随着移动互联网+的广泛发展,各行各业的线上线下电子商务模式(online to offline,O2O)也应运而生,然而,同质化竞争和数据价值挖掘不足的问题限制了市场的持续向好发展。聚焦于O2O模式下的顾客满意度研究,提出了一种新型的中文文本预测模...随着移动互联网+的广泛发展,各行各业的线上线下电子商务模式(online to offline,O2O)也应运而生,然而,同质化竞争和数据价值挖掘不足的问题限制了市场的持续向好发展。聚焦于O2O模式下的顾客满意度研究,提出了一种新型的中文文本预测模型,命名为W2V-ATT-LSTM。该模型引入Attention机制以提高对重要文本的感知能力,进一步融合W2V和LSTM结构,深度挖掘头部企业真实交易数据进行分析处理、特征选择和模型训练。通过LDA模型进行主题挖掘,深入了解消费者对产品或服务的感受,为企业提供有针对性的改进建议。实验结果显示,W2V-ATT-LSTM模型在公开数据集任务中的准确率(91.4%)、精确率(82.2%)、召回率(81.7%)和F1(81.4%)等指标均优于KNN、贝叶斯、决策树、SVM等传统机器学习算法;在爬虫真实数据集任务中的准确率(94%)、精确率(90%)、召回率(89%)和F1(89%)也优于W2V、LSTM、Bi-LSTM和Bert;在多个公开中文情感分析数据集上的优越性能也表明W2V-ATT-LSTM对于理解和处理自然语言文本具有显著的实际应用价值。在当前竞争激烈的O2O市场,W2V-ATT-LSTM模型能为顾客与商家提供可靠的决策参考,有望帮助企业更好地理解顾客需求,提升服务水平,推动行业良性发展。展开更多
文摘随着移动互联网+的广泛发展,各行各业的线上线下电子商务模式(online to offline,O2O)也应运而生,然而,同质化竞争和数据价值挖掘不足的问题限制了市场的持续向好发展。聚焦于O2O模式下的顾客满意度研究,提出了一种新型的中文文本预测模型,命名为W2V-ATT-LSTM。该模型引入Attention机制以提高对重要文本的感知能力,进一步融合W2V和LSTM结构,深度挖掘头部企业真实交易数据进行分析处理、特征选择和模型训练。通过LDA模型进行主题挖掘,深入了解消费者对产品或服务的感受,为企业提供有针对性的改进建议。实验结果显示,W2V-ATT-LSTM模型在公开数据集任务中的准确率(91.4%)、精确率(82.2%)、召回率(81.7%)和F1(81.4%)等指标均优于KNN、贝叶斯、决策树、SVM等传统机器学习算法;在爬虫真实数据集任务中的准确率(94%)、精确率(90%)、召回率(89%)和F1(89%)也优于W2V、LSTM、Bi-LSTM和Bert;在多个公开中文情感分析数据集上的优越性能也表明W2V-ATT-LSTM对于理解和处理自然语言文本具有显著的实际应用价值。在当前竞争激烈的O2O市场,W2V-ATT-LSTM模型能为顾客与商家提供可靠的决策参考,有望帮助企业更好地理解顾客需求,提升服务水平,推动行业良性发展。
