, 袁媛 东北大学 工商管理学院, 辽宁 沈阳 110169
收稿日期：2021-02-11
基金项目：国家自然科学基金资助项目(71771043)。
作者简介：田金霓(1996-), 女，吉林省吉林市人，东北大学硕士研究生;
尤天慧(1967-), 女，黑龙江宾县人，东北大学教授，博士生导师。
摘要：随着电子商务的发展, 在线评论已成为企业分析其产品竞争力的重要数据资源.通过评论文本提取消费者最关注的产品特征维度, 采用情感词典法对评论文本进行情感分析得到特征-情感分数对.计算特征维度的重要度和满意度以确定特征维度的机会得分, 并绘制机会景观图，分析目标产品自身的竞争力.依据特征维度的满意度, 比较目标产品与其竞争产品的竞争优劣势.基于两种视角下的竞争力分析结果给出目标产品竞争力提升策略, 使用Zol.com.cn网站提供的在线评论进行实验, 结果表明了所提出方法的可行性和有效性.
关键词：在线评论特征维度提取情感分析满意度机会得分产品竞争力分析
Product Competitiveness Analysis Method Based on Online Reviews
TIAN Jin-ni, YOU Tian-hui
, YUAN Yuan School of Business Administration, Northeastern University, Shenyang 110169, China
Corresponding author: YOU Tian-hui, E-mail: thyou@mail.neu.edu.cn.
Abstract: With the development of e-commerce, online reviews have been regarded as important data resources for enterprises to analyze the competitiveness of their products. Product feature dimensions that consumers pay most attention to were extracted from review texts. The sentiment analysis of review texts was performed based on the sentiment lexicon method to obtain the feature-sentiment score pairs. The opportunity scores of feature dimensions were calculated by the importance degree and satisfaction degree, and an opportunity landscape diagram was drawn to analyze the competitiveness of the target product itself. Feature dimension satisfaction degree was calculated to compare the competitive advantages and disadvantages between the target product and its competitive products. Competitiveness improvement strategies of the target product were given by considering the competitiveness analysis results from two perspectives comprehensively. The online reviews provided by Zol.com.cn were used to conduct experiments to illustrate the feasibility and effectiveness of the proposed method.
Key words: online reviewfeature dimension extractionsentiment analysissatisfaction degreeopportunity scoreproduct competitiveness analysis
产品竞争力分析通常是指分析目标产品自身的优缺点或其与竞争产品比较的差异[1], 来帮助目标企业提高其产品竞争力.随互联网和电子商务的不断发展, 越来越多的消费者通过在线评论分享他们对产品的使用体验和意见[2].通过分析消费者给出的在线评论可以帮助目标企业了解其自身产品的优缺点和与竞争产品比较的优劣势, 因此, 如何基于在线评论分析产品竞争力是一个值得关注的问题.
近年来, 针对基于在线评论的产品/服务竞争力分析方法的研究已引起有关****的关注[1, 3-8].例如, Liu等[3]利用网站给定的产品特征维度, 基于情感词典法对在线评论进行情感分析, 进而分析目标产品与竞争产品的优势和劣势.Wang等[1]在给定特征维度的基础上, 通过从在线评论中挖掘比较关系, 基于特征维度分析两个餐馆之间的竞争力.Gao等[4]利用文献[1]给出的产品特征维度, 通过从在线评论中提取的比较关系识别主要竞争产品, 并比较了目标产品与主要竞争产品之间基于特征维度的竞争优劣势.Jin等[5]通过词性标记和词频统计方法确定产品特征维度, 并从竞争产品的评论中选择少量具有代表性的比较句子, 基于产品特征维度分析与竞争产品之间的比较.Wang等[6]基于LDA模型对在线产品评论文本进行主题提取, 并通过正面和负面主题之间的对比分析, 确定两个竞争产品之间的竞争优劣势.Zhang等[7]提出了一个专家系统, 通过行业专家及词频统计方法确定产品特征维度, 然后通过将从评论中提取的显式特征和隐式特征分组到不同特征维度, 进行基于特征维度的情感分析, 并分别从产品自身和与竞争产品比较的视角帮助制造商从在线评论中发现产品弱点.Wang等[8]首先通过半监督的机器学习方法提取产品特征维度, 然后通过综合考虑非比较意见和比较意见计算产品特征维度的总得分, 进而检测产品自身缺陷及与不同产品比较的缺陷.
