1　引 言

随着计算机技术以及互联网的迅速发展，网上购物成为网民互联网生活中最重要部分之一^[1]。越来越多的电子商务网站开通了在线评论功能，用户可以通过留言或者上传图片的方式对产品质量及服务进行评价^[2]。在线评论数据每天以指数级态势增长，形成了潜在的口碑传播效应，网民作为消费者也越来越倾向于参照在线评论数据形成的网络口碑信息^[3,4,5]，做出购买行为的决定。网络口碑舆情传播的易存性、自由性和广泛性能够放大企业的品牌营销效果，但同时也增加了曝光企业产品缺陷的风险^[6]。网络口碑舆情监测评估对企业制定发展策略与风险控制尤为重要。如何利用网络口碑舆情传播效应扩大产品优势，提高企业形象并有效控制负面信息传播，不仅是学术界需要深入探究的热点问题，也是企业亟须解决的现实问题。

国内外学者近几年针对网络口碑舆情的情感强度进行了相关研究。Hung^[7]构建了3个上下文词汇维持单词及相关的情感类别之间的关系，使用偏好向量模型以及4个分类器对提出的方法进行验证。结果表明，从上下文信息中构建情感词典，将上下文情感词汇与偏好向量模型相结合，用于网络口碑（word-of-mouth，WOM）质量分类，有助于筛选出重要的WOM文档，帮助消费者更有效地做出购买决策。Chen等^[8]提出了一个从市场角度度量产品网络口碑影响的框架。结合产品竞争关系和客户沟通关系来构建双层网络，计算网络中的节点影响效应，并使用产品销售量作为变量建立了预测模型。实验结果发现，基于客户意见摘要进行文本情感分析产生的效果比评分更好。Hung等^[9]提出了基于网络口碑文档上下文的词义消歧（world sense disambiguation，WSD）技术。构建了基于词义消歧的SysWord网络词典，用于计算情感强度和情感倾向。何有世等^[10]利用产品领域本体提取产品属性并构建产品属性层次模型，通过构建领域情感词典计算各层次产品属性的情感倾向性，从产品总体、属性类、单个属性3个层次实现产品的情感分析。唐晓波等^[11]以手机评论集为对象，构建本体对产品特征进行抽取与分类，并以情感词典为基础，提出一种基于特征本体的产品评论情感分析方法。杜嘉忠等^[12]构建了特征-情感词本体，通过其映射与匹配出特征观点对，实现情感倾向的分析。

虽然国内外学者对网络口碑情感强度的研究已经取得一定的成就，但情感强度计算时并未考虑情感的粒度划分。基于此，本文提出了一种基于PAD模型的网络口碑情感强度测评方法。从4个维度构建了基于用户满意度模型的网络口碑情感强度测评模型，结合大连理工情感词汇本体以及同义词词林扩展版构建了情感词典。通过爬虫程序获取消费者在线评论数据，将评论数据中的情感词映射到PAD三维情感模型中，进行距离测度以实现情感的细粒度划分和定量分析，帮助企业对网络口碑舆情进行监控，提高企业形象以及用户黏性并有效规避口碑风险。

2　相关研究

2.1　 PAD三维情感模型

情感是人类对现实世界的内部主观体验和特殊的反映形式。情感识别的概念可以定义为，通过对人类面部表情、身体姿势、信息行为的研究，掌握人类情绪变化的规律性，从而辨识人类在不同情境下的情感倾向的过程^[13]。PAD情感模型是目前心理学界常用的一种描述情感的连续模型。PAD三维情感模型包括愉悦度（pleasure-displeasure）、激活度（arousal-nonarousal）和优势度（dominance-submissiveness）3个维度^[14,15,16]。PAD模型不但给出了对情感空间进行描述的理论构想，同时采用量化的方法试图建立情感空间中各种情绪范畴的定位和关系。Bittermann^[17]将PAD模型和基本情感模型分别识别，比较后得出结论，PAD模型更加适合于作为测量情感的手段。

