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

• 作者: 冯进展 蔡淑琴
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 在线评论 有用程度 信息增益 梯度下降法
• 年，卷（期）: 2020,（10）
• 所属期刊栏目: 数据库&大数据&数据科学
• 页码范围: 69-74
• 页数: 6页
• 分类号: TP391
• 语种: 中文
• DOI: 10.11896/jsjkx.190700034

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	蔡淑琴		193	3429	32.0	49.0
2	冯进展		5	23	3.0	4.0