随着互联网技术的快速发展,众多电子商务平台服务业和社交平台从萌芽走向成熟。目前许多平台都提供了评论功能,购买商品或体验过服务的消费者都可以对商品或服务进行评论,这些评论表现了消费者们对于消费品或服务不同方面的客观评价。然而,用户却难以通过大量的评论来准确的找到自己所真正需要的信息,因此需要对评论数据进行更为细致的信息挖掘。本文使用潜在方面评分分析,简称LARA算法进行评论文本分析,LARA算法能够得到主题层面上关于网络中的评论对某些实体表达的观点情感倾向,以发现每个独立的评论者对每个方面的潜在观点情感倾向,以及评论者在形成实体的整体评分判断时对不同方面的相对重视程度。LARA算法首先对评论文本数据使用方面分割算法进行各个方面的句子切分。首先对所有文本数据进行关键词词频统计,找到符合各个方面出现频率较高的关键词,再通过人为筛选,给出各个方面的关键词,据此得到算法中方面关键词的初始集合,再不断进行迭代更新,直至关键词集合稳定或达到设定的迭代次数限制时,即得到方面关键词集合以及评论文本切分的最终结果。对于评论文本切分的结果,计算相应的方面相对词频矩阵,并作为协变量,以评论总体的评分为响应变量建立LRR潜在回归模型。最大化构建的目标函数来求解参数,参数包括潜在变量方面权重,方面关键词的情感极性等。将方面关键词的情感极性与各方面相对词频矩阵做线性组合即得到方面评分。由此便可以得到原始数据中并不能观察到的潜在变量:各方面评分与各方面权重,进而用于分析酒店各方面的优劣势,以及消费者在选择产品时的偏好行为。本文研究所使用的数据为公开数据集,包含了多个酒店的评论文本及评论者的评分,评分包含总体评分以及多个方面的评分。首先从描述分析层面运用词云图对总体词汇分布与各个方面词汇分布进行分析,发现在评论文本总体中的确包含多个不同方面。随后将LARA算法应用于数据当中,首先是方面分割算法,在一开始为每个预定义的方面手动选择一些seed words种子词,并将它们作为前述中方面分割算法的输入,经过模型计算迭代后得到最终的各方面seed words种子词表。接下来使用LRR潜在评分回归模型对数据进行拟合之后,主要可以从四个方面进行分析:1).方面级别的旅馆分析。本文选择了几家平均总体评分相同,但是各个方面的评分却各不相同的酒店,使用LRR潜在评分模型来预测各个方面的评分,研究发现模型可以检测出来不同酒店在不同方面上的差异。2).消费者级别的旅馆分析。即使是同一家酒店,不同的评论者也可能对某一方面持有不同的观点。我们随机选择了一家酒店中多位总体评分相同但各方面评分却不相同的消费者,并使用LRR模型对消费者在各个方面潜在的评分进行预测,研究结果表明模型可以通过预测单个消费者评论中的方面评分来进一步检测针对不同消费者各方面评分差异的能力。这将能够更好地帮助用户基于自己对各个方面的喜好,根据评论来做出明智的决策。3).语料库特定词情感取向。除了预测整个评论文本的潜在方面评分外,LRR还可以识别各个单词在各个方面中的情感取向。与传统的基于预定义词典的无监督情感分类方法不同,LRR可以直接从给定的数据中发现单词的情感信息,即LRR模型中的参数,即词汇在不同方面中情感极性的结果。可以为我们提供特定于给定领域方面的单词情感方向极性信息,有助于增强现有特定领域的预定义情感极性词典。4).评分行为分析。通过模型拟合,推断得到每个单独评论对于每个方面的隐藏方面权重,我们就可以了解到不同评论者对于不同方面的相对重视程度,基于此可以用来对用户在评论时的行为偏好是怎么样的进行分析。