Please wait a minute...
Advanced Search
现代图书情报技术  2015, Vol. 31 Issue (9): 17-25    DOI: 10.11925/infotech.1003-3513.2015.09.03
  研究论文 本期目录 | 过刊浏览 | 高级检索 |
基于领域专家和商品特征概念树的在线商品评论深刻性度量
王忠群, 皇苏斌, 修宇, 张义
安徽工程大学管理工程学院 芜湖 241000
Research on Metrics-Model for Online Product Review Depth Based on Domain Expert and Feature Concept Tree of Products
Wang Zhongqun, Huang Subin, Xiu Yu, Zhang Yi
School of Management Engineering, Anhui Polytechnic University, Wuhu 241000, China
全文: PDF(616 KB)   HTML  
输出: BibTeX | EndNote (RIS)      
摘要 

[目的]解决单纯使用评论长度衡量在线商品评论深刻性的问题。[方法]提出一种在线商品评论深刻性度量模型。在分析消费者制定购买决策所需信息本质的基础上, 定义评论深刻性概念, 并引入商品特征概念树。依据领域专家发表商品评论的特点以及评论中商品特征在商品特征概念树中的分布性, 建立商品评论深刻性度量评价模型。[结果]通过实证研究证实深刻性度量模型与现有的评论有效性模型相一致, 表明该模型的可行性。[局限]未涉及消费者对商品使用场景的描述, 缺少对体验型商品的评论深刻性度量研究。[结论]在线商品评论的深刻性模型能够比较准确地评价商品评论的深度。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
Abstract

[Objective] Solve the problem which only use the length of online product review to measure the review depth. [Methods] In this paper, a metrics-model for online product review depth is proposed. Firstly, on the basis of analyzing the demand information of customers for making decision, the concept of review depth is defined and feature concept tree of product is introduced. Secondly, the metrics-model for measuring product review depth is presented according to the features of the product review from domain experts and the distribution of product features over feature concept tree of product. [Results] Empirical study demonstrates that the metrics-model is identical to the model for review helpfulness, and the result shows that the model is feasible. [Limitations] This paper does not involve the product usage scenario of consumers and the review depth measurement for experience products. [Conclusions] The metrics-model can measure product review depth more accurately.

收稿日期: 2015-03-03     
:  G202  
基金资助:

本文系国家自然科学基金项目“C2C市场中基于行为树的销量识别与发布研究”(项目编号:71371012)和教育部人文社会科学规划项目“C2C市场中基于参与者行为的‘打榜’识别模型与应用研究”(项目编号:13YJA630098)的研究成果之一。

通讯作者: 王忠群, ORCID: 0000-0002-5307-5706, E-mail: zqwang@ahpu.edu.cn。     E-mail: zqwang@ahpu.edu.cn
作者简介: 作者贡献声明:王忠群:设计研究方案,论文撰写及最终版本修订;皇苏斌:实验验证;修宇:负责评论数据预处理;张义:提出实验验证方案,修改论文。
引用本文:   
王忠群, 皇苏斌, 修宇, 张义. 基于领域专家和商品特征概念树的在线商品评论深刻性度量[J]. 现代图书情报技术, 2015, 31(9): 17-25.
Wang Zhongqun, Huang Subin, Xiu Yu, Zhang Yi. Research on Metrics-Model for Online Product Review Depth Based on Domain Expert and Feature Concept Tree of Products. New Technology of Library and Information Service, DOI:10.11925/infotech.1003-3513.2015.09.03.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.1003-3513.2015.09.03

