在电子商务蓬勃发展的网络环境下，越来越多的关于商品的主观性评论文本出现在各类购物网站上。现如今，主流用户分析方法主要是基于用户的搜索记录、浏览记录等来源，但是对于用户评论的价值挖掘不够重视，用户评论包含了用户最直接主观的个人意向等信息，对商品推荐优化具有十分重大的意义。这些商品评论文本包含了用户对商品的情感、满意度、购买意向、整体评价等重要信息，通过对这些信息进行挖掘分析，可以从中获取用户个人相关的用户画像。

国内的购物网站产品评论是消费者通过在各购物平台上进行购买行为并对产品使用后自身对产品满意度的表达和交流。以淘宝网为例，目前淘宝网实现评论归纳的主要方法是通过使用语义分析，首特征先按类目特征，拉取这个类目下的评论，进行分词，统计词频；对词进行聚类，包含常用的LDA，结合本体库，将词进行归类和分类，建立语料库；（分类是最重要的一步，比如服装类目下学院风、淑女、熟女、休闲等都会归为款式这类）；属性情感搭配，建立属性词和情感词的连接关系，判断分句的情感；属性词 情感词转换到属性类的情感，对句子进行位置标记；将属性情感和位置标记结果build到搜索中，便于根据标签反向检索内容。据调查报告显示，其他用户对于产品的评价是消费者购买产品的主要参考标准之一，具有十分突出的导向性作用。因此，通过研究消费者在购物网站产品评论中的情感分类，可以使企业和平台更加了解各项产品的口碑，并通过优化用户分类方法，实现更加精准的商业化产品信息推送，针对不同类型的用户实行不同的销售策略，实现网络交易商业价值的最大化。

国外评论分析发展较早，从2002年起，Peter首次提出将语义倾向性应用在非监督的评论分类，并设计简单算法，其目的是将评论分为推荐（recommended）和不推荐（not recommended）。NEC公司的Satoshi Morinaga，Kenji Yamanishi等人也在同年提出在网络上挖掘产品声誉度的想法，并设计出一种新的可以自动从网页上手机人们经常关注的产品意见然后通过文本挖掘技术获取产品声誉度的新框架。除此之外，国外也有研究机构将对观点评论挖掘做成系统：微软美国研究院Gamon等人所开发的Pulse系统可以自动挖掘网上用户所上传的自有文本中有关汽车评论中的褒贬信息和强弱程度。

2. 研究的基本内容与方案

本文将主要从场景文本识别、高效评论挖掘、评论效用排序模型、评论组织方法等技术模型角度对用户评论进行分析，进而讨论对用户分析的应用与影响。其基本目标为通过对评论数据的分析挖掘对用户消费潜力及消费倾向进行细致分类，从而获取更加具有商业价值的用户特征画像。

拟采用的技术方案为利用数据挖掘中的K-means聚类分析以及关联规则技术构建根据商品评论有用性的影响因素建立效用指标的商品评论用户分类矩阵模型。

论文纲要：

1引言

2文献回顾

3指标选择与模型构建