随着互联网和电子商务的高速发展,网上购物逐渐代替了传统的购物,成为人们的主要购物方式。如何有效利用用户对商品或服务的评论数据,发现用户兴趣偏好,提升产品推荐的准确性,逐渐成为一个热点研究内容。本论文着重研究基于用户评论的情感分析与预测问题。通过分析,确定用户对商品不同特征的情感极性和情感强度,并建立预测模型,预测用户对一段评论信息评分。此外,论文还分析了影响用户评论极性的商品特征,该特征可对生产者的决策及向特定用户推荐相关产品起到辅助作用。本文以文本情感分析为基础,通过对商品的特征词和情感强度分析,建立XGBoost集成学习预测模型,并设计实现了一个基于商品评论的用户评分预测原型系统。论文的主要工作如下:1.分析了商品评分预测的背景意义及研究现状,研究了特征词、观点词的提取和预测相关算法与模型,探讨了商品评分预测的可行性。2.采用改进HITS算法抽取特征词和观点词,改进特征词和观点词单独抽取的方式,利用互信息作为改进HITS算法的边权重,按配对的方式将特征词和观点词抽取出。数值结果显示,改进的HITS算法在提取特征词和观点词能有效提高其准确度,提升效果显著。3.提出商品评分观点词的情感强度的量化方法,算法的核心是通过统计观点词在不同评分下的概率分布,用均值作为最终的情感强度。该方法能量化不同特征但具有相同观点词的强度值,还能同时表示情感强度和情感极性。4.将商品特征作为训练特征,并将量化后的情感强度作为特征的取值,训练XGBoost集成预测模型,通过实验分析该预测模型的准确性和高效性。5.设计了预测系统的实现方案,包含系统架构、不同模块的实现、数据库的设计以及可视化界面的展示等。