任正甜 李兴东

（兰州交通大学，甘肃 兰州 730070）

1 概述

在现代社会中，网络购物是非常重要的一种购物方式，在购物市场中占据了非常重要的分量。网络购物用户也可以通过在线评论表达自己使用产品后的感受，而客户的在线评价也成为了影响消费者决策的重要因素，对卖家服务能力的提高也有重要的指导作用。单纯依靠人工去收集和分类线上评论是不切实际的，故需利用机器学习的途径对线上评论文本进行分类处理，通过对分析对商户和顾客提供有效的信息。

在国内外，也已经有很多相关方面的研究，学者TimurSokhin在针对主题模型的基础上，提出一种半监督情感分析方法[1]；E.D'Andrea构建了包括SVM在内的三种模型，并且达到很好的实验结果[2]；杨宇婷等在的特征表达法上进行了创新，结合利用了SVM算法[3]；陈子昕采用SVM分类器对新闻评论文本进行分类，并且评价指标准确率也较高[4]。

2 研究方法介绍

利用机器学习进行情感分类已经有了很多的研究成果，但是利用adaboost等多种分类器进行建模分析的研究较少。本文将获取的评论文本进行分词、去除停用词等预处理，特征提取利用TF-IDF算法，再采用NB、SVM、adaboost三种分类器，建立情感分类模型并加以应用，最后通过特定评价指标对三种方法的性能进行比较，对商户和顾客提供参考。

2.1 特征提取

TF-IDF（Term Frequency-Inverse Document Frequency）翻译为中文即为“词频-逆向文本频率”。它由TF（词频）和IDF（逆向文本频率）两部分组成。TF（词频）表示在评论文本中某一给定词 出现的频率[5]。……