由于消费者是产品的最终用户, 企业应该更多地关注消费者最关注的产品特征维度, 并针对消费者最关注的特征维度分析其产品竞争力以保持竞争优势.在已有基于在线评论的产品竞争力分析方法中大多是网站或领域专家给出产品特征维度[1, 3-4, 7], 或基于规则[5, 7-8]、主题建模等[6]方法提取产品特征维度, 通过这些方法提取的产品特征维度粒度可能较细, 无法在语义上覆盖该维度的全部特征, 导致提取出的特征维度不一定是消费者最关注的特征维度.在已有基于在线评论的产品竞争力分析方法中大多仅从与竞争产品比较的视角进行研究[1, 3-6], 较少综合考虑产品自身和与竞争产品比较关系的两个视角进行目标产品的竞争力分析.文献[7-8]从两个视角进行了竞争力分析, 但其提取的产品特征维度可能不是消费者最关注的特征维度.本文给出了一种特征维度提取方法, 通过该方法可以提取出消费者最关注的产品特征维度, 并在此基础上给出一种考虑产品自身和与竞争产品比较关系的视角的产品竞争力分析方法.
1 问题描述本文基于在线评论的产品竞争力分析问题, 涉及到的相关数学符号说明如下:
P={P0, P1, P2, …, Pm}是m个产品的集合, 其中, Pi为第i个产品, i=0, 1, 2, …, m, P0表示目标产品, P1, P2, …, Pm表示目标产品的竞争产品.
Ti={Ti1, Ti2, …, Tφ}: Tit表示Ti中的第t个句子, i=0, 1, 2, …, m, t=1, 2, …, φi.
本文要解决的问题是: 如何依据相关网站提供的在线评论信息从目标产品自身和与竞争产品比较关系视角进行产品竞争力分析以辅助目标企业提升其产品竞争力.
2 竞争力分析方法为综合分析产品竞争力, 本文给出了一种基于在线评论且考虑目标产品自身和与竞争产品比较关系视角的产品竞争力分析方法, 下面给出本文方法的具体计算过程.
2.1 产品特征维度提取首先, 基于文献[9]构建的提取模式提取特征-情感对, 其中, 提取出的特征为名词, 情感词为形容词.记从句子Tit中提取的特征-情感对集为〈Fit, Sit〉, 从所有句子中提取的特征-情感对集记为〈F, S〉={〈f1, s11〉, …, 〈f1, s1λ1〉, …, 〈fδ, sδλq〉}.其中：fq表示第q个特征；sqγ表示第q个特征的第γ个情感词, q=1, 2, …, δ, γ=1, 2, …, λq.考虑到若某个名词被更多的情感词修饰, 则该名词最有可能是产品特征[10], 因此这里基于特征频次对提取的特征-情感对中的特征进行排序, 并将其中前Z个特征作为候选特征.特征fq的频次freq(fq)的计算式为
 | (1) |
邀请2位领域专家对候选特征进行过滤, 当2位领域专家都判定某一候选特征为非产品特征时, 则将该候选特征过滤掉, 并将其包含的特征-情感对从特征-情感对集〈F, S〉中删除, 记经过过滤后得到的特征集合为F'={f1′, f2′, …, fδ'′}, 其中f'q′表示第q'个特征, q'=1, 2, …, δ'.
由于F'中的特征可能是粗粒度的, 特征间可能存在语义重叠或语义覆盖的情形, 因此, 需要对彼此存在语义重叠或语义覆盖的特征进行聚合, 生成特征集群, 然后再从特征集群中提取特征维度.下面基于文献[11]给出的特征聚合原则对特征进行聚合.
1) 将具有高语义重叠的特征聚合到特征同义词集中.基于同义词词林扩展版和HowNet计算特征词之间的混合相似度：
 | (2) |
若两个特征间的混合相似度大于某一阈值, 则将其合并为特征同义词集, 记最终得到的e个特征同义词集的集合为O=[o1, o2, …, oe], 其中, oρ为第ρ个特征同义词集, ρ=1, 2, …, e.
2) 将具有高语义覆盖的特征同义词集聚合到特征集群中.基于特征同义词间isA关系的特征同义词集聚合和考虑特征同义词集多覆盖的特征集群的聚合.
本文采用CN-Probase构建有向特征图来确定各特征之间的isA关系.在CN-Probase中如果存在isA关系〈u, v〉, 则称上位词u为概念, 称下位词v为实体或实例.通过CN-Probase可构建有向特征图G=(V, E), 其中, V是特征的集合, E是有向边的集合(即isA关系的集合).如果同时存在〈u, v〉∈E, 〈v, u〉∈E, 即u和v互为对方的概念和实体, 则将u和v视为特征同义词, 并将其所在的特征同义词集ou和ov聚合在一起作为新的特征同义词集.通过该步骤可将O中能够互相语义覆盖的特征同义词集进行聚合, 形成新的特征同义词集的集合, 记为O=[o1, o2, …, oe].其中：oρ={fρ1, fρ2, …, fρζρ}表示第ρ个特征同义词集；fρ?ω表示特征同义词集oρ中第ω个特征同义词, ρ=1, 2, …, e, ω=1, 2, …, ζρ.
基于文献[11]算法的思路确定特征同义词集的聚合顺序, 将O中特征同义词集聚合为特征集群.与文献[11]不同的是, 本文输出的每个特征集群是由一个或多个特征同义词集组成, 且每个特征集群中的特征同义词集之间是按“先上位, 后下位”的顺序进行聚合.同一特征同义词集可能被多个特征同义词集覆盖或者覆盖多个特征同义词集, 本文以特征同义词集之间的共现率作为特征同义词集聚合顺序的基准.针对特征同义词集的两种覆盖关系, ou与ov的共现率计算式为
 | (3) |
通过计算特征同义词集的共现率可以将特征同义词集聚合生成特征集群, 且每个特征集群都是由一个或多个特征同义词集按上下位排序生成.某个特征被提及的频次越高, 表示消费者越关注该特征.因此, 可通过式(1)计算每个特征出现的频次, 并将每个特征集群中第一个特征同义词集里频次最高的特征作为特征维度.记最终得到的特征维度集为A={A1, A2, …, AK}, 其中, Al表示第l个特征维度.特征维度Al的特征集
基于先前提取的特征-情感对集
2.2 特征-情感分数对的生成考虑到使用同一情感词描述成本型特征和效益型特征时其表达的情感倾向可能是不同的[12], 例如, “高”在描述成本型特征“耗电量”时表达的是负向情感倾向, 而在描述效益型特征“性价比”时则表达的是正向情感倾向.因此, 为了提高在线评论情感分析的准确性, 需要构建产品特征领域情感词典.
基于中国知网HowNet和台湾大学NTUSD得到基础正向情感词典SD+和基础负向情感词典SD－[13].根据SD+, SD－和
 | (4) |
 | (5) |
记Scoreitlθ表示特征
步骤1??将
步骤2??将情感词距离阈值B(B为程度副词距离阈值)内的词与SDdadv进行匹配, 若有交集, 获取其中最高等级的程度副词权重w, 此时Score″itlθ=Score′itlθ×w.若没有交集, 此时Score″itlθ=Score′itlθ.
步骤3??若情感词距离阈值B(B为程度副词距离阈值)内的词与SDdadv有交集, 则将具有最高等级的程度副词修饰的情感词的距离阈值B(B为否定词距离阈值)内的词与否定词词典SDneg进行匹配, 记匹配总数为Sum, 若Sum % 2=0, 则Scoreitlθ=Score″itlθ, 否则Scoreitlθ=(－1)×Score″itlθ.若情感词距离阈值B内的词与SDdadv没有交集, 此时分为3种情况：①每一个情感词的距离阈值B内的否定词总数均为偶数, 即Sum % 2=0, 则Scoreitlθ=Score″itlθ；②所有情感词的距离阈值B内的否定词总数均为奇数, 即Sum % 2≠0, 则Scoreitlθ=(－1)×Score″itlθ；③不是所有情感词但至少存在一个情感词的距离阈值B内的否定词总数为奇数, 则Scoreitlθ=0.
最终, 可计算出特征
2.3 产品竞争力分析1) 目标产品自身视角下的竞争力分析: 主要通过计算产品各特征维度的重要度和满意度来确定产品特征维度的机会得分, 并基于特征维度的重要度和满意度生成产品特征维度的机会景观图来分析目标产品的竞争力[14].通常若产品某特征维度在评论中被提及的次数越多则表明消费者越重视该特征维度, 若某特征维度正向情感分数越高则表明消费者对该特征维度越满意, 那么产品某特征维度被提及的频次与产品所有特征维度被提及的频次之和的比可被视为是产品某特征维度的重要度, 而产品某特征维度的正向情感分数之和与特征维度总情感分数(正向情感分数与负向情感分数绝对值之和)的比可被视为产品某特征维度的满意度.基于以上分析可确定产品Pi的特征维度Al的重要度和满意度的计算式分别为
 | (6) |
 | (7) |
依据式(6)和式(7)可计算目标产品P0的特征维度Al的机会得分[14]：
 | (8) |
计算出目标产品P0的特征维度的重要度、满意度及机会得分后, 可绘制出目标产品的机会景观图, 如图 1所示.其中, 平均满意度表示所有特征维度的满意度的平均值, 平均重要度表示所有特征维度的重要度的平均值.机会景观图分为3个区域[14]：优势服务区域、平均服务区域和劣势服务区域.如果某特征维度分布在优势服务区域, 表明该特征维度不是很重要但过度满意, 说明该特征维度是目标产品P0的优势维度；若某特征维度分布在平均服务区域, 则表明该特征维度是适当满足的, 说明该特征维度是目标产品P0的中性维度；若某特征维度分布在劣势服务区域, 表明该特征维度很重要但存在较大的不满意情况, 说明该特征维度是目标产品P0的劣势维度.
图 1(Fig. 1)
 | 图 1 机会景观图(气泡的大小=机会得分)Fig.1 Opportunity landscape map(bubble size= opportunity score) |
2) 目标产品与竞争产品比较关系视角下的竞争力分析：①通过式(7)计算出目标产品和竞争产品Pi在特征维度Al的满意度, 并通过可视化工具(如柱形图等)从不同特征维度对目标产品和竞争产品进行竞争优劣势的可视化比较分析；②依据特征维度的满意度计算产品满意度, 然后基于产品满意度对目标产品和竞争产品进行排序确定目标产品的竞争地位.产品Pi的满意度计算式为
 | (9) |
2.4 基于特征维度的目标产品竞争力提升策略综合考虑目标产品自身视角和与其竞争产品比较视角的竞争力分析结果, 给出目标产品的竞争力提升策略.
1) 当目标产品某特征维度分布在优势服务区域时: 在目标产品自身视角下, 该特征维度是优势维度; 在与竞争产品比较的视角下, 若消费者对于目标产品的满意度高于竞争产品, 说明目标产品在该特征维度处于竞争优势, 企业可以选择适当减少在该特征维度的投入; 若消费者对于目标产品的满意度低于竞争产品, 说明目标产品在该特征维度处于竞争劣势, 企业可以通过采用附加服务策略改善在该特征维度的这种竞争劣势.
2) 当目标产品某特征维度分布在平均服务区域时: 在目标产品自身视角下, 该特征维度是中性维度; 因此, 无论消费者对于目标产品的满意度是否高于竞争产品, 企业针对该特征维度的竞争策略可暂时不作调整, 继续保持原有策略.
