基于贝叶斯网络的在线商品评价质量评估

doi:10.3778/j.issn.1002-8331.1606-0140

计算机工程与应用 ›› 2017, Vol. 53 ›› Issue (2): 21-26.DOI: 10.3778/j.issn.1002-8331.1606-0140

基于贝叶斯网络的在线商品评价质量评估

丁东1，付晓东1，2，岳昆3

1.昆明理工大学信息工程与自动化学院，昆明 650500
2.云南省计算机技术应用重点实验室，昆明 650500
3.云南大学信息学院，昆明 650091

出版日期:2017-01-15 发布日期:2017-05-11

Review quality evaluation of online products based on Bayesian network

DING Dong1, FU Xiaodong1，2, YUE Kun3

1.Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China
2.Yunnan Provincial Key Laboratory of Computer Application, Kunming 650500, China
3.School of Information Science and Engineering, Yunnan University, Kunming 650091, China

Online:2017-01-15 Published:2017-05-11

摘要/Abstract

摘要： 随着电子商务领域的迅速发展，在线商品评价规模日益庞大，评价质量参差不齐，用户难以筛选有用评价信息做出购买决策，因此如何有效识别高质量评价信息成为重要议题。以在线商品评价的有用性投票为基础定义评价质量，使用贝叶斯网络表示在线商品评价的相似性及不确定性，通过对在线商品评价信息进行多维度特征统计，构建在线商品评价质量评估模型，使用概率推理机制对在线商品评价质量进行分类预测，并给出评价质量分类置信度。在真实数据集上验证模型有效性及高效性。

关键词: 在线商品评价, 评价质量, 评价特征, 贝叶斯网络, 概率推理

Abstract: The techniques to identify useful reviews become an important issue, owing to growing scale of online product reviews, the quality of which is uneven and users being difficult to filter useful information to make purchase decisions, with the rapid development of e-commerce. Online product review quality is defined based on usefulness votes. The authors use Bayesian network to express the similarity and uncertainty of online product reviews, proposing the evaluation model of online product review quality by counting review characteristics of multiple dimensions, and the online product review quality is classified by probabilistic inference mechanism which throws up the classification confidence of review quality. The validity and efficiency of evaluation model are verified on real data sets.

Key words: online product reviews, review quality, review characteristics, Bayesian network, probabilistic reasoning

丁东1，付晓东1，2，岳昆3. 基于贝叶斯网络的在线商品评价质量评估[J]. 计算机工程与应用, 2017, 53(2): 21-26.

DING Dong1, FU Xiaodong1，2, YUE Kun3. Review quality evaluation of online products based on Bayesian network[J]. Computer Engineering and Applications, 2017, 53(2): 21-26.

[1]	郭雪昆，秦远辉，杜亮，罗永亮，王宏安. 基于MEBN的大型舰船舰面保障作业检测[J]. 计算机工程与应用, 2021, 57(1): 242-253.
[2]	陈海洋，刘喜庆，环晓敏. 一步预测的SVDDBN缺失数据插补算法[J]. 计算机工程与应用, 2020, 56(7): 81-87.
[3]	郑伟，侯宏旭，班志杰. 贝叶斯网络查询语义扩展的专家发现方法[J]. 计算机工程与应用, 2020, 56(13): 194-198.
[4]	吕学志1，2，胡晓峰1，吴琳1，贺筱媛1. 基于贝叶斯网络的任务共同体识别[J]. 计算机工程与应用, 2019, 55(5): 251-257.
[5]	高昂，段莉，张国辉，董志明，曹洁，郭齐胜. 计算机生成兵力行为建模发展现状[J]. 计算机工程与应用, 2019, 55(19): 43-51.
[6]	严智，张鹏，谢川. 基于Jaya的贝叶斯网络结构学习算法研究[J]. 计算机工程与应用, 2019, 55(19): 173-177.
[7]	蔡青松，陈希厚. 基于评分函数的贝叶斯网络结构融合算法[J]. 计算机工程与应用, 2019, 55(11): 147-152.
[8]	郭文强，高文强，侯勇严，李然. 基于稀缺数据集下BN参数学习的目标识别[J]. 计算机工程与应用, 2018, 54(17): 122-125.
[9]	朱雪彤1，钱秀娟2，孙薇薇1，侯宪春1，陈广生3，王永利4. 面向普适健康监测的心脏病分析方法[J]. 计算机工程与应用, 2018, 54(1): 159-165.
[10]	王东1，2，陈志1，岳文静3，刘亚威1. 使用贝叶斯网络的社交网络信任驱动推荐方法[J]. 计算机工程与应用, 2017, 53(9): 146-151.
[11]	沈一超，倪世宏，张鹏. 基于贝叶斯网络的飞行动作识别方法[J]. 计算机工程与应用, 2017, 53(24): 161-167.
[12]	高学攀，廖士中. 基于贝叶斯网络的林火概率预测系统设计与实现[J]. 计算机工程与应用, 2017, 53(13): 246-251.
[13]	刘飞飞，蔺婧娜，刘潇潇. 基于动态贝叶斯网络的复杂网络攻击方法研究[J]. 计算机工程与应用, 2017, 53(11): 18-25.
[14]	杜元伟1，石方园2，杨娜2. 融合专家相对推断的贝叶斯网络构建方法[J]. 计算机工程与应用, 2016, 52(22): 105-112.
[15]	郑慧萌1，2，刘卫东1，肖承地1，余为锋1. 基于贝叶斯网络的硬件产品设计缺陷评估[J]. 计算机工程与应用, 2016, 52(19): 228-233.

基于贝叶斯网络的在线商品评价质量评估

Review quality evaluation of online products based on Bayesian network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics