开题报告模板.docx

开题报告模板.docx

《开题报告模板.docx》由会员分享，可在线阅读，更多相关《开题报告模板.docx（12页珍藏版）》请在冰豆网上搜索。

开题报告模板

硕士研究生开题报告

论文题目:

基于在线商品评论的电子商务

满意度分析与消费者认知研究

学科专业:

企业管理

姓名:

张建成

学号:

0911121021

研究方向:

企业信息化与电子商务

导师姓名:

陈涛

入学年月:

2009年9月

开题时间:

2010年11月5日

基于在线商品评论的电子商务满意度分析与消费者认知研究

1选题背景

互联网技术促进了电子商务的高速发展，使得消费者除了可以享受网上购物外，还可以通过多种方式对购买的商品进行评论，来表达对产品的观点和情感[1]，为其他的消费者提供建议和指导。

同时，商家在达成交易后也希望消费者对其产品和相关服务进行评价，籍以增大知名度，达到推广的效果。

尽管是两种不同的目的，却使得在线评论成为了非常普遍的现象。

消费者通过各种网络途径（个人博客、专业论坛、购物网站提供的评论系统等）发表对产品及服务的评论，表达自己在消费过程中产生的对产品或者服务的情感和态度。

这些情感和态度传递了消费者对产品的使用是否满意的信息。

如何利用这些资源，从消费者角度而言，过往的消费者的评论是宝贵的，直接影响消费者的购买决策[2]；对商家而言，这些评论也是为自己的产品提出的宝贵意见。

阿里巴巴旗下的口碑网就是利用网友在消费过程中的一些经历、体会以及认知等内容让消费者得到比广告更加真实的，让消费者得到更加满意的生活购物指导，使商家从消费者的评论中发现自身的不足，据此进行改进。

目前，口碑网为国内大中城市设立了各自的频道，消费者可以从这些城市频道直接搜索到相关的信息。

但是，不同消费者对同一种商品或者消费活动的认识是有区别的，他们可能会形成或者对立，或者一致，或者中立的态度，这一问题又使得消费者无所适从。

因为口碑网并不给消费者提供任何一种消费建议，需要消费者自己去判断。

本文通过对在线商品评论的分析，结合观点树[3]的模型，量化并计算评论的影响，从而得出对电子商务的满意度以及消费者的认知的研究结果。

观点树是一种评论的结构。

由一个主题观点引出，作为树根；对主题观点的评论可分为若干种不同的观点，一般可分为支持观点、反对观点和中立观点，也有其他无关的观点；这些观点是树干；再对主题评论的评论再评论，构成树枝；由此类推，就形成一颗观点树。

最近的蒙牛诽谤门事件也使得消费者陷入重重疑惑当中，网络信息的真实性何在，如何通过他人的评论为自己提供一种正确的认知。

2研究意义

电子商务的发展改变了人们由来已久的消费模式，如今，人们足不出户即可完成一系列的购物活动。

而在购物后又可将自己的购物过程中的体验和对商品的质量等做出各种评价。

在线购物中消费评论不仅为消费者获取产品价值和质量、商家信誉、服务质量等信息提供了便利，也成为商家获得产品反馈信息的重要渠道[4]。

一方面，消费者在没有看到真实的商品时，如果通过其他消费者的评论获取对商品的认知，例如产品的质量，大小，颜色等，那么这些因素都将成为消费者购买行为发生的重要前提。

另一方面，消费者的评论对商家的意义更重要。

通过对消费者的评论的分析，可以发现商品是否存在质量问题，是否能被大多数消费者接受，价格制定是否合理，服务是否令人满意，消费忠诚度如何[5]，以及根据顾客的偏好情况改进产品……这些都将影响着商家的利益。

许多学者致力于从大量评论信息源中提取所需要信息的研究，观点评论的信息反馈功能已经得到学术界的普遍认可，对电子商务在线商品的评论进行挖掘具有广泛的研究价值和应用价值。

