不同特征的贡献率与有效性。 　　1 来源数据的收集和预处理 　　1.1　数据的来源 　　来源数据主要来自于淘宝网，主要数据元包括评价字数，用户等级，好评率等。选取了手机、数码相机和笔记本电脑三类电子产品的评论作为数据源，并对每类产品选择了等级为好中差的1000条文本评价。 　　1.2 文本评论字数的计算 　　本文采用Excel中LEN函数。来计算文本评论的字数，本文中LEN函数的表达式：Bi=LEN（Ai）-5，其中Ai指的excel表格中第一列的第i行，Bi也是指同一excel表格中第二列中的第i行，减去5个字符数是每行数据前的“文本评论：”。 　　2 分析方法 　　2.1 支持向量机方法（SVM） 　　常用的机器学习算法有很多，包括贝叶斯算法这一类是基于概率和信息理论的分类算法，或者是人工神经网络，支持向量机等这一类基于知识学习的分类算法。本文主要应用支持向量机的方法。支持向量机（SVM）理论[3]主要是针对二类问题提出的。为了得到最优化的划分???则该问题就转化为求最优化超平面的问题。现在，应用较常见的核函数有以下四种：线性核、多项式核、径向基（RBF）　核、Sigmoid　核。在文献[4]中对于一些核函数做了对比，得出的结论是RBF核函数相比其他的核函数而言推广能力最强，即选择出最佳的参数就可以使SVM分类器性能最好。 　　2.2 特征向量表示 　　我们首先把文本数据转化成结构化数据。这个过程就是特征向量表示。在向量空间模型中，训练和测试样本被表示成为成由特征项构成的向量空间。我们研究的重点就是以什么语言单元作为特征项及如何计算项的权重这两个问题上，假如集合{f1，f2……，fm}是文档d中出现的m个特征，令ni表示第i个特征在文档d中的权重，那么N1就可以表示成一个特征向量，记为：N1=（n1，n2，……，nm）。 　　2.3 特征向量的选择 　　关于特征向量的选择，经过对大量产品评论的分析并结合前人的研究工作，在本次实验中，选取了4类特征： 　　买家信用等级：通过淘宝网所提供的API接口获取相应的买家信用等级数据，然后分析可得，4-10个积分就对应于图标一颗心，11-40为两颗心，41-90为三颗心，91-150为四颗心，151-250为五颗心。在250个积分以上，图标就显示为黄钻，级别标准为250-500为一颗钻，501-1000为两颗钻，1001-2000为三颗钻，以此类推。 　　评价字数：在做此项统计的时候，所显示的字符数是仅限于中英文字符的个数，不包含标点等符号个数。 　　评价感情极性：通过对于API的分析可得出，好评所对应的结构化数据为1，中评所对应的为0，而差评所对应的为-1。 　　3 买家VIP等级标签 　　淘宝VIP等级是检测淘宝用户活跃度的一项很有效的指标。VIP等级一共分为6级。等级由所谓的成长值决定。 　　4 实验与分析 　　4.1　实验 　　本实验一共有三千条数据量，随机选取了其中100特征向量作为训练集，余下的作为测试集。对训练集中的文本进行手工的正反面的标注。用上面的方法对数据进行处理得到所需要的向量空间模型表示。然后将这些载入到txt格式的文档中．部分数据如图1所示： 　　4.2 实验的结果 　　并且对于不同特征的贡献率，经过测算，可以得出，第一个评价感情极性的贡献率为95。3784%评价字数的贡献率为92。1524%　而买家信用等级为97。6829%　，用户VIP等级为99。1463%。从数据中，可以得出用户的VIP等级在对于结果的评测上