基于在線產品評價的網絡輿情情感分析策略

摘 要：針對當前情感分析中存在精確度不高、細致程度不夠、適用范圍狹小等問題，文章結合層級分類思想與情感分析，為不同情感傾向類型劃分多層級，在確定領域中進一步擴大與提升情感分析的角度和精度。同時，以發散樹結構分支的方式增強情感傾向類型在深度和廣度等方面的擴展力，使其更符合人類大腦對客觀的情感傾向，為構建針對 APP 零售平臺中在線產品評價信息的消費者意見挖掘及情感分析模型等提供技術支持。

關鍵詞：產品評價：情感傾向：情感分析

中圖法分類號：F713文獻標識碼：A

１ 引言

隨著ＡＰＰ 及其平臺技術的迅猛發展和電子商務的普及，網絡消費已常態化。線上與線下相結合的網上消費過程產生了大量的在線產品評價信息，對這些信息進行情感分析，既可以為消費者在后續的網上消費中提供參考，又能幫助產品企業提升商品和服務質量、優化商業決策。當前，在線產品評價信息的情感分析已取得了一定的研究成果，但現有的許多研究在情感傾向及其屬性的分析和預測中依然存在精度不高、細致程度不夠、適用范圍狹小等問題［１］。因此，如何從中挖掘出有價值的關鍵信息，最大程度地幫助企業提升判斷力，因地制宜地提升商品和服務質量，進而科學地制定營銷策略、把握流行趨勢，已成為極其熱門的一個研究課題。

２ 情感分析

２．１ 情感分析概述

作為一種分析方法，情感分析也叫做觀點挖掘，它通過對信息文本進行內容挖掘，并對人們在特定情感背景下所表達的評價、觀點、態度等內容下的情感傾向進行分析和預測。在早期的情感分析研究中，它被看作單一的情感分類，這是一種從基于主題的文本分類任務出發所衍生出的針對情感這個特定主體而進行的文本分類任務［２］ ，隨著研究工作的不斷深入，情感分析已成為自然語言處理領域文本挖掘方向一個持續的重要研究課題。

２．２ 網絡輿情與情感分析

情感分析是網絡輿情分析中的關鍵方法［３］ ，主要依靠自然語言處理和文本語義挖掘來實現，通過對網絡輿情信息中評價主體所發表的觀點、評價等文本內容進行語義挖掘，進而分析和預測出人們對某些情感屬性方向上所潛藏的含有個人情感色彩的主觀性傾向。

３ 層級情感分析方法

３．１ 層級情感分類情感分類是情感分析領域的一個經典任務?，F實環境中存在一類比較特殊的情感分類信息，這類情感信息在分類處理操作中通常被歸納為由多個層級子標簽組合而成的情感類別標簽。將層級情感分類下的各子層級類別標簽看作拓撲型樹結構或有向無環圖結構等，在樹結構或圖結構中每一條有向路徑上的層級子標簽之間均含有一定的關系依賴。通常情況下，層級情感分類算法能從層級類別樹結構中找到一條或多條有向層級類別路徑。為解決當前主流情感分析研究深度和廣度不足等問題，也為了更好地利用不同情感傾向間復雜豐富的依賴關系，可嘗試結合層級分類思想與情感分析［４］ ，為不同情感傾向類型劃分多層級，從而細化情感分析的角度和精度。

３．２ 層級算法結構與流程

本文提出的層級情感分析算法將情感信息設計成層級樹形結構，這更加契合層級化的情感傾向類別。通過層級樹形結構來實現相鄰層級之間的信息傳遞，使用神經網絡挖掘各層級情感傾向的特征信息，同時結合多種機制提升算法模型整體性能。層級情感分析的算法結構與流程如圖１ 所示。