消费者通过舆情评论信息能表达对商品以及服务的情感，因此需要用立体模型反映消费者的所有情绪反应。情感的维度是情绪的固有属性，可以对情感进行描述。心理学研究中提出的PAD三维情感模型应用较为广泛，它将人类的具体情感影射到1个由激活度、愉悦度以及优势度3个维度组成的空间中，以此有效地对人类情感进行解释。Rincon等^[18]提出了一种基于PAD情感模型的社会情感模型，用于提取社会情感。PAD情感模型允许在三维空间中表示实体的不同情绪状态。在智能实体中使用该社会情绪模型创建更真实的模拟，并最终影响实体决策。Tantanatewin等^[19]利用PAD模型研究色彩是对顾客的情感和行为反应的影响。数据分析表明，高色值和暖色调色的餐厅场景获得较高的愉悦度。杨勇等^[20]利用情感强度来描述情感空间在某一时刻所处的状态，即将其映射到PAD空间中的某一个点，并利用欧氏距离来计算某种情感出现的概率大小。宋静等^[21]提取了梅尔频率倒谱系数、线性预测系数、韵律学特征等5种语音特征，计算得到特征的权重系数后将识别结果映射到PAD三维情绪空间，利用该空间可以连续描述情感语音。曹海涛^[22]利用PAD模型提出了基于PAD模型的支持向量机分类方法，实验结果表明该方法具有较好的分类效果。利用PAD模型可以对复杂情感进行描述，又可以区分交叉和重叠的情感，能够对消费者情感进行直观表示。本文引入PAD情感模型，对情感词汇的情感值进行量化处理，充分地说明情感词汇的倾向性与它们之间所蕴含的信息，为商品评论的情感计算提供可以量化分析的依据。

2.2　 情感分析

情感分析主要可分为3个部分：文本预处理、特征信息提取以及情感分类分析^[23]。其中文本预处理包括文本的分词、标注、句法分析等自然语言处理技术。特征信息提取主要是从文本中抽取情感词、主题或者关系。情感分析在股市预测、政治选举的预测、电影票房的预测等领域都有广泛应用^[24,25,26]。众多学者针对网络舆情展开了深入的情感识别研究^[27]。在情感信息提取判别中，Lin等^[28]在标准LDA模型三个层次结构的基础上提出了联合情绪/主题（JST）模型。该模型在文档和主题层之间添加了情感层，考虑情感特征分布的同时将主题和情感标签关联。Lu等^[29]提出了一种弱监督的情感极性预测方法，对总体评级和句子标签联合建模，利用种子词形式来对应主题和特征词并进行标记，并完成情感预测。朱嫣岚等^[30]利用HowNet的本地资源和基准词，提出了基于语义相似度的方法和基于语义相关场的方法，提高了语义倾向识别的准确率。王素格等^[31]用类别区分能力与情感词词表相结合的方法来选取基准词，并利用该方法判断文本情感倾向。孙晓等^[32]以微博为语料库，采用重复字串的统计和规则的方法筛选新词。王岩^[33]通过爬取微博话题与链接，利用向量空间模型与余弦相似度对文本模型化，并利用聚类等方法对语句情感进行判断。在本文中采用基于情感词典的情感词抽取方法，对文本中的情感特征进行提取。

2.3　 顾客满意度指数模型

费耐尔逻辑模型结合消费期望、购买商品或服务后的心理感知、购买价格等方面因素，运用偏微分最小二次方求解得到顾客满意度指数，以此衡量消费者对企业产品及其服务质量^[34,35]。各国根据本国实际情况构建了相应的消费者满意度模型，如美国和欧洲消费者满意度指数模型以及我国的国家满意度指数模型（China Customer Satisfaction Index，CCSI）^[36]。Deng等^[37]结合美国顾客满意度指数（American Customer Satisfaction Index，ACSI）模型，提出了酒店的顾客满意度指数（H-CSI）模型，用于评估顾客对国际观光旅馆满意度，研究采用结构方程模式探讨酒店顾客感知价值维度、顾客满意与顾客忠诚之关系。Hsu^[38]基于美国顾客满意度指数提出一种新的衡量电子顾客满意度指数（e-CSI）指标。目前关于消费者满意度的研究中，消费期望是消费者的一种心理活动，主要是针对客服、产品和快递服务等；质量感知是消费者在消费过程中对服务和产品质量的总体实际感知；感知价值是影响消费者满意度的主要因素，即使价格较高但对买到如此心仪的商品的经历感到满意；品牌形象，即消费者对商家的熟悉度和认可度对企业形象认知的表现，对消费者满意度也具有一定的影响。这4个因素是影响消费者满意度的主要因素。因此，本文将电脑笔记本的品牌形象、感知期望、感知质量以及感知价值作为的影响消费者满意度的主要维度。

