基于影评数据的在线评论有用性影响因素研究

特木其勒

摘要:面对现今网络上巨大的在线客户反馈，快速有效地识别和选择有用的反馈已成为一个重要问题。本文是基于对体验式传播在电影的在线评论，结合文本分析和实践方法，研究影响在线评论有效性的因素，二度创作影响在线评论有效性的模型，并利用该模型预测在线评论有效性。

关键词:口碑;在线评论;有用性;文本特征

口碑是表达产品或服务意见的非正式方法。对观众行为和传播的大量研究表明，该口碑在消费者的不确定性和帮助消费者决策方面起着重要作用。强大的互联网信息存储和检索功能是当今消息传递的一大优势。越来越多的人在网络空间发布和发布产品报告，如在线论坛、抖音、博客、豆瓣等专业产品评估网站，为客户提供全面的决策信息，同时也是信息时代的一个共同问题，鉴于评论数量众多，受众可能会可能会迷失。使用有价值的信息不能有效地识别所需文化产品的质量。

1. 在线评论有用性影响因素模型

基于上述理论假设，对在线评论服务的影响因素进行了建模。评价的效果从积极情绪的倾向、概率评价、主观表达倾向和标准差的平均值、评论的概率率和积极情绪的概率等方面来看。从趋势概率到评价，从趋势概率到注释标题的主观表示。它衡量评论的重要性，除以网站认为有用的票数。对于某些产品评价的积极情绪，使用网站评价作为代理指标，而不是机器搜索方法获得的概率值。最重要的一点是评价者的评价是比数据机器人学习评价更准确客观的最原始数据，同时具有当代人的价值取向及共鸣感。也就为创作者提供了有效信息为二度创作立功了依据。Ghose和Ipeirotis的研究采用对评论的效用、发表日期和可读性。

2. 研究数据及文本特征识别方法

1.目的研究。在访谈一位大学数据研究教授时，确定了一系列可能的产品，包括小说、文艺作品、电影等。根据n e lson测量表开发了反映产品体验要求的测试认为使用在线描述信息(没有买方反馈)来评估产品质量很容易吗？是否需要在购买之前测试测试体验？（一非常简单、五非常困难），十名学生被随机邀请评估名单上的所有候选人。结果表明，受试者最需要体验小说和电影需求最强。最后，我们选择体验商品作为以下实证，主要是因为电影被认为是影响口碑严重的产品。此外，电影是一种典型的体验。大部分体验式传播目前都在研究电影等艺术形式。本文对同一产品进行了检验，以便于比较和验证结果。如《流浪地球》是我国近年来少有的科幻冒险类电影题材，经过小范围的点映和网络评论环节给了主创团推很多有效反馈及意见。最终被采纳好多内容进行二度创作时得以呈现。

2.数据研究。此研究所需的数据来自Java项目。网上电影评论资料来源于著名的电影评论网站(电影)。首先，500部电影中有两部被随机选为代表性电影，分别是动画、喜剧、恐怖、恐惧、战争、冒险和科幻。接下来的14家机构从发布到放映结束都被收录在视频网站上，包括情绪趋势、发布时间、评估、标题和每条评论的文本的正负数值。这是一项评估，其中有些客户在阅读完他们的意见后，会投票通过“注释服务”，然后对网站进行评论，以便通过协调累积人数来帮助他们进行评估，从而评估他们的优势。总的来说，电影影评发布在放映后一个月内密集，电影评论的注意力和评价非常集中。由于某些注释对影片不太感兴趣，因此稍后不会对其进行评估，因此以后使用评估数据时不会客观地反映注释本身的质量。本文论述了14部样片发表后一个月内的评论。此外，评价评论有效性的总票数为1(仅一个评估人)。由于这些评价太短，业绩评价指标的价值不具代表性，因此不考虑业绩评价的累积总计。最后，为模型的实验收集了1686个膜样本。