輿情輸入模塊主要依靠中文預訓練模型實現，負責對輿情信息進行預處理。緊接著，輿情信息的語義文本表示被傳遞到語義情感理解部分，如圖１ 中左側含省略號的實線框體部分為契合層級情感類別。設計分層樹狀結構，層級的具體數量由輿情信息中的最大層級情感類別層數所決定。每一層級均由兩種信息處理模塊構成，分別實施情感特征獲取和層級信息傳遞操作。情感特征獲取模塊采用了神經網絡結構機制，負責從語義文本表示中挖掘出本層級的情感傾向類別信息，層級信息傳遞模塊主要負責匯總本層級的語義文本、層級情感傾向類別信息及本層級的情感分類結果，并傳遞給下一層，進而傳遞層級間的依賴關系及信息。圖１ 中右側含省略號的實線框體部分是局部情感分析部分，該部分由每層的層級情感分類模塊及情感分析結果構成，這個模塊的主要作用是匯總本層級情感特征獲取模塊和信息傳遞模塊的輸出信息，并預測本層級的情感傾向性，同時將結果回傳給本層的信息傳遞模塊，及時地將分析結果及其他依賴信息傳遞給下一層。另外，全局情感分類模塊與層級情感分類模塊的不同之處在于它還負責匯總、整合每層挖掘出的情感傾向信息，并從整體視角預測分析。在計算得出各層和整體情感傾向分析結果后，匯總并整合層級分析結果并輸出最終結果。

４ 層級情感通信模型

４．１ 層級子網絡構建

在各層級通信網絡中起到信息接收和傳遞作用的主要是各層級信息傳遞模塊，它們不僅在本層級組成本層級的通信網絡，還和各層依托樹形結構形成層級通信子網。層級信息傳遞模塊的作用，主要是接收上一個層級傳遞過來的情感傾向類別、分析結果等信息；同時結合本層級的情感語義等信息進行整合；根據本層級的情感傾向分析和預測的結果來構建本層級對應的情感傾向信息，并傳遞至下一層級。層級通信子網絡模塊構建如圖２ 所示。

４．２ 各層級子網絡內部映射關系

層級通信網絡主要通過各層級的信息傳遞模塊實現。從整個算法模型來看，層級信息傳遞模塊構建不同層級之間的情感信息及相互依賴的關系，如圖２所示，層級情感分析的過程中不同層級各自的情感傾向類別之間存在深厚的依賴關系，深層級的情感傾向類別依賴于其所屬的淺層級情感傾向類別，這種依賴關系是樹結構中的父子關系。

各層級通信網絡的一個重要作用是接收上層級的情感傾向類別信息，在整合本層級信息后形成本層級內層級情感分類模塊的輸入內容。

Ｄ（ｎ）＝ Ｖ?Ｓｎ－１ （１）

Ａ（ｎ，ｃ）＝ ｓｏｆｔｍａｘ［Ｃ（ｎ）?ｔａｎｈ ［Ｗ（ｎ，Ｄ）?［Ｄ（ｎ）］Ｔ ］］ （２）

Ｖ（ｎ，ｃ）＝ ａｖｇ［Ａ（ｎ，ｃ）?Ｄ（ｎ）］ （３）

式（１）、式（２）、式（３）是第ｎ 層本層的信息傳遞模塊的主要計算過程。其中，式（１）中Ｖ 為所輸入的輿情文本產生的情感語義表示，Ｓｎ－１ 為上一層傳遞過來的信息矩陣，之后通過矩陣對位乘法得到新的情感語義表示Ｄ（ｎ）。再據式（２）計算情感傾向類別權重，其中Ｃ（ｎ）為第ｎ 層的情感類別表示向量集合，Ａ（ｎ，ｃ）是參數范圍在０～１ 之間的情感傾向類別權重矩陣，Ｎ（ｎ，ｃ）為第ｎ 層級情感傾向類別數量。式（３）使用本層級新的情感語義表示Ｄ（ｎ）與權重矩陣Ａ（ｎ，ｃ）做矩陣乘法，即當前第ｎ 層在接收了上一層（第ｎ－１層）傳遞過來的情感傾向信息后，結合本層情感傾向的語義表示，得到本層的情感分析結果Ｖ（ｎ，ｃ）。