3) 当目标产品某特征维度分布在劣势服务区域时: 在目标产品自身视角下, 该特征维度是劣势维度; 在与竞争产品比较的视角下, 若消费者对于目标产品的满意度高于竞争产品, 说明目标产品在该特征维度处于竞争优势, 但该特征维度还没有达到消费者对满意度的需求, 是目标产品的创新机会, 企业可以在该产品特征维度上继续研发创新, 保持自己在该特征维度上的独特优势; 若消费者对于目标产品的满意度低于竞争产品, 说明目标产品在该特征维度处于竞争劣势, 企业应该立即对该特征维度进行改进.
为了提高目标产品在市场中整体的竞争力, 企业可以将产品特征维度的机会得分进行降序排列, 并依据此顺序进行改进或创新.
3 实例分析以目标产品OPPO R11手机和其竞争产品黑鲨游戏手机、小米8手机及魅族16 th手机为例来说明本文所给出的基于在线评论的产品竞争力分析方法的潜在应用.为了解消费者最关注的手机特征维度, 本文从中关村在线网站(Zol.com.cn)上爬取了包括OPPO R11、黑鲨游戏、小米8和魅族16 th在内的38部同等价位手机的在线评论, 共计12 319条, 除去没有文字等无效评论数据, 获得有效评论10 367条.下面给出采用本文竞争力分析方法的计算过程和主要结果.
在产品特征维度提取过程中, 选择前1 000个特征作为候选特征, 运用2.1节给出的特征维度提取方法提取出14个消费者最关注的特征维度, 如表 1所示.
表 1(Table 1)
 表 1 从在线评论中提取的特征维度及其特征词示例Table 1 Feature dimensions extracted from online reviews and examples of feature words
| 表 1 从在线评论中提取的特征维度及其特征词示例 Table 1 Feature dimensions extracted from online reviews and examples of feature words |
为了验证产品特征维度提取方法的有效性, 招募了2名具有至少8年手机使用经验的注释者来手动标记手机的特征维度.将2个注释者都标记为手机的特征维度作为最终特征维度, 并使用kappa系数计算注释者之间的一致性.实验结果: kappa=0.86, 这表明注释者之间的注释结果几乎完全一致[15].进一步地, 使用Precision(精确度), Recall(召回率)和F－measure(F-度量)评估特征维度提取方法的有效性.
3个评估指标的计算公式分别为
 | (10) |
 | (11) |
 | (12) |
最终实验结果显示: Precision, Recall和F－measure分别为85.71 %, 92.31 % 和88.89 %.实验结果表明, 该方法是有效的.
本实验设置程度副词距离阈值B=1, 否定词距离阈值B =2.计算得到OPPO R11各特征维度的重要度、满意度和机会得分如表 2所示.
表 2(Table 2)
表 2 OPPO R11各特征维度的重要度、满意度和机会得分Table 2 Importance degree, satisfaction degree and opportunity score of each feature dimension of OPPO R11
| 表 2 OPPO R11各特征维度的重要度、满意度和机会得分 Table 2 Importance degree, satisfaction degree and opportunity score of each feature dimension of OPPO R11 |
OPPO R11特征维度的机会景观图如图 2所示.由图 2可知, 特征维度“性能”处于劣势服务区域, 就OPPO R11自身而言, 消费者对其“性能”的满意度低于重要度, 是其劣势维度; 而特征维度“画面”、“声音”、“屏幕”、“相机”和“性价比”处于优势服务区域, 就OPPO R11自身而言, 这些特征维度是其优势维度; 而其他特征维度则处于平均服务区域.
图 2(Fig. 2)
 | 图 2 OPPO R11特征维度的机会景观图Fig.2 Opportunity landscape map of feature dimensions of OPPO R11 |
通过计算可以得到黑鲨游戏手机、小米8手机和魅族16 th手机各特征维度的满意度, 在此基础上分别绘制OPPO R11与黑鲨游戏手机、小米8手机和魅族16 th手机的特征维度比较图, 如图 3~图 5所示.OPPO R11与黑鲨游戏手机基于特征维度的竞争优劣势可视化比较柱形图如图 3所示, 与黑鲨游戏手机相比, OPPO R11在“外观”、“性能”、“屏幕”、“做工”、“价格”、“科技”、“声音”和“画面”等特征维度处于竞争优势; 而在“性价比”、“电池”、“风格”、“系统”、“相机”和“人”等特征维度, OPPO R11处于竞争劣势.
图 3(Fig. 3)
 | 图 3 OPPO R11与黑鲨游戏手机的特征维度比较Fig.3 Comparison of feature dimensions between OPPO R11 and Black Shark gaming phone |
图 4(Fig. 4)
 | 图 4 OPPO R11与小米8的特征维度比较Fig.4 Comparison of feature dimensions between OPPO R11 and Xiaomi 8 |
图 5(Fig. 5)
 | 图 5 OPPO R11与魅族16 th的特征维度比较Fig.5 Comparison of feature dimensions between OPPO R11 and Meizu 16 th |
通过图 3~图 5可以了解OPPO R11与竞争产品基于特征维度比较的优劣势, 为了提高OPPO R11的市场竞争力, 针对竞争产品黑鲨游戏手机, 通过图 2和图 3可以发现OPPO R11的“性能”处于劣势服务区域且机会得分最高, 消费者在该特征维度对OPPO R11的满意度要高于黑鲨游戏手机, 说明OPPO R11在“性能”上处于竞争优势, 但该特征维度还没有达到消费者的满意度需求, 是OPPO R11的创新机会, 企业可以在“性能”上继续研发创新, 以保持自己在该特征维度的独特优势.OPPO R11的“做工”、“系统”、“人”、“风格”和“价格”等特征维度处于平均服务区域, 说明在这些特征维度服务是恰当的, 企业无需对这些特征维度进行改进.OPPO R11的“性价比”、“相机”、“屏幕”、“画面”和“声音”均在优势服务区域, 但消费者在“屏幕”、“画面”和“声音”上对OPPO R11的满意度高于黑鲨游戏手机, 说明这3个特征维度是OPPO R11的竞争优势.因此, 企业可以适当减少对这些特征维度的投入.而在“性价比”和“相机”上, 消费者对于OPPO R11的满意度低于黑鲨游戏手机, 说明OPPO R11在这两个特征维度上处于竞争劣势, 企业可以针对这两个特征维度采用附加服务策略改善这种竞争劣势.
通过图 4和图 5也可以分别给出针对小米8手机和魅族16th手机的产品竞争力提升策略.为了提升OPPO R11在市场中的竞争力, 企业对其特征维度的改进顺序根据机会得分的大小依次为“性能”、“性价比”、“相机”、“画面”、“声音”和“屏幕”.
本实验设置各特征维度的权重相同, 通过式(9)可以计算OPPO R11、黑鲨游戏手机、小米8手机和魅族16 th手机的产品满意度分别为90 %, 81 %, 76 % 和74 %.由此可以得出OPPO R11和其竞争产品的整体排名, 由高到低依次是OPPO R11、黑鲨游戏手机、小米8手机和魅族16 th手机, 说明OPPO R11相较于其他竞争产品处于领先地位.
4 结语1) 本文给出了基于在线评论的产品竞争力分析方法, 该方法首先提取消费者最关注的特征维度.在此基础上, 综合考虑目标产品自身视角和与竞争产品比较的视角分析产品竞争力, 并给出目标产品的竞争力提升策略.
2) 本文提出的产品特征维度提取方法有助于企业捕捉消费者对于其产品的需求变化, 及时发现消费者的新需求.
3) 本文综合考虑产品自身视角和与竞争产品比较视角分析产品竞争力, 不仅有助于企业了解产品在市场中的定位, 还能帮助其根据不同的竞争产品制定面向特征维度的产品竞争力提升策略, 进而辅助产品设计师在产品设计过程中对产品特征维度进行改进或创新, 以保持产品持续的竞争优势.
本文局限在于仅考虑在线评论的评论文本信息, 今后研究工作中需要考虑其他类型的在线评论, 如数字评级和比较投票等信息.
参考文献
| [1] | Wang H W, Gao S, Yin P, et al. Competitiveness analysis through comparative relation mining evidence from restaurants' online reviews[J]. Industrial Management & Data Systems, 2017, 117(4): 672-687. |
| [2] | 梁霞, 姜艳萍, 高梦. 基于在线评论的产品选择方法[J]. 东北大学学报(自然科学版), 2017, 38(1): 143-147. (Liang Xia, Jiang Yan-ping, Gao Meng. Product selection methods based on online reviews[J]. Journal of Northeastern University(Natural Science), 2017, 38(1): 143-147. DOI:10.3969/j.issn.1005-3026.2017.01.029) |
| [3] | Liu Y, Jiang C Q, Zhao H M. Assessing product competitive advantages from the perspective of customers by mining user-generated content on social media[J]. Decision Support Systems, 2019, 123: 113079. DOI:10.1016/j.dss.2019.113079 |
| [4] | Gao S, Tang O, Wang H W, et al. Identifying competitors through comparative relation mining of online reviews in the restaurant industry[J]. International Journal of Hospitality Management, 2018, 71: 19-32. DOI:10.1016/j.ijhm.2017.09.004 |
| [5] | Jin J, Ji P, Gu R. Identifying comparative customer requirements from product online reviews for competitor analysis[J]. Engineering Applications of Artificial Intelligence, 2016, 49: 61-73. DOI:10.1016/j.engappai.2015.12.005 |
| [6] | Wang W X, Feng Y, Dai W Q. Topic analysis of online reviews for two competitive products using latent dirichlet allocation[J]. Electronic Commerce Research and Applications, 2018, 29: 142-156. DOI:10.1016/j.elerap.2018.04.003 |
| [7] | Zhang W H, Xu H, Wan W. Weakness finder: find product weakness from Chinese reviews by using aspects based sentiment analysis[J]. Expert Systems with Applications, 2012, 39(11): 10283-10291. DOI:10.1016/j.eswa.2012.02.166 |
| [8] | Wang H W, Wang W. Product weakness finder: an opinion-aware system through sentiment analysis[J]. Industrial Management & Data Systems, 2014, 114(8): 1301-1320. |
| [9] | Liu C, Tang L, Shan W. An extended HITS algorithm on bipartite network for features extraction of online customer reviews[J]. Sustainability, 2018, 10: 1-15. DOI:10.3390/su10020001 |
| [10] | Eirinaki M, Pisal S, Singh J. Feature-based opinion mining and ranking[J]. Journal of Computer & System Sciences, 2012, 78(4): 1175-1184. |
| [11] | Luo Z Y, Huang S S, Zhu K Q. Knowledge empowered prominent aspect extraction from product reviews[J]. Information Processing & Management, 2019, 56(3): 408-423. |
| [12] | 毕建武, 刘洋, 樊治平. 依据在线评论的商品排序方法[J]. 系统工程学报, 2018, 33(3): 422-432. (Bi Jian-wu, Liu Yang, Fan Zhi-ping. Method for ranking products through online reviews[J]. Journal of Systems Engineering, 2018, 33(3): 422-432.) |
| [13] | Sun Q, Niu J W, Yao Z, et al. Exploring eWOM in online customer reviews: sentiment analysis at a fine-grained level[J]. Engineering Applications of Artificial Intelligence, 2019, 81: 68-78. DOI:10.1016/j.engappai.2019.02.004 |
| [14] | Jeong B, Yoon J, Lee J M. Social media mining for product planning: a product opportunity mining approach based on topic modeling and sentiment analysis[J]. International Journal of Information Management, 2019, 48: 280-290. DOI:10.1016/j.ijinfomgt.2017.09.009 |
| [15] | Landis J R, Koch G G. The measurement of observer agreement for categorical data[J]. Biometrics, 1977, 33: 159-174. DOI:10.2307/2529310 |
