CNNIC 2018年3月发布的第 41 次《中国互联网络发展状况统计报告》显示，截至2017 年 12 月，我国网络购物用户规模达到 5.33 亿，占网民总数的 69.1%^[1]。《2015 年中国网络购物市场研究报告》显示，网络口碑、价格以及网站或商家信誉是影响网民购物决策最为关键的因素，其关注度分别为 77.5%、72.2%和 68.7%^[2]。随着互联网的普及和各大在线购物网站的兴起，越来越多的用户开始选择网络购物这种更加快捷和方便的模式。网络口碑作为一种新兴的口碑模式，逐渐取代传统口碑而成为影响用户购买意愿的最重要的因素。同时，在线评论作为网络口碑重要的载体形式，不仅是用户作为是否做出购买行为的参考依据，对于商家来说，也是获取用户反馈、了解用户满意度以便吸引更多顾客参与购买的主要数据来源。

文本情感分析又称意见挖掘，简单而言，是对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程。赵妍妍认为文本情感分析的研究任务分为情感信息的抽取、情感信息的分类和情感信息的检索与归纳三个方面^[3]。

从技术方法上区分，常用的情感分析方法主要包括基于情感词典和基于机器学习的方法。基于情感词典的情感分析方法是通过情感词典对在线评论进行情感计算从而确定情感倾向的方式。刘玉林等人通过建立电商领域情感词典，引入2元语法改进传统文本情感分析模型，并根据情感分析结果首次创建情感指数模型，作为判断在线评论中富含的顾客情感倾向和程度的依据^[4]。王伟等人则是依据信息增益的思想，基于情感词典，建立计量经济模型来量化产品特征的重要度^[6]。崔永生设计出基于语义词典的评论商品属性lt;特征词、观点词gt;对抽取方法和在线评论情感极性及强度计算方法^[7]。冒小栋等人基于依存句法抽取语句情感标签，将HowNet情感词典与语义相似度算法相结合来识别语句情感倾向^[8]。冯小翼提出了基于JWNL库的情感词表扩展算法^[17]。

基于机器学习的情感分析方法主要有朴素贝叶斯(Naive Bayes, NB)、决策树(Decision Tree, DT)、支持向量机(Support Vector Machine, SVM)等。赵杨等人通过Canopy K-means特征聚类确定用户满意度的维度，应用CNN-SVM情感分析模型，提高了情感分类准确性^[5]。郭立秀通过特征聚类的方法建立了生鲜电商领域的用户满意度评价体系，并采用层次分析法中的模糊矩阵来确定和评价指标的权重^[9]。Chikersal使用支持向量机算法针对推特的特点制定了许多情感分类的规则^[11]。Hasan Ali提出了一种基于机器学习的混合方法，运用朴素贝叶斯和支持向量机等监督机器学习算法^[12]。周立凤采用二次剪枝法进行特征提取，并结合句法分析器构建了7个依存模式^[16]。

赵杨等人采用Canopy K-means方法对海淘APP属性特征进行聚类，确定用户满意度评价维度，进而应用CNN-SVM情感分析模型得到各维度的用户满意度评分^[5]。冒小栋等人利用LDA模型建立用户满意度结构模型，结合情感分析结果，利用模糊综合评价法分析用户满意度^[8]。徐自跃通过建立贝叶斯网络模型来分析各产品的用户满意度的^[10]。Kang提出了一个基于用户生成内容的服务满意度测评框架，该框架采用情绪分析和MCDM方法^[13]。程惠华等人运用半监督的递归自编码深度学习模型进行产品评论级情感倾向性分析，对用户满意度的动态演化模式进行灰色建模与预测^[14]。刘甲学等人使用商业智能软件Power BI对用户评论文本进行数据挖掘，通过提取影响用户满意度影响的因素，利用情感分析法进行赋值,然后根据各因素的样本得分确定用户满意度^[15]。

2. 研究的基本内容与方案

1、基本内容

本文在综合国内外相关理论研究和成果的基础上，结合自身的实际能力，选择电子商务平台的用户在线评论作为研究对象。选取基于手机电商领域情感词典的情感分析方法对手机在线购买评论进行研究，建立属性特征集，抽取lt;特征词，观点词gt;对，并对lt;特征词，观点词gt;进行情感极性量化计算，确定情感倾向。同时，将手机属性作为用户满意度体系的评价维度，确定手机产品评价维度的权重，根据情感极性量化计算的结果，确定不同指标的用户满意度。此次研究，可以帮助手机电商商家通过海量的在线评价信息，快速了解自己产品的总体用户反馈，从而根据所反馈的不同维度的问题改善产品或服务，最终提高用户满意度。文章的结构如下所示:

第一章 绪论

1.1 研究背景