各層級通信網絡的另一重要作用就是整合本層第ｎ 層的情感傾向信息和本層層級情感分類模塊輸出的分析及預測結果，并構建本層與下一層間的依賴信息，然后將其傳遞至下一層（第ｎ＋１ 層）進行處理。Ｕ（ｎ）＝ ｔｒａｎｓｍｉｔ［ｍａｘ［Ｐ（ｎ，Ｌ）］?Ａ（ｎ，ｃ） （４）Ｓ（ｎ）＝ ｔｒａｎｓｍｉｔ［ａｖｇ［Ｕ（ｎ）］］ （５）式（４）就是用于傳遞本層依賴信息至下一層的核心公式。對當前第ｎ 層的情感傾向結果Ｐ（ｎ，Ｌ）做最大化處理，并保留第ｎ 層的關鍵情感傾向預測信息?；诖?，將當前第ｎ 層級內所有預測出的可能結果全部捕捉，可讓下一層（第ｎ＋１ 層）的處理操作更關注此情感傾向類別的子類別，以實現層級情感分析中相鄰層級間的父子關系。然后，它還將該情感信息結果與權重矩陣進行矩陣對位乘法，得到權重矩陣Ｕ（ｎ），該權重矩陣中的每一個參數綜合了本層不同情感傾向類別的不同貢獻度。最后通過式（５）傳遞至下一層（第ｎ＋１ 層）的情感傾向信息格式。

５ 基于產品評價的層級情感分析策略的應用

５．１ 產品評價情感與商品競爭力

通過對消費者在線產品評價信息進行提取及分析，可深入挖掘出消費者消費信息或者某些特征的需求、情感、主觀性等信息。通過情感分析，如果得到的多數是正向反饋，說明消費者對產品某些特征的認可，也說明產品的這種特征得到了市場的認可。反之，則說明產品的某些特征市場的認可度低，可根據評價信息分析及完善。若一個產品的多特征的市場認可度均高，則其市場競爭力強、份額很多、銷量高。反之，如果一個產品的多特征均沒有得到市場認可，那么其市場競爭力弱、份額少、銷量低［５］ 。由此可見，對消費者在線產品評價信息中所含有的消費者情感傾向和產品特征情況進行情感分析和預測，充分體現了該產品是否具有一定的市場競爭力。

５．２ 產品評價情感與企業競爭力

與其他渠道相比，由消費者自愿輸出的在線產品評價信息蘊含著廣大消費者對產品的使用體驗、意見、建議等信息，是企業完善產品和服務質量、提高產品競爭力的重要信息來源，特別是以消費產品為主要導向的實體企業。由于在線產品評價信息數量巨大，而且大多數都是以非結構化文本進行存儲的，同時由于消費者受教育程度、地域文化、表達習慣等方面的差異，對產品同一特征往往會有不同的表示。因此，利用層級情感分析機制對產品特征關注度與消費者的情感傾向按照權重矩陣進行計算，可以進一步得到加權特征情感傾向，從而得到消費者對商品多個不同特征的關注度。同時，可以從不同的維度對在線產品評價信息進行層級情感分析，以挖掘消費者對產品的一個或多個特征更為精細的情感傾向表達，從而為企業制定生產、銷售等策略提供更準確、更可靠、更有針對性的信息支持。

６ 結束語

本文提出的層級情感分析方法雖然在分析角度上具有更強的擴展性等優勢，但畢竟是輕量級的系統設計，如果網絡輿情信息十分龐大，那么從數據庫設計到系統架構再到前端顯示的方式必須進行相應的改進，這才能保證系統能夠承受足夠的壓力?？傊?，隨著ＡＰＰ 及其平臺技術的飛速發展，消費者在更豐富的網絡渠道樂于發表自己對某個產品某特征的情感傾向。網絡輿情分析的核心是情感分析，值得我們深入研究探討。

參考文獻：

［１］ 王安寧，張強，彭張林，等．在線評論的行為影響與價值應用研究綜述［Ｊ］．中國管理科學，２０２１（１２）：４６?５０．

［２］ 李鐵．面向大規模電商評論的情感分析與興趣挖掘研究［Ｄ］．成都：電子科技大學，２０１８．

［３］ 黃思源．網絡輿情分析與輔助決策系統設計與開發［Ｄ］．成都：電子科技大學，２０１９．

［４］ 劉文甫．基于混合語義學習的短文本表示與分類關鍵技術研究［Ｄ］．鄭州：戰略支援部隊信息工程大學，２０２２．

［５］ 王忠群，王族，錢寅亮，等．基于超網絡和在線評論的產品競爭力分析［Ｊ］．情報理論與實踐，２０２２，４５（４）：１１３?１１９．

作者簡介：

嚴長虹（１９８０—），博士，高級實驗師，研究方向：信息管理、計算機基礎應用。