2.4　 网络口碑

网络口碑是以计算机作为中介，由顾客贡献的带有评论性质的信息，通过互联网实现一对一或者一对多的沟通^[39]。网络口碑的研究主要集中在网络口碑传播的影响因素、网络传播动机以及传播效应等方面。网络口碑可以分为正面口碑和负面口碑^[40]，具有正面口碑较多的产品销量更好^[41]。网络口碑的数量^[42]、受众特征以及趣味性^[43]都是影响网络口碑传播的因素。消费者购买后的情绪（喜怒哀乐）也会影响网络口碑的传播^[44]。信任和感知价值作为中介变量也可以促进网络口碑的传播^[45]，口碑数量、口碑评分和负面口碑均能够部分地影响消费者的在线行为^[46]。网络口碑传播的动机即消费者发表相关消费品的评论信息的动机。从社会心理学的角度，消费者传播网络口碑的动机包括自我主义、利他主义、集体主义、自我效能和道德义务5个方面^[47]。消费者参与评论的动机包括决策参与、产品参与、社会参与和经济参与共4类动机^[48]。口碑的微观效应主要是口碑对消费者个体的品牌态度、购买决策行为等产生的影响；口碑的宏观效应是口碑通过传播后对整个市场所产生的影响，具体表现在产品销售状况、企业品牌形象及新产品扩散等方面^[49]。网络口碑传播融合了大众传播与人际传播特征，通过计算机、新媒体等平台形成一种散布型网状传播结构，信息覆盖面更加广泛。口碑传播过程中包括口碑传播者、口碑接受者、传播渠道与信息载体，这4个要素对口碑传播效应有重要影响^[50]。

综上所述，大多数学者的研究集中在构建网络口碑效应模型或利用问卷调查方法寻找影响口碑效应传播的影响因素，而缺少利用消费者真实评论数据进行定量分析。因此，本文提出了一种基于PAD模型的网络口碑舆情评估方法。首先获取用户评论数据，利用情感词典计算出用户评论中情感特征词的PAD空间坐标，并从4个维度建立消费者满意度模型，最终求得产品属性特征的情感强度值。利用PAD模型对用户情感细化，针对网络口碑舆情监测评估模型进行改进和创新，从而帮助企业及时掌握舆情动向并对舆情进行正确引导，有利于企业改善企业形象以及产品服务和质量。

3　基于PAD模型的网络口碑舆情监测评估基本流程

3.1　 评估基本流程

评论内容包括消费者对产品价格、质量以及购买后的满意度等方面的描述，因此，消费者在购买产品前，大多关注并浏览该产品评论。评论内容中包含的产品特征词越多，该产品描述得越详细，消费者在评论中越频繁地使用情感词，说明该评论内容越具有价值，消费者使用该产品时越具有深刻的体验，其他消费者更倾向于信任该评论，此时评论内容对于消费者的购买决策具有较大的影响。本文构建的基于PAD模型的网络口碑舆情监测评估基本流程如图1所示。

图1 基于PAD模型的网络口碑舆情监测评估基本流程

如图1所示，基于PAD模型的网络口碑舆情监测评估基本流程主要包括以下步骤。首先获取评论，并对评论进行预处理，其中预处理包括分词与词性标注。然后提取特征词和观点词作为情感特征词，并统计词频。根据构建的情感词典计算情感特征词的相似度，进而根据程度副词、否定词计算情感特征词的情感强度值。最后结合顾客满意度指数模型划分的维度构建商品综合评分模型，从而实现网络口碑舆情监测评估。

3.2　 情感词典构建

本文拟构建情感词典对在线评论数据进行情感分析。情感词典分为基础情感词典和拓展情感词典。于昕^[51]提出了一种情感词典构建方法，本文参考该方法，利用“大连理工情感词汇本体 ”^①作为基础情感词典的数据源，扩展情感词典利用“同义词词林扩展版 ”^②的情感词进行筛选、合并，从而构建网络舆情口碑情感词典。

大连理工中文情感词汇本体是基于Ekman的基本情绪维度进行分类的。情绪分类包括乐、好、怒、哀、惧、恶。例如，“好”的分类是为了可以更加细致地描述褒义情感；“乐”分为快乐、安心，分别用英文代码PA、PE表示。在查找情感特征词的时候，可以通过英文代码进行查找。本文将其作为基础情感词典，在该数据集中查找情感特征词语。若查找到相关观点词，则将其放入情感词典中，若没有查找到该观点词，则在同义词词林扩展版中查找同义词。如果有同义词，则将同义词放入该词典中。如果未查找到情感特征词，则以人工方式将该词放入到构建的词典中。经过上述方法，可以获得约1500个情感词汇。词典的构建方式采用同义词词林扩展版的格式，方便计算相似度。

3.3　 特征词PAD值计算

心理学中应用设计完整的量表体系完成PAD情感坐标的研究，从34个测试项简化到12个测试项。但是由于情感表达的差异化以及多样化，其映射关系的标准并没有统一。本文采用同义词映射的原理，即如果2个词语是同义词或者近义词，则可以通过该关系将该词语与OCC情感词进行替换，以此将该情感词映射到PAD情感空间中。本文利用构建的情感词典进行同义词扩展，并最终计算PAD值。

本文情感词映射流程如图2所示。提取情感词语后，通过构建词表将其映射到OCC词表，由于OCC词表是对PAD模型的进一步划分，因此通过该映射可以获得基本情感的PAD空间位置。通过同义词词林扩展版可以计算待测情感词之间的相似度，进而得到待测情感词的PAD值。在PAD空间中，利用欧氏距离来计算待测情感点之间的距离。2个情感词之间的距离公式^[52]为

图2 情感词映射流程

式中，p₁、p₂为待测情感词的PAD空间值。

由式(1)可以看出，情感词的距离越小表示待测情感词相似度越大。通过本文构建的情感词典计算情感词之间的相似度，相似度的计算参考同义词词林扩展版的计算方法^[53]。考虑到情感词之间的互相影响，最终相似度计算公式为

式中，simR1j表示该情感词与已知情感词的最大相似度；simRi,j为该词与其他情感词的相似度；n为情感词个数。

PAD情绪状态e在三维空间中可以表示为e=[x,y,z]

式中，x={x|x∈R, -1<x<1}；y={y|y∈R, -1<y<1}；z={z|z∈R, -1<z<1}。定义

由此可以计算得到各个情绪对应的坐标：x=rsinθcosφ，y=rsinθsinφ，z=rcosθ。

由上可知，定义e表示情感词的PAD强度，计算公式为

在进行情感强度计算时需要通过情感词所在象限计算情感强度。在一句话中若出现情感词，可根据PAD空间值判断情感词词性。通过OCC（Ortony，Clore & Collins Model）情感词表发现，如果A为负值，P和D为正值，或者P、A、D都为正值，则将其判断为积极情感词。其余情况作为消极情感词。另外，如果情感词前面出现程度副词，需要考虑对情感词赋予一定的权重。可以按照副词的强弱程度分为3类：“极”、“无比”、“太”等程度词为1类，赋予权重1.5；“较”、“还算”等程度词为2类，赋予权重0.5；“只算”、“仅仅”这些程度词为3类，赋予权重0.3。另外对于否定副词需要进行检查。如果在1个范围内出现1个否定词，则将该情感词取反。综上所述，权重计算公式^[54]为

一般地，在计算情感词的情感强度时，往往使用情感强度计算公式：

式中，epos为正面情感强度；eneg为负面情感强度。

3.4　 商品情感强度计算

本文通过品牌形象、感知期望、感知价值以及感知质量4个维度进行情感强度测算，每个维度的情感强度分别记为e_b、e_s、e_v以及e_q，计算公式为

则最终情感强度为

式中，将ω1~ω4的权重设置为0.25，即各个维度的权重相同。

4　实证分析

4.1　 情感词的映射

本文将OCC英文情感词对应到中文情感词，并利用同义词词林相似度计算的方法进行相似度计算。为了计算简便，本文利用文本文档对同义词进行形式化，将中文情感词加入词表中，以便完成相应的映射^[32]，具体如图3所示。

图3 程序所用OCC映射PAD的文件

将“！”作为情感词相关信息的开始符号，接着是该情感词的编号，利用空格将相关信息隔开，接着是对应的中文情感词；接下来的数字是情感词具体的PAD值，利用±表示该情感词所在的象限，其后的英文表示情感词的对应子空间；最后用\表示每个情感词的结束符。

4.2　 数据来源及情感特征词提取

本文从京东商城（https://www.jd.com/）选取了9种品牌的笔记本电脑，由于笔记本型号众多，本文只选取了具有代表性的型号。利用Python语言编写的爬虫程序爬取了消费者对该型号的相关评论作为数据源，抽取内容包括用户ID和评论内容。为了能够更好地从评论中抽取情感词，爬取数据时去掉字符数小于10的评论以及系统默认好评。每个型号都抽取消费者评论3000条，共计27000条，经过整理后保留评论数量为20238条。利用中国科学院分词工具ICTCLA ”^③对该评论进行分词，选取并筛选出后缀为/adv、/adj以及/n等词性的词语，并采用人工的方式对情感词极性和评价对象进行识别和标注。根据以上情感词提取规则及修饰原则，列出品牌形象、感知期望、感知价值和感知质量的部分提取结果，具体如表 1所示。

4.3　 情感度计算

在提取产品评论中的情感词时，有一些词语在分类时进行了重复划分。这是因为对一些常见的词语如“好”、“坏”、“高”、“低”进行分类时，可以将其分别分入4个维度。例如，用户评论对品牌形容为“好”，需要将其放入品牌形象中；如果用户评论为“质量好”，则将其划入质量维度中。根据公式计算情感词的PAD值以及其情感强度值，部分统计结果如表2所示。

4.4　 网络口碑监测评估

本文利用以上方法计算在线评论的情感强度，将评论集的四维属性即品牌形象、感知期望、感知价值和感知质量作为笔记本电脑在线评论的四维度属性值计算其PAD值以及情感强度值。计算后，利用公式将其加权平均，计算出舆情口碑情感强度，并通过该计算结果对笔记本电脑品牌进行排序。各等级评估数值范围、品牌口碑特征及等级排名如表3所示。

根据等级划分规则和实验监测数据，正面口碑效用排序结果从大到小依次为ThinkPad、苹果、戴尔、惠普、联想、华硕、三星、宏碁、神舟。网络口碑计算结果较高的品牌是ThinkPad、苹果、戴尔、惠普和联想等，消费者对于这些电脑品牌的评论大多呈现积极正面的态度。网络口碑等级稍低的品牌是华硕、三星、宏碁和神舟。在相关评论中，消费者选择电脑时首先考虑的是电脑品牌；而经常抱怨的焦点是服务，包括快递的服务以及售后服务等；另外，给消费者带来较高满意度的是电脑的质量，所以，厂商在宣传过程中要重点突出电脑的价值与性价比以及售后服务等要素，而价格因素并不是消费者的主要诉求。

4.5　 实验结果验证

为了进一步验证本文所提出的方法的有效性，将本文的计算结果与人工评分的结果进行对比实验。笔者邀请了10名具有副高以上职称的专家以及15名高校硕士以上学历的研究生组成专家组进行品牌评分。专家组都具有丰富的网购经验，因此评分具有较大的可信度以及可靠性。实验过程中，需要专家组成员随机阅读每款笔记本电脑的相关评论，并从企业形象、感知价值、感知质量以及感知期望4个维度分别打分。对打分结果进行加权平均，并最终汇总成情感强度得分。将其与本文计算结果进行比较得到网络口碑差异度，具体如图4所示。

图4 网络口碑差异度

如图4所示，本文提出的方法与人工方法的差异度值都小于0.4。其中，ThinkPad、戴尔、惠普、苹果、宏碁、神州等品牌的电脑网络口碑差异度较小，均低于0.2。华硕、联想和三星等品牌的电脑网络口碑差异度稍大，但总体仍小于0.4。由于电脑的软硬件都是专家关注的属性，并且专家对于品牌形象、感知期望、感知价值、感知质量的认知不同，导致专家调查结果与计算结果存在差异，但是检测数值的差异度较小，监测结果与调查结果基本一致，因此该方法仍具有较高的准确性和有效性。另外，通过对产品特征各维度进行计算，可以较为直观地观测到消费者对于产品各属性的意见，这不仅为消费者决策提供了依据，也为企业针对性营销及改善产品服务和质量提供了具体指导。

5　结 论

本文提出了一种基于PAD三维情感模型的网络口碑舆情情感强度测度模型，利用ACSI模型将网络口碑舆情情感测度模型划分为品牌形象、感知期望、感知价值和感知质量4个维度，参考同义词词林扩展版以及大连理工情感词汇本体构建了情感词典，将评论中的情感特征词映射到PAD情感空间并计算情感强度，实现了消费者情感的细化，构建了一套理论可行、实践可操作的网络口碑监测评估方法。获取了9种笔记本电脑品牌在线评论数据，并将其作为数据源进行了实例验证。实验结果表明，本文研究方法与人工监测结果较为一致，并且可以直观地观测到消费者对于产品各个属性的意见。

本文的局限在于所构建的情感词典不够丰富，这是由于网络词汇和流行词汇会持续增加到网络评论中，一些词语的相似度无法计算，需要手工进行标注。另外，对OCC情感词进行PAD模型映射时需要进一步细化，一些情感词映射时在PAD空间的角度有待改进。因此，后续研究会扩大情感词典中的情感词汇样本，并将其应用到更广泛的电子商务平台及测试更多类型的产品，以增加网络口碑舆情监测评估模型的适用性。

参考文献

• 1

  第41次《中国互联网络发展状况统计报告》[EB/OL]. [2018-3-1]. http://www.cnnic.cn/hlwfzyj/hlwxzbg/hlwtjbg/201803/t20180305_70249.htm.

• 2

  Goldsmith R E, Horowitz D. Measuring motivations for online opinion seeking[J]. Journal of Interactive Advertising, 2006, 6(2): 3-14.

• 3

  Gelb B, Johnson M. Word-of-mouth communication: causes and consequences[J]. Journal of Health Care Marketing, 1995, 15(3): 54-58.

• 4

  卢向华, 冯越. 网络口碑的价值——基于在线餐馆点评的实证研究[J]. 管理世界, 2009(7): 126-132, 171.

• 5

  郭宇, 王晰巍, 李师萌, 等. 基于情感分析的社会网络用户影响力模型研究[J]. 情报学报, 2017, 36(11): 1139-1147.

• 6

  张艳丰, 李贺, 彭丽徽, 等. 基于情感隶属度模糊推理的网络口碑舆情监测评估实证研究[J]. 图书情报工作, 2016, 60(23): 119-127.

• 7

  Hung C. Word of mouth quality classification based on contextual sentiment lexicons[J]. Information Processing & Management, 2017, 53(4): 751-763.

• 8

  Chen K, Luo P, Wang H Q. An influence framework on product word-of-mouth (WoM) measurement[J]. Information & Management, 2017, 54(2): 228-240.

• 9

  Hung C, Chen S J. Word sense disambiguation based sentiment lexicons for sentiment classification[J]. Knowledge-Based Systems, 2016, 110(15): 224-232.

• 10

  何有世, 何述芳. 基于领域本体的产品网络口碑信息多层次细粒度情感挖掘[J]. 数据分析与知识发现, 2018, 2(8): 60-68.

• 11

  唐晓波, 兰玉婷. 基于特征本体的微博产品评论情感分析[J]. 图书情报工作, 2016, 60(16): 121-127.

• 12

  杜嘉忠, 徐健, 刘颖. 网络商品评论的特征——情感词本体构建与情感分析方法研究[J]. 现代图书情报技术, 2014(5): 74-82.

• 13

  Carr A. Understanding emotion and emotionality in a process of change[J]. Journal of Organizational Change Management, 2017, 14(5): 421-436.

• 14

  Mehrabian A. Framework for a comprehensive description and measurement of emotional states[J]. Genetic, Social, and General Psychology Monographs, 1995, 121(3): 339-361.

• 15

  Mehrabian A. Pleasure-arousal-dominance: A general framework for describing and measuring individual differences in Temperament[J]. Current Psychology, 1996, 14(4): 261-292.

• 16

  Mehrabian A, Wihardja C, Ljunggren E. Emotional correlates of preferences for situation activity combinations in everyday life[J]. Genetic, Social, and Ceneral Psychology Monographs, 1997, 123(4): 461-477.

• 17

  Bittermann A. On the evaluation of emotion expressing robots[C]//Proceedings of the IEEE International Conference on Robotics and Automation.Los Alamitos: IEEE Computer Society Press, 2007: 2138-2143.

• 18

  Rincon J A, de la Prieta F, Zanardini D, et al. Influencing over people with a social emotional model[J]. Neurocomputing, 2017, 231: 47-54.

• 19

  Tantanatewin W, Inkarojrit V. The influence of emotional response to interior color on restaurant entry decision[J]. International Journal of Hospitality Management, 2018, 69(11): 124-131.

• 20

  杨勇, 张志瑜. 基于PAD的个性化情感模型[J]. 重庆邮电大学学报(自然科学版), 2012, 24(1): 96-103.

• 21

  宋静, 张雪英, 孙颖, 等. 基于PAD情绪模型的情感语音识别[J]. 微电子学与计算机, 2016, 33(9): 128-136.

• 22

  曹海涛. 基于PAD模型的中文微博情感分析研究[D]. 大连: 大连理工大学, 2013.

• 23

  周胜臣, 瞿文婷, 石英子, 等. 中文微博情感分析研究综述[J]. 计算机应用与软件, 2013, 30(3): 161-164.

• 24

  Joseph K, Wintoki M B, Zhang Z L. Forecasting abnormal stock returns and trading volume using investor sentiment: Evidence from online search[J]. International Journal of Forecasting, 2011, 27(4): 1116-1127.

• 25

  Hong S, Nadler D. Which candidates do the public discuss online in an election campaign? The use of social media by 2012 presidential candidates and its impact on candidate salience[J]. Government Information Quarterly, 2012, 29(4): 455-461.

• 26

  Asur S, Huberman B A. Predicting the future with social media[C]//Proceedings of the 2010 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology. Washington DC: IEEE Computer Society, 2010: 492-499.

• 27

  Cha M, Haddadi H, Benevenuto F, et al. Measuring user influence in Twitter: The million follower fallacy[C]//Proceedings of the Fourth International AAAI Conference on Weblogs and SocialMedia.Palo Alto: AAAI Press, 2010: 10-17.

• 28

  Lin C, He Y. Joint sentiment/topic model for sentiment analysis[C]//Proceedings. of the 18th ACM Conference on Information and Knowledge Management. New York: ACM Press, 2009: 375-384.

• 29

  Lu B, Ott M, Cardie C, et al. Multi-aspect sentiment analysis with topic models[C]//Proceedings of the 11th IEEE International Conference on Data Mining. Los Alamitos: IEEE Computer Society Press, 2011: 81-88.

• 30

  朱嫣岚, 闵锦, 周雅倩, 等. 基于HowNet的词汇语义倾向计算[J]. 中文信息学报, 2006, 20(1): 14-20.

• 31

  王素格, 李德玉, 魏英杰, 等. 基于同义词的词汇情感倾向判别方法[J]. 中文信息学报, 2009, 23(5): 68-74.

• 32

  孙晓, 李承程, 叶嘉麒, 等. 基于重复字串的微博新词非监督自动抽取[J]. 合肥工业大学学报, 2014, 37(6): 674-678.

• 33

  王岩. 基于共现链的微博情感分析技术的研究与实现[D]. 长沙: 国防科技大学, 2011.

• 34

  Ifie K, Simintiras A C, Dwivedi Y, et al. How service quality and outcome confidence drive pre-outcome word-of-mouth[J]. Journal of Retailing and Consumer Services, 2018, 44: 214-221.

• 35

  Radojevic T, Stanisic N, Stanic N, et al. The effects of traveling for business on customer satisfaction with hotel services[J]. Tourism Management, 2018, 67(8): 326-341.

• 36

  Mehrad D, Mohammadi S. Word of mouth impact on the adoption of mobile banking in Iran[J]. Telematics and Informatics, 2017, 34(7): 1351-1363.

• 37

  Deng W J, Yeh M L, Sung M L. A customer satisfaction index model for international tourist hotels: Integrating consumption emotions into the American Customer Satisfaction Index[J]. International Journal of Hospitality Management, 2013, 35: 133-140.

• 38

  Hsu S H. Developing an index for online customer satisfaction: Adaptation of American Customer Satisfaction Index[J]. Expert Systems with Applications, 2008, 34(4): 3033-3042.

• 39

  柴海燕. 旅游目的地网络口碑传播[D]. 武汉: 武汉大学, 2011.

• 40

  李念武, 岳蓉. 网络口碑可信度及其对购买行为之影响的实证研究[J]. 图书情报工作, 2009, 53(22): 133-137.

• 41

  Chevalier J, Mayzlin D. The effect of word of mouth on sales: online book reviews[J]. Journal of Marketing Research, 2006, 43(3): 345-354.

• 42

  Liu Y, Huang X J. Modeling and predicting the helpfulness of online reviews[C]//Proceedings of the 8th IEEE International Conference on Data Mining. Los Alamitos: IEEE Computer Society Press, 2008: 443-452.

• 43

  Mcmillan S J. Effects of structural and perceptual factors on attitude toward the website[J]. Journal of Advertising Research, 2004, 43(4): 400-421.

• 44

  Westbrook R A. Product /consumption-based affective responses and postpurchase process[J]. Journal of Marketing Research, 1987, 24(3): 258-270.

• 45

  铁翠香. 网络口碑效应实证研究——基于信任和感知价值的中介作用[J]. 情报科学, 2015, 33(8): 72-78.

• 46

  张红宇, 周庭锐, 严欢, 等. 网络口碑对消费者在线行为的影响研究[J]. 管理世界, 2014(3): 178-179.

• 47

  Cheung C M K, Lee N, Matthew K O. What drives consumers to spread electronic word of mouth in online consumer-opinion platforms[J]. Decision Support Systems, 2012, 53(1): 218-222.

• 48

  Khammash M, Griffiths G H. ‘Arrivederci CIAO.com, Buongiorno Bing.com’—Electronic word-of-mouth (eWOM), antecedences and consequences[J]. International Journal of Information Management, 2011, 31(1): 82-87.

• 49

  赖胜强. 基于SOR模式的口碑效应研究[D]. 成都: 西南财经大学, 2010.

• 50

  Deng Y T, Staelin R, Wang W, et al. Consumer sophistication, word-of-mouth and “False” promotions[J]. Journal of Economic Behavior & Organization, 2018, 152: 98-123.

• 51

  于昕. 基于自然语言处理的图像情感语义检索研究[D]. 太原: 太原理工大学, 2013.

• 52

  孙佩宏, 陶霖密. PAD 情感空间中情感距离度量方法[C]//第四届和谐人机环境联合学术会议论文集. 北京: 中国计算机学会, 2008: 638-645.

• 53

  田久乐, 赵蔚. 基于同义词词林的词语相似度计算方法[J]. 吉林大学学报(信息科学版), 2010, 28(6): 602-608.

• 54

  王晓耘, 史玲玲. 基于网络评论情感量化的商品综合评分模型[J]. 杭州电子科技大学学报(社会科学版), 2016, 12(3): 8-15.