内容摘要：本文以亚马逊平台的评论数据为数据背景，使用基于朴素贝叶斯的NLP模型对文本评论进行情感分析，并运用相关系数检验验证分析的可信性。在此基础上，建立了信誉度测评模型，并创新性地引入了艾宾浩斯遗忘曲线，使模型可以实时跟踪产品的状态，了解不同产品的累积声誉。累积声誉高的产品，说明该产品在过去或现在可能是成功，详细分析结果见表7。

另外，为了评估产品的潜力，在上述基础上建立了新兴产品的潜力评价模型。采用SVM机器学习算法，对成功产品和失败产品的初始开发数据进行学习，得到相应的潜力评价模型。模型在训练集和测试集上的准确率分别达到0.94和0.88。将新兴产品评论数据输入模型，即可得到相应商品潜力，从而一定程度上实现预测商品未来销售情况。具体分析可见表9。

关键词：  自然语言处理（NLP）  声誉模型  潜力模型  SVM算法 

目录

内容摘要

Abstract

1.-引言-1

2.-文献综述-2

2.1-NLP技术研究现状-2

2.1.1-国外研究现状-2

2.1.2-国内研究现状-2

2.1.3-自然语言处理情感分析的研究现状-3

2.2-在线评论研究现状-3

3.-本文的研究内容与思路框架-4

3.1-研究内容-4

3.2-思路框架-4

4.-数据处理与NLP情感文本分析-5

4.1-数据介绍与统计分析展示-5

4.1.1-原始数据介绍-5

4.1.2-统计分析展示-6

4.2-数据处理-8

4.3-文本评论情感分析-9

4.3.1-分析原理-9

4.3.2-执行过程-9

4.3.3-分析检验-10

4.4-星级数值预处理-11

5.-模型建立与计算-11

5.1-商品声誉价值模型-11

5.1.1-模型结构-11

5.1.2-三个层次的处理-12

5.1.3-模型计算-14

5.2-商品潜力分析模型-15

5.2.1-模型准备-15

5.2.2-模型设立-15

5.2.3-模型拟合及检验-17

5.2.4-模型的拓展及应用-17

6.-结论以及模型总结-17

6.1-结论-17

6.2-模型总结-18

6.2.1-优势与劣势-18

6.2.2-模型的改进展望-18

参考文献-20

附录-21

致谢