特色农产品销售评价大数据的弱监督分析方法

S24%TP391.9; 针对特色农产品评价大数据多维度分析中,可信标签不足以及挖掘消费者各维度真实情感语义困难等问题.该研究提出了一种基于弱监督训练的深度学习方法.首先,通过主题模型分析大规模评论,提取产品评价主题和关键词.然后,结合句法依存和情感词典为评论生成不同维度的伪标签.最后,构建多标签多分类深度网络,在伪标签上进行弱监督学习.结果表明,该方法在红心柚评论数据集上取得89.2％的准确率和80.3％的F1值,比随机森林算法提升了7.1个百分点的准确率和11.5个百分点的F1值.相比Transformer模型,准确率提高5.6个百分点,F1值提高2.0个百分点,参数量减少了 92％.该方...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 40; no. 12; pp. 183 - 192
Main Authors 易文龙, 张丽, 刘木华, 程香平
Format Journal Article
LanguageChinese
Published 江西农业大学软件学院,南昌 330045%江西农业大学工学院,南昌 330045%江西省科学院应用物理研究所,南昌 330096 01.06.2024
Subjects
情感分析
deep learning
大数据分析
sentiment analysis
弱监督
深度学习
农产品
multi-task model
多任务模型
agricultural product
weak supervision
big data analysis
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.202401003

Cover

More Information
Summary:S24%TP391.9; 针对特色农产品评价大数据多维度分析中,可信标签不足以及挖掘消费者各维度真实情感语义困难等问题.该研究提出了一种基于弱监督训练的深度学习方法.首先,通过主题模型分析大规模评论,提取产品评价主题和关键词.然后,结合句法依存和情感词典为评论生成不同维度的伪标签.最后,构建多标签多分类深度网络,在伪标签上进行弱监督学习.结果表明,该方法在红心柚评论数据集上取得89.2％的准确率和80.3％的F1值,比随机森林算法提升了7.1个百分点的准确率和11.5个百分点的F1值.相比Transformer模型,准确率提高5.6个百分点,F1值提高2.0个百分点,参数量减少了 92％.该方法能从海量评论中高效提取产品评价维度和消费者关注点,为完善农产品质量和销售服务提供数据支持.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.202401003