3.文本特征检测。此模型使用L ingP ipe工具对访问的机器文本进行分类。执行以下步骤:在Java编程中创建相应的动态语言模型分类器，使用手动标记的文本语料进行培训，然后选择另一个测试示例来评估分类效果。最后，使用训练有素的分类器对情感进行分类，并计算未知文本的趋势。本文的文本识别培训和测试实例主要来自两个来源:一个是研究者提供的语言数据库，另一个是Y ahooM ov ies除了14部电影的样品外，电影网站上还有其他电影的评论。甄选过程如下：

(1)根据上述定义，采用Pang和Lee研究采用800部电影场景介绍和对电影评论。电影评论客观描述的培训和测试语言数据库。2/3的数据用于培训，1/3用于测试。以下附加文本属性的培训和测试模式分布相同。来自YahooM ov ie本文选择电影页面上的14个电影实例和765个观点作为电影透视评价的培训和测试材料。

（2）在电影评论中对正情绪和消极情绪进行分类，因为Y ahooM ov ies电影页上的每个评论都有积极和消极的情感方面。因此，用文本挖掘方法来判断电影评论的正反情绪的概率是没有必要的，但电影评论的正反情绪的混合仍然必须通过网站文本挖掘方法，除了14部电影的正面和负面评价报告外，还选择了400份正面和负面评价报告作为正面和负面情绪的培训和测试材料。根据相应的培训库，形成了三个分类:客观评价和描述、积极和消极情绪、主观和客观观点。然后使用相应的测试数据库验证分类器的正确性。85.15，83.34，78.71%，并指出这三个分类均分类良好。

三、模型结果分析

1.统计分析。模型中的所有变量都可视为连续变量。为了提前阐明感官倾向与保护反馈之间的关系，根据成绩指标和电影的正负情感成绩对连续变量的评价进行了分类，评价反馈效果分为有用的0和无用的0。还有电影评论网站上电影的正反情感可以分为5 A-F类。除F类外，每个类都分为三个子类。我们将13个类别分为三类:正(A+-B-)、中(C+-C-)和负(D+-F)。我们根据评分的数量和比例，确定了抽样中三种情绪倾向的数量和规模，并根据抽样对1686条意见进行了评价。正面的批评(1167)明显高于负面的批评(347)和反映不同情感倾向的中间的批评(172)，与以往大多数研究的结果一致。其中64.8%为好评，29.11%为差评，31.4%为中评。乍一看，好评被认为是有用的，考虑到电影之间的差异，为14部样片制作了同样的统计数据，从而产生了类似的结果。此外，016被用作评价服务的分类限制，并得到类似的评价，以考虑分类限制对评价服务的潜在影响。因此，对样本数据的初步统计分析表明，H1-1的假设是合理的，即在线电影的情感评价越积极，价值就越高。

2.分析模型结果。Avgsub评价倾向D evSub负相关关系(-0.875)，将这两个变量插入模型时存在着许多共线问题，通过逐步回归模型得到了在线反馈服务影响因素的最终模型、模型的总体校正以及参数的合并和估计。

网络影评人的年轻化、知识化特征越来越高，无形之中促使互联网企业、电影投资方加大了这一人群受众群体的考虑。产品评估的频率在增加，各种在线产品评估有助于决策，从而降低了决策的效率和影响。注释服务的评价信息必须长期积累，才能发挥真正的作用，限制其应用的有效性。因此，迫切需要在发布注释后分析文本属性，以便及时了解注释的适用性。目前缺乏对这一问题的研究。从消费者的角度来看，本文旨在为读者提供有意义的信息。文本挖掘方法与最佳实践方法相结合，对在线评论服务的影响因素进行建模，并将其应用于评论服务的分类和预测。

参考文献：

[1]张和.网络口碑研究现状及未来发展初探[J].江西农业学报,2019,20(4):147-149.

[2]张明.西方网络口碑传播效应研究进展[J].财贸研究,2020,(05):109-115.

[3]李强军.挖掘中文网络客户评论中的产品特征方法研究[J].管理科学学报,2020,12(2):142-152.

[4]刘雪.口碑传播的形成机理与口碑营销[J].财经论丛,2020,(05):96-102.

[5]陈晶.网络口碑再传播意愿影响因素的实证研究[J].浙江大学学报(人文社会科学版),2019,38(5):127-135.