本文是一篇電子商務論文，筆者綜合本論文的研究，網購平臺（商家）可以從產品評論、網購流程和廣告三個方面優化其產品和服務，提高消費者的滿意度和忠誠度，增加產品銷量。

第一章 緒論

1.1 研究背景

網絡市場匹配買賣雙方、促進交易的職能大多數情況下通過網購平臺如淘寶、天貓、京東、拼多多等實現，但是消費者在網購平臺進行購物時，無法與商家進行面對面的交流，無法看到真實的產品。根據埃弗雷姆·特班等（2014）[1]，消費者在網購平臺購買產品時會經過如圖1-1所示的過程。售前階段，消費者會通過網購平臺或其他渠道收集與產品相關的信息，包括查看其它消費者撰寫的產品評論，以及瀏覽相關的廣告，然后根據產品評論、廣告中的內容判斷產品是否滿足需求，最后做出購買決策。售中階段，消費者在網購平臺完成選購、支付、安排配送等一系列過程。售后階段，消費者根據收到的產品的使用情況申請售后服務（退換貨、退款等）或對產品做出評價（評分、撰寫產品評論）。商家根據購買情況衡量廣告帶來的實際效果，調整廣告的投放策略。

圖1.1會涉及到產品評論、網購流程（售前、售中、售后）、廣告，以此引出以下三個關鍵問題：

① 產品評論摘要生成：挖掘產品評論中的關鍵信息，進而生成產品評論摘要，幫助商家高效理解海量產品評論中的主要內容，了解產品的優缺點。

② 網購流程優化：發現網購流程中存在的問題，提出網購流程優化策略，在售前、售中和售后各階段為消費者提供更好的服務。

③ 有效和無效廣告分類：提高有效廣告識別率，幫助商家盡早移除無效廣告，降低廣告成本。

1.2 研究意義

本論文從產品評論摘要生成、網購流程優化以及有效和無效廣告分類三個方面展開，研究具有理論和實踐兩個方面的重要意義。

1.2.1 理論意義

產品評論摘要生成方面，研究結合傳統文本挖掘方法與深度學習模型的產品評論摘要生成方法，為產品評論內容挖掘的研究提供新的方法和思路。提出的摘要生成方法一方面保證摘要生成的信息在語法和語義上具有意義，且能反映產品的優缺點，另一方面能夠自動歸納提取的信息，減少人工的干預，提高摘要生成的效率。

網購流程優化方面，結合文本挖掘技術和服務科學理論方法，對網購平臺的網購流程進行評價和優化，擴展網購平臺服務質量研究的方向、方法和思路。網購流程的優化有利于提高消費者的購物體驗，規范對商家的管理，減少購物糾紛，而目前有關網購平臺服務質量的研究沒有從網購流程的角度出發，研究其存在的問題并提出優化策略。

有效和無效廣告分類方面，建立廣告分類模型，提高有效廣告識別率，為廣告效果評價的研究提供新的方法和思路。基于客觀的業務數據的廣告分類模型，能夠一定程度避免當前廣告效果評價的研究中數據樣本量不足，數據偏性，主觀性強，量化困難等問題，有效解決有效廣告和無效廣告的分類問題。

1.2.2 實踐意義

產品評論摘要生成方面，提出的摘要生成方法能夠根據海量產品評論生成反映產品優缺點的摘要。商家能夠從中發現產品的受歡迎之處以及其有待改進之處，根據實際情況決定銷售策略和補貨策略；平臺管理者能夠根據分析結果對平臺的產品進行管理，及時發現假冒或劣質產品，保證平臺產品的質量。

網購流程優化方面，提出的優化方法能夠為平臺管理者評價和優化網購流程提供指導。一方面有利于營造良好的購物環境，提高消費者購物體驗；另一方面有利于對商家的管理和規范，減少購物糾紛。

有效和無效廣告分類方面，提出的分類模型能夠提高有效廣告識別率，一方面幫助商家盡早移除無效廣告提供參考，節省成本，另一方面為消費者提供更為優質的廣告，提高其購物體驗。

第二章 文獻綜述

2.1 文本特征選擇

研究發現，從特征選擇的理念出發，文本特征選擇方法可以分為“評分機制”、“篩選機制”以及“優化機制”三大類。基于“評分機制”的特征選擇利用評分公式對每一個詞進行單獨的評價，然后選擇排名靠前的詞組成特征選擇后的關鍵詞集；基于“篩選機制”的特征選擇首先利用評分公式對詞進行評價，然后通過人為設定的方法得到關鍵詞集；基于“優化機制”的特征選擇利用最優化理論和方法得到關鍵詞集。

2.1.1 基于“評分機制”的特征選擇

基于“評分機制”的特征選擇方法利用預先設計的評分公式對文本中每一個詞進行獨立評價，得出詞的評分，獲得高評分的詞就是關鍵詞。按照評分的高低，結合實際的情況如計算資源的限制，實際場景中對詞數量的限制等，選擇評分排在前面的??個詞組成關鍵詞集。

為了方便敘述，首先做符號的規定：

規定1（基本元素）

??：文本集合??中的任意一個詞     ??：類標簽集合??中的任意一個類     ??： ??中除??以外的所有類

規定2（條件概率）

??(??|??)：??出現在屬于??的文本的概率     ??(??|??)：??出現在屬于??的文本的概率     ??(??| ??)：??不出現在屬于??的文本的概率 ??(??|??) ：??出現在不屬于??的文本的概率     ??(??| ??) ：??不出現在不屬于??的的文本的概率     ??(??|??)：包含??的文本屬于??的概率     ??(??| ??)：包含??的文本不屬于??的概率     ??(??| ??) ：不包含??的文本不屬于??的概率     ??(??)：??在文本中出現的概率     ??(??)：屬于??的文本出現的概率

2.2 產品評論摘要相關技術研究

產品評論摘要生成包括關鍵信息提取和關鍵信息組織兩個過程。關鍵信息提取過程從產品評論中提取反映產品優缺點的信息，即產品屬性及其對應的情感評價組成的“（產品屬性，情感評價）”詞對。關鍵信息組織過程整合提取的關鍵信息，生成產品評論摘要。

2.2.1 關鍵信息提取

實現關鍵信息提取的方法可以是一次性將產品屬性和情感評價同時提取出來并形成“（產品屬性，情感評價）” 詞對（一階段方法），也可以是分別提取產品屬性和情感評價，再將提取的產品屬性和情感評價匹配起來，形成“（產品屬性，情感評價）”詞對（二階段方法）。

2.2.1.1 一階段方法

有研究利用簡單的規則實現了“（產品屬性，情感評價）” 詞對的提取。沈炎軍（2017）[79]以及劉柏嵩和趙福青（2015）[80]首先基于依存句法分析評論中詞與詞的依存關系，然后預定了了若干依存關系模板，最后根據模板直接從評論中提取“（產品屬性，情感評價）”詞對。馬京苗（2017）[81]通過關聯規則挖掘產品評論總結出頻繁項集，形成相關的規則，然后通過情感評價匹配的方法得到“（產品屬性，情感評價）”詞對。唐曉波和蘭玉婷（2016）[82]首先構建產品屬性和情感評價的領域本體，然后利用相關方法計算情感評價和領域本體中的產品屬性的大類的關聯度，關聯度高的大類與情感評價匹配起來，形成“（產品屬性，情感評價）”詞對。

第三章 基于深度學習的特征選擇方法研究 ..................... 34

3.1 引言 ................................. 34

3.2 理論基礎 ............................. 34

第四章 產品評論摘要生成方法研究 .............................. 77

4.1 引言 ................................... 77

4.2 基礎理論 ........................... 77

第五章 基于文本挖掘和PCN的網購流程優化方法研究 ...............................111

5.1 引言 ......................................111

5.2 PCN的原理 .............................111

第六章 基于高斯濾波和決策樹的廣告分類模型研究

6.1 引言

商家會通過投放廣告的方式吸引更多潛在消費者，提升銷量。有效廣告能夠吸引更多潛在消費者，為商家帶來更多的銷量和利潤，然而，無效廣告不僅不能吸引消費者，而且增加了商家投放廣告的成本。廣告效果評價能夠幫助商家識別有效廣告和無效廣告。

當前關于廣告效果評價的研究存在局限性：采用的數據大多來源于訪談者對廣告的主觀感受、調查問卷等，可能會出現樣本量不足，數據偏性，主觀性強，量化困難等問題；沒有從客觀的業務數據（通過廣告下訂單總數、通過廣告成功購買產品的總金額等）出發研究廣告對商家的銷售帶來的實際效果，解決如何識別有效廣告和無效廣告的問題。針對上述問題，本論文基于業務數據，提出基于高斯濾波和決策樹的廣告分類模型M-GFDT（Model based on Gaussian Filterand Decision Tree）。

M-GFDT針對已經投放的廣告，通過分析業務數據實現有效廣告和無效廣告的分類。廣告的業務數據是量化數據，包含反映廣告的業務能力的屬性，例如，當天對廣告產生行為的用戶數量、當天通過廣告產生購買行為的用戶數量、當天通過廣告購買產品的總金額、當天通過廣告的下單數、當天通過廣告瀏覽產品頁面的數量等。廣告的業務能力是指廣告吸引消費者，引發產品購買的能力。業務數據是客觀的量化數據，能夠反映廣告為商家的銷售帶來的實際效果，能夠避免訪談、調研等導致的數據主觀性和偏性，難以量化等問題，因此，以業務數據建立廣告分類模型。

第七章 總結與展望

7.1 研究總結

本論文圍繞文本特征選擇、產品評論摘要生成、網購流程優化、廣告分類模型四個方面展開研究。

（1）文本特征選擇方法研究

提出了兩種基于深度學習的特征選擇方法：CNN-FS和LSTM-FS。兩種方法利用文本數據訓練深度神經網絡，然后利用訓練好的網絡完成特征選擇。CNN-FS采用的深度神經網絡是一個三層的CNN和多層感知機的全連接層的組合，而LSTM-FS采用的深度神經網絡是一個LSTM單元和全連接層的組合。實驗結果證明了CNN-FS和LSTM-FS在文本特征選擇方面的有效性。

（2）產品評論摘要生成方法研究

提出了結合詞性、LDA主題模型、特征選擇和深度學習模型的產品評論摘要生成方法。該方法利用詞性規則、LDA主題模型、特征選擇對產品評論中的信息進行篩選，保證提取的關鍵信息具備語法和語義兩個方面的意義，同時能夠反映產品的優缺點；利用深度學習模型LSTM網絡對篩選后的信息進行總結和歸納，減少人工的干預，實現自動化摘要生成過程，提高摘要生成的效率。實驗結果表明了提出的方法的有效性。

（3）網購流程優化研究

提出了網購流程優化方法。該方法首先利用第四章提出的產品評論摘要生成方法生成消費者投訴文本的摘要，進而分析網購平臺存在的問題，包括客服人員不合格的服務行為，假貨、商品損壞或有瑕疵，賣家虛假發或超時貨、虛假宣傳，以及物流空包和快遞破損四個方面的問題；然后針對發現的問題，利用服務科學模型PCN描繪網購流程并提出了針對性的網購流程優化策略。最后，就如何有效實施提出的三個PCN優化策略提出建議，包括客服服務質量提升、售前商品管理以及商家發貨管理三部分。

參考文獻（略）