但是目前在线商品评论信息的商务功能并未得到有效的利用。

在电子商务交易过程中，消费者情感和具有情感因素的态度影响着消费者的认知和行为意向。

情感和态度倾向隐含着大量的商务信息，使得商家能够更好地了解消费者动机、消费认知水平等[6]。

消费情感和态度又映射到消费认知和行为动机上，为挖掘情感与行为的关系提供重要根据。

综上所述，网络评论所体现的电子商务满意度和消费者认知具有重要的商业价值，为商家改进电子商务的管理和改善客户关系管理提供了重要的信息源。

在线商品评论对企业和消费者影响的研究刚刚开始，并逐步活跃起来，所涉及的商品包括书籍、电影、股票、电子产品等[7]。

虽然现有工作得到的结论并不完全一致：

在线评论对某种商品销售影响的分析模型不一定适用于其他商品，即使针对同种商品，也存在相反的研究结论。

但通过对这些实证研究的总体分析，可以发现在线商品评论对商品的销售具有一定影响，而目前的研究还不足以揭示这种影响关系及其作用机理，要深入地研究在线评论与商品销售情况的关系，还需要考虑以下问题：

1）除在线口碑外，商品销售还受商品质量、价格等多种因素的影响，不同的模型、计量分析方法以及数据，所得出的实证结果都会产生差异，因此对于不同情况，重要的是模型的适用性。

2）作为一种电子口碑，在线评论与商品销售是一种相互作用的关系，而现有研究主要考虑在线评论对于销售的影响，对两者相互影响的深层机制的研究还略显不足。

3）每种甚至每个商品（如电影）都有各自的目标客户群，不同特征目标客户的购买决策受在线评论影响的程度不同，甚至不受在线评论的影响，因而体现的商品评论与销售的关系不尽相同。

进一步的研究还应该借鉴市场营销学的相关理论和方法。

4）从评论文本中挖掘消费者情感的研究使用不同方法计算评论的褒贬性。

准确的文本情感计算是实证分析的前提和保证，应引起研究者的关注．

5）有些研究所用的数据较少，一些结论尚需更大量的数据进行验证。

3国内外研究现状

3.1国外研究现状

DoubleClickInc.[8]2005年进行了一项针对美国服装业、计算机硬件设备业、运动与健身产品行业及旅游业网络客户的研究，发现这些行业中都有近一半以上的消费者在做出购买决定前会在互联网上搜索相关商品的介绍及其他消费者对商品的评论信息，互联网商品评论对于消费者的购买决策有着重要的影响。

Turney[9]提出一种利用搜索引擎估计短语褒贬倾向的方法，进而使用篇章中短语极性的平均值代表整体的情感倾向，但分类精度低于有监督学习方法[10]。

Dave等[11]使用了信息检索中的多种技术进行特征抽取、特征加权，然后利用特征权重的累加计算产品评论的褒贬倾向，但分类效果没有明显优于传统的机器学习方法。

Hatzivassiloglou等[12]认为文本中的连词可以指示所连接词语之问的语义关系，通过生成形容词之间同义或反义的连接图，应用聚类的方法将形容词划分为褒义和贬义两类，虽然该方法的分类精度达到90％以上，但是只能处理有限的由连词关联的形容词。

Wilson等[13]选取了包括褒贬词语、句法结构特征，以及上下文信息等大量特征，利用监督学习的方法判断短语在上下文中的主客观性和褒贬倾向。

Turney[14]提出了一种借助搜索引擎数据库判断词语的极性及强度的无监督方法，其假设是词语与标准褒义（贬义）词语在数据库中的共现率越高，则该词语越倾向于褒义（贬义）。

Kim等[15]认为情感（opinion）可以由主题、意见持有者、情感描述项和褒贬倾向性四个部分来描述，即意见持有者针对主题表达了具有某种褒贬倾向的情感描述。

语句的情感分析是指在语句文本中自动确定这些元素以及它们之间关系的过程。

Zhuang等[16]首先归纳出电影领域的相关属性和极性词语，然后从训练句子中得到属性和极性词语之间的最短依存路径，作为属性及其情感描述项的依存关系规则，用于挖掘二者之间的对应关系。

Morinaga等[17]预先建立了一个褒贬词典，根据商品名称到褒贬词语的距离确定褒、贬评价语句，然后利用字串的随机复杂度从褒、贬评价语句中抽取描述各品牌的典型词语作为该品牌的口碑。

Kim等[15]使用实体识别工具提取距离主题最近的人名和机构名称作为意见持有者，并提出一种利用WordNet计算词语褒、贬情感程度的方法，通过累计意见持有者附近的情感推测句子的褒贬倾向。

Nasukawa等[18]建立了以谓词为中心的情感传递模式库，在句子属性附近，经过句法分析和模式匹配能够比较精确地描述情感在论元之间的传递关系。

Popescu等[19]根据名词短语与商品名称的共现性确定商品的属性，在依存分析的基础上，根据手工定义的规则迭代标记元组和的褒贬倾向。

Yi等[20]基于主题相关文档和无关文档，采用特征提取的方法从主题相关文档中识别商品的属性。

Ghose等[21]基于A交易数据，提出了一种新颖的根据商家价格推测客户评论所用词语褒贬性的方法。

该方法针对某种商品，根据商家获得的价格溢价，计算客户评论所用词语的“经济价值”，从而判断客户评论词语的褒贬倾向和强度。

3.2国内现状研究

姚天昉等[22]针对汉语汽车评论提出了利用领域本体识别句子的属性、利用主谓结构和定中结构识别属性及其情感描述项的对应关系，以及计算褒贬程度的方法。

Liu等[23]、Hu等[24][25]提出在线评论按形式可分为三类：

①评论分别列出产品的优点和缺点；②评论列出优点和缺点，同时进行自由评论；③无固定格式的自由评论。

针对形式一和形式二中优缺点比较简短的特点，文献[23]在词性标注的基础上手工对商品属性进行标记，然后使用关联规则挖掘的方法得到关于属性与词类（或词语）的关联规则。

对于形式二和形式三中的自由评论。

李实等[26]使用频繁项集挖掘的方法从名词和名词短语中挖掘频繁属性，然后提取频繁属性附近的形容词作为其情感描述项，再利用这些情感描述项识别不频繁的属性，对汉语评论的产品特征进行了挖掘。

高俊波[28]针对传统的在线论坛中有影响力主题计算方法的不足，通过计算词语在回帖传播链上的影响力，提出一种根据对有影响力词语聚类的方法发现在线论坛中具有潜在影响力的主题。

丁菊玲等[3]提出观点树的粒度分析，简单将观点树的树根、树干、树枝按照粒度的不同分为粗粒度、中粒度和细粒度三层模型，具体的算法还存在一定的欠缺。

王崇[27]以感知价值为切入点，结合我国网络购物的实际情况，提出了感知利益、购买成本、感知风险影响网络消费者感知价值的三个因子，明确在网络环境下影响感知价值的驱动因素。

评论挖掘作为非结构化信息挖掘的一个新兴领域,主要涉及情感分析,评论中产品特征挖掘，以及评论中主观内容识别等。

在英文评论领域，研究者已经初步取得一些成果，而针对中文网络用户评论的研究仍处于起步阶段。

随着中国电子商务在世界领域内的崛起，亟待对于中文评论中有用信息的自动提取技术。

但是，由于中英文文化背景以及语言差异的存在，使得英文领域的研究成果不能直接应用于中文评论。

4论文的主要内容

电子商务中不同的在线评论

目前的电子商务网站都具有消费者的购物评论发表功能，但是不同的网站其评论的方式又有其不同之处。

简要介绍几种比较普遍的：

1、口碑网，这一网站完全是以评论的形式存在的。

消费者就对酒店的位置、装修、档次、饭菜的可口程度、服务质量等等进行评价，给出其建议，推荐更多消费者去消费，或者不赞成消费者去。

2、淘宝网，这是一个专业的C2C电子商务网站，主要为消费者在消费完成后就对商品质量、商家服务态度以及物流公司发货速度给出星级（5个级别）的评价，也可以单独对商品进行自己认知的评价，消费者可以参考之前消费者的购物建议作出自己的购物决策。

3、专业论坛，很多产品都有专业的论坛，尤其以高档商品为主，例如汽车论坛，手机论坛。

这些论坛上的评论相对而言更加专业，多数网友都是对产品认识有很深厚的功底，比方汽车论坛，他们熟悉汽车的技术指标、汽车的性能、不同车型之间的优劣等等。

在这些论坛上的评论更加客观和可信。

4、还有一些网友利用博客等个性化的方式对自己消费行为或过程进行一些评论，偶尔也能引起不小的争论。

本文将详细介绍各种不同的在线评论的特点，由此得出对不同消费者的影响。

获取评论的方法

国内外对于评论获取的研究相对而言也比较多。

本文主要根据一些相关的研究对获取评论的方法进行一个系统的归类和总结。

并通过归类得出不同的信息来源需要什么样的获取技术。

评论的预处理

从网站上获取的信息大多数是成段的或者是成句的。

现有工具无法从一句话识别出其内容，以及感情的褒贬。

首先需要将句子进行分词处理，然后统计出褒贬义词词频，针对不同在线商品的不同技术参数计算出其满意度度量值。

情感分析

由于汉语特殊的复杂性，使得利用计算机判断词性的褒贬性也复杂起来，目前还没有哪一种方法从真正意义上解决汉语语言的情感分类。

首先要建立情感分类的语料库，这样可以使得到的中文词直接进行比照，从而得到该词的褒贬性。

语料库的建立为词的褒贬程度做了一个铺垫，如何衡量一个词的褒贬程度，这也是急需解决的问题。

观点树

本文重点讨论观点树模型的应用。

如上图对产品的评论有A、B…N个，都代表各不相同的评论或者不同角度的评论。

假设A、B…N代表不同的观点，至少可以分为褒义评论、贬义评论、中肯评论和没有任何倾向的评论。

从第二层开始，箭头指向的评论A1为对A的评论，A2是对A的评论，但A1与A2的意见不同，B评论同理。

第三层即代表A11是对A1的评论，A21、A22是对A2的评论，以此类推B…N。

扩展到N层，即形成一棵观点树。

本文使用观点树，设计一个迭代模型，来计算各个评论对产品的影响。

从而得出消费者对产品的满意度和认知度。

另一个假设，假设A、B…N代表对产品多个角度的评论，之后的每一层都是对不同角度的褒贬评论，形成新的观点树。

重复利用上面的模型，可以得出，对于一些复杂性高的产品，消费者更注重哪个角度，是性能，价格，外形……

之前的研究主要集中在对评论进行分类，区别消费者评论的褒贬性，也有个别研究者进行了评论的计算，但是算法简单，不能反映整体评论的对电子商务的满意度和消费者认知的影响。

本文通过观点树模型的建立，设计一种迭代算法，权衡各层之间的影响，计算出消费者评论的值。

满意度研究

电子商务的满意度包括很多的指标，本文将借助前人的研究，构建一个满意度的衡量模型和指标。

如何从在线商品评价获取对电子商务在线商品满意度的信息，电子商务的接受程度、电子商务的服务人群、电子商务的改进之处。

消费者认知

从观点树得到的信息对消费者认知的影响包括：

消费者对产品所持的态度，消费者对产品的哪些指标更看重，消费者希望从中获得哪种购物体验，消费者对电子商务的认知，消费者对在线商品性能认知，消费者网上购物的动机等。

其他可能继续的研究

本文重点研究评论的计算，其结果对电子商务的满意度和消费者认知的影响。

最近网络上出现的蒙牛诽谤门事件使消费者对网络评论的认知出现了新的转变。

消费者不能简单地相信他人的评论，因为有些评论本身是虚构的。

这样使得消费者对产品评论的可信度，产品评论的真实性产生怀疑，如何让合理合法的在线评论真正为商家和消费者产生更有效的帮助，以及如何处理不合法的产品评论的影响，这都将成为今后研究的方向。

5研究方法和技术路线

本文采用“实例调查与文献查阅—技术研究--理论研究--数学建模—模型计算—实例分析”的技术路线。

5.1通过一些实际生活中的实例，得出研究的切入点，据此进行文献查阅。

5.2根据文献的查阅，分析可能用到的关于评论获取的数据挖掘技术，并以此阐述其特点及方法。

5.3利用中文处理方法来对获取的评论数据进行预处理。

5.4利用观点树模型处理评论间的关系，并计算其结果

6论文的组织结构

本文大致分为七个章节，各章节的内容如下:

第一章介绍论文的选题背景和研究意义，介绍观点挖掘和情感分析的研究现状和有待解决的问题

第二章介绍不同信息渠道中在线评论的信息获取方法，在专业论坛、博客和购物网站中不同的获取信息的方法。

第三章介绍本文的技术理论核心部分，本章是情感分析和观点挖掘的基础性工作，词法和句法分析及观点词抽取工具，并详细阐述技术工具以及应用一些具体的实证。

第四章介绍评价和情感词的选取和情感语料的准备工作。

第五章介绍观点树方法，观点树的算法，观点树对产品评论的意义，通过几个实例对观点树进行佐证。

第六章分析电子商务满意度和消费者认知，结合消费者心理动机、购买特征等因素受产品评论的影响进行分析并得出结论。

第七章分析不足之处和后期继续研究的方向

7论文的重点、难点以及可能的创新之处

7.1论文的重点

第三章观点词的抽取为本文的重点之一，涉及技术性的内容。

第五章对观点树的迭代算法为论文的重点之一，构造一个模型，并计算总的影响。

第六章对满意度和消费者认知分析，是论文的研究重点，也是本文的研究意义，从中为商家和消费者提供一些应对策略。

7.2论文的难点

论文的难点包括第三章观点词抽取和第六章观点树模型算法。

7.3论文可能的创新之处

观点树模型的设计和观点树计算评论的结果的方法为本文可能的创新之处。

8论文完成的进度安排

8.12010.07—2010.10文献阅读和资料搜集、整理，在导师指导下，选择论文题目，撰写开题报告。

8.22010.11—2011.01对论文中提到的观点词的抽取工具进行实例的研究，并希望在抽取工具的应用上发现更适合论坛评论的抽取方法。

8.32011.02—2011.07对观点树进行模型设计和迭代算法的论证，使论文重点部分更好地为论文服务。

8.42011.08—2011.10征求导师意见，进行论文的总体撰写，形成论文的整体。

8.52011.11—在导师的指导下，进行最后的修改完善，准备论文答辩

9参考文献：

[1]PangB，LeeL，VaithyanathanS．ThumbsupSentimentclassificationusingmachinelearningtechniques[C]//Proceedingsofthe2002ConferenceonEmpiricalMethodsinNaturalLanguageProcessing（EMNLP），Morristown，NJ，USA：

AssociationforComputationalLinguistics．2002：

79—86．

[2]周晶晶.在线客户评论对消费者购买决策的影响力研究.中国优秀硕士论文，2010.

[3]丁菊玲等.一种面向网络舆情危机预警的观点柔性挖掘模型.[J]情报杂志，2009,10,152-154.

[4]LiuB，HuM，ChengJ．Opinionobserver：

Analyzingandcomparingopinionsontheweb[c]／／Pr0ceedingsofthe14thInternationalWorldWideWebConference（WWW），NewYork，NY，USA：

ACM，2005：

342—351．

[5]TurneyP．ThumbsuporThumbsdownSemanticorientationappliedtounsupervisedclassificationofreviews[C]／／Proceedingsofthe40thAnnualMeetingoftheAssociationforComputationalLinguistics（ACL），Morristown，NJ，USA：

Association

forComputationalLinguistics，2002：

417—424．

[6]DoubleClick．SearchbeforethePurchase—UnderstandingBuyerSearchActivityasitBuildstoOnlinePurchase[R]．

[7]MiniwattsMarketingGroup．InternetUsageStatistics-TheInternetBigPicture—WorldInternetUsersandPopulationStats[R]．2009（http:

//www.internetworldstats.corn/stats.htm）．

[8]DoubleClick．SearchbeforethePurchase—UnderstandingBuyerSearchActivityasitBuildstoOnlinePurchase[R]．

2005（

[9]TurneyP．ThumbsuporThumbsdownSemanticorientationappliedtounsupervisedclassificationofreviews[C]／／Proceedingsofthe40thAnnualMeetingoftheAssociationforComputationalLinguistics（ACL），Morristown，NJ，USA：

Association

forComputationalLinguistics，2002：

417—424．

[10]ChaovalitP，ZhouL．Moviereviewmining：

Acomparisonbetweensupervisedandunsupervisedclassificationapproaches[C]//Proceedingsofthe38thHawaiiInternationalConferenceonSystemSciences（HICSS），Washington，DC，USA：

IEEEComputerSociety，2005：

1—9．

[11]DaveK，LawrenceS，PennockD．Miningthepeanutgallery：

Opinionextractionandsemanticclassificationofproductreviews[C]／／Proceedingsofthe12thInternationalWorldWideWebConference（www），NewYork，NY，USA：

ACM，2003：

19—528．

[12]HatzivassiloglouV，McKeownK．Predictingthesemanticorientationofadjectives[C]//Proceedingsofthe8thConferenceonEuropeanChapteroftheAssociationforComputationalLinguistics（ACL／EACL），Morristown，NJ，USA：

AssociationforComputationalLinguistics，1997：

174—181．

[13]WilsonT，WiebeJ，HoffmannP．Recognizingcontextualpolarityinphrase·levelsentimentanalysis[C]//ProceedingsoftheConferenceonHumanLanguageTechnologyandEmpiricalMethodsinNaturalLanguageProcessing（HLT／EMNLP），Morristown，NJ，USA：

AssociationforCom