基于數(shù)據(jù)挖掘的電子商務產(chǎn)品質(zhì)量風險輿情監(jiān)測技術研究.pdf

1、近幾年來電子商務產(chǎn)業(yè)發(fā)展勢頭迅猛，由之產(chǎn)生的問題也日益凸顯，一個重要的問題是電子商務產(chǎn)品質(zhì)量。一些企業(yè)為了追求短期經(jīng)濟效益，生產(chǎn)假冒偽劣產(chǎn)品。風險輿情數(shù)據(jù)可以為質(zhì)監(jiān)部門解決電子商務產(chǎn)品質(zhì)量問題提供風向標，從而實現(xiàn)電子商務產(chǎn)品質(zhì)量問題“準確監(jiān)測、智能預警”。電子商務產(chǎn)品信息和評論作為風險輿情數(shù)據(jù)的一種，能夠集中反映出電子商務產(chǎn)品質(zhì)量問題的趨勢走向，具有極大的參考價值。本文從文本分類的角度入手，從數(shù)據(jù)挖掘領域出發(fā)，結合文本表示模型、特征降維

2、、分類算法的設計和選擇等方面展開研究，完成了以下工作及研究成果：
　　（1）構建電子商務產(chǎn)品信息和評論文本表示模型。產(chǎn)品信息和評論作為一種短文本，結構復雜，計算機無法理解其語意，所以需要通過分詞、去停用詞等操作將其轉化為結構化模型。為了方便統(tǒng)一地表示產(chǎn)品信息或評論內(nèi)容，引入VSM空間向量模型。模型中每一列表示一個樣本，每一行表示一個特征值，用0或1表示特征值的存在與否，那么所有非0的特征值就組成一條完整的文本信息，以便計算機識別存

3、儲。
　?。?）對電子商務產(chǎn)品信息和評論文本特征集進行降維，提高分類效率。即使去除標點和停用詞，一條文本內(nèi)容包含的特征值依然很多，整個文本內(nèi)容特征集的規(guī)模會極大影響分類算法的執(zhí)行。IG信息增益算法通過對特征值信息熵的排序剔除沒有貢獻的特征，可以對特征集進行有閾值的選擇。
　　（3）通過構建快速自編碼神經(jīng)網(wǎng)絡，使RELM能夠快速的計算隱含層節(jié)點權重，從而實現(xiàn)特征降維。原始的RELM正則化極限學習機常用于數(shù)據(jù)分類，將自編碼神經(jīng)網(wǎng)