[1] 杨铭, 祁巍, 闫相斌, 等. 在线商品评论的效用分析研究[J]. 管理科学学报, 2012, 15(5): 65-75. (Yang Ming, Qi Wei, Yan Xiangbin, et al. Utility Analysis for Online Product Review [J]. Journal of Management Sciences in China, 2012, 15(5): 65-75.)
[2] Chevalier J A, Mayzlin D. The Effect of Word of Mouth on Sales: Online Book Reviews [J]. Journal of Marketing Research, 2006, 43(3): 345-354.
[3] Dellarocas C, Zhang X Q, Awad N F. Exploring the Value of Online Product Reviews in Forecasting Sales: The Case of Motion Pictures [J]. Journal of Interactive Marketing, 2007, 21(4): 23-45.
[4] 王平, 代宝. 消费者在线评论有用性影响因素实证研究[J].统计与决策, 2012(2): 118-120. (Wang Ping, Dai Bao. An Empirical Study of the Impact Factors of Online Reviews Helpfulness for Consumers [J]. Statistics and Decision, 2012(2): 118-120.)
[5] Mudambi S M, Schuff D. What Makes a Helpful Online Review? A Study of Customer Reviews on Amazon.com [J]. MIS Quarterly, 2010, 34(1): 185-200.
[6] 付建坤, 侯伦, 方佳明. 考虑品牌声誉影响下的在线评论有用性研究[J]. 软科学, 2014, 28(3): 97-100. (Fu Jiankun, Hou Lun, Fang Jiaming. Study on the Helpfulness of Online Reviews by Considering the Influence of Brand Reputation [J]. Soft Science, 2014, 28(3): 97-100.)
[7] 彭岚, 周启海, 邱江涛. 消费者在线评论有用性影响因素模型研究[J]. 计算机科学, 2011, 38(8): 205-207. (Peng Lan, Zhou Qihai, Qiu Jiangtao. Research on the Model of Helpfulness Factors of Online Customer Reviews [J]. Computer Science, 2011, 38(8): 205-207.)
[8] 许应楠, 甘利人. 面向推荐服务的消费者在线商品选择决策中的知识支持分析[J]. 情报理论与实践, 2013, 36(3): 107-111, 116. (Xu Yingnan, Gan Liren. Knowledge Support Analysis in Online Product Selection Decision-Making for Recommendation Service-Oriented Consumers [J]. Information Studies: Theory & Application, 2013, 36(3): 107-111, 116.)
[9] 刘青磊, 顾小丰. 基于《知网》的词语相似度算法研究[J].中文信息学报, 2010, 24(6): 31-36. (Liu Qinglei, Gu Xiaofeng. Study on HowNet-Based Word Similarity Algorithm [J]. Journal of Chinese Information Processing, 2010, 24(6): 31-36.)
[10] 黄果, 周竹荣. 基于领域本体的概念语义相似度计算研究[J]. 计算机工程与设计, 2007, 28(10): 2460-2463. (Huang Guo, Zhou Zhurong. Research on Domain Ontology-Based Concept Semantic Similarity Computation [J]. Computer Engineering and Design, 2007, 28(10): 2460-2463.)
[11] 张映海. 基于概念树扩展的中文文本检索研究[J]. 计算机工程与应用, 2008, 44(26): 154-157. (Zhang Yinghai. Research on Chinese Text Retrieval Based on Expansion of Concept Tree [J]. Computer Engineering and Applications, 2008, 44(26): 154-157.)
[12] 郝玫, 王道平. 面向供应链的产品评论中客户关注特征挖掘方法研究[J]. 现代图书情报技术, 2014(4): 65-70. (Hao Mei, Wang Daoping. Mining Customer Focus Features from Product Reviews Oriented Supply Chain [J]. New Technology of Library and Information Service, 2014(4): 65-70.)
[13] ICTCLAS [EB/OL]. [2014-11-28]. http://ictclas.nlpir.org/.
[14] HIT-CIR Tongyici Cilin (Extended) [EB/OL]. [2014-11-28]. http://ir.hit.edu.cn/demo/ltp/Sharing_Plan.htm.
[15] 李志宇. 在线商品评论效用排序模型研究[J]. 现代图书情报技术, 2013(4): 62-68. (Li Zhiyu. Study on the Reviews Effectiveness Sequencing Model of Online Products [J]. New Technology of Library and Information Service, 2013(4): 62-68.)

[1] 宋梅青. 面向协同过滤推荐的多粒度用户偏好挖掘研究[J]. 现代图书情报技术, 2015, 31(12): 28-33.
[2] 王忠群, 乐元, 修宇, 皇苏斌, 汪千松. 基于模板用户信息搜索行为和统计分析的共谋销量欺诈识别[J]. 现代图书情报技术, 2015, 31(11): 41-50.
[3] 何跃, 宋灵犀, 齐丽云. 负面事件中的品牌网络口碑溢出效应研究——以“圆通夺命快递”事件为例[J]. 现代图书情报技术, 2015, 31(10): 58-64.
[4] 张李义, 张皎. 一种基于主成分分析和随机森林的刷客识别方法[J]. 现代图书情报技术, 2015, 31(10): 65-71.
[5] 盈艳, 曹妍, 牟向伟. 基于项目评分预测的混合式协同过滤推荐[J]. 现代图书情报技术, 2015, 31(6): 27-32.
[6] 赵静娴. 基于决策树的网络伪舆情识别研究[J]. 现代图书情报技术, 2015, 31(6): 78-84.
[7] 伍杰华, 朱岸青. 混合拓扑因子的科研网络合作关系预测[J]. 现代图书情报技术, 2015, 31(4): 65-71.
[8] 李胜, 王叶茂. 一种基于本体和位置感知的图书馆书籍推荐模型[J]. 现代图书情报技术, 2015, 31(3): 58-66.
[9] 陈涛, 张永娟, 陈恒. Web数据到RDF数据的框架实现[J]. 现代图书情报技术, 2015, 31(2): 1-6.
[10] 王伟军, 宋梅青. 一种面向用户偏好定向挖掘的协同过滤个性化推荐算法[J]. 现代图书情报技术, 2014, 30(6): 25-32.
[11] 吴珊燕, 许鑫. 基于案例推理的菜谱推荐系统研究[J]. 现代图书情报技术, 2013, (12): 34-41.
[12] 刘勘, 朱怀萍, 刘秀芹. 基于支持向量机的网络伪舆情识别研究[J]. 现代图书情报技术, 2013, 29(11): 75-80.
[13] 熊涛, 何跃. 微博转发网络中意见领袖的识别与分析[J]. 现代图书情报技术, 2013, (6): 55-62.
[14] 李树青, 王建强. 一种结合借阅时间特征分析的读者兴趣可视化识别方法[J]. 现代图书情报技术, 2013, (5): 46-53.
[15] 寇继虹, 戴亦舒, 刘芳, 吴珺, 徐承欢, 曹倩. 动态思维导图软件TheBrain的功能机制分析[J]. 现代图书情报技术, 2012, (12): 45-51.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn