基于Python实现的某宝服装类销售评论数据提取

---

1. 任务描述

1.1 要求

针对平台中部分商品的用户评论数据，分别使用文本关键词提取方法以及主题模型，提取其中的用户关注点。

（1）关键词提取：对于所有数据，进行文本关键词提取，挖掘该品类整体
上用户所关注的焦点。

（2）主题模型：面对浩如烟海的文档，把相似的文章聚合起来，并且提取
描述聚合后主题的重要关键词，通过主题模型，挖掘在该品类中用户关注的几个
主要话题及对应的话题内容。

1.2 需求分析

• 选取数据：服装品类 + 自爬数据
• 关键词提取模型：Word2Vec + Kmeans
• 主题模型选择：LDA模型

---

2. 数据爬取

2.1 运行环境

软件：Pycharm2020（Python 3.9）、MySQL Workbench

文件：data_get.py、taobaocookie.py、create_database.sql

扩展包：selenium、pymysql …

模拟浏览器版本：Chrome/92.0.4515.131

2.2 爬取数据展示

2.3 一些修订

• data_get.py里面的pymysql.escape_string()方法，最新的版本需要 from pymysql.converters import escape_string 来直接调用.
• taobaocookie.py里，getTaobaoCookie()里循环的browser.quit()需要去掉，否则只爬取一条webdriver就关闭了.

---

3. 关键词提取——Word2Vec + Kmeans

3.1 运行环境

软件：Pycharm2020（Python 3.9）

文件：word_break.py、get_vector.py、train_word2vec.py、get_keyword.py

扩展包：selenium、pymysql …

模拟浏览器版本：Chrome/92.0.4515.131

3.2 模块功能

## word_break.py：去除停用词
#  
## get_vector.py：jieba分词、去重等数据处理
#  
## train_word2vec.py：训练Word2Vec模型，得到词向量
#  
## get_keyword.py：进行Kmeans聚类，按照组内距离之和，得到Top3的关键词
#  
1
2
3
4
5
6
7
8

3.3 结果展示

• 去除停用词结果：
  

• jieba分词、去重等数据处理结果：

• Word2Vec模型参数设置：

model = Word2Vec(LineSentence(inp), window=5, vector_size=100, min_count=5, sg=1, hs=1, workers=25)
1

• Word2Vec词向量部分展示：

• Kmeans聚类中心 ：

    ['国潮', '不厚', '柔软', '很正', '包装', '没想到', '长度', '阳光', '适中']
  1

• 统计结果：

• 排除掉英文数字及语气词汇，可以看出关键词主要排序为：

  阳光 > 国潮 > 长度 > 不厚 > 很正 > 包装 > 柔软 > 适中

• 从评价关键词可以看出，消费者对服装商品主要的评价集中在衣服的款式、质量上，这与常理相符合。

---

4. 主题模型——LDA

4.1 运行环境

软件：Pycharm2020（Python 3.9）

文件：lda.py

扩展包：gensim.models.ldamodel

4.2 模型结果

• 数据使用第三部分中处理后的数据

• 模型参数设置：

  dictionary = corpora.Dictionary(texts)
  corpus = [dictionary.doc2bow(text) for text in texts]
  
  lda = gensim.models.ldamodel.LdaModel(corpus=corpus, id2word=dictionary, num_topics=20)
  # 将单个主题作为格式化字符串
  # 返回：主题的字符串表示，如'-0.340 *“类别”+ 0.298 *“$ M $”+ 0.183 *“代数”+ ...“。
  # topicno：主题ID，这里是10
  # topn: 将使用的主题中的单词数
  print(lda.print_topic(10, topn=5))
  1
  2
  3
  4
  5
  6
  7
  8
  9

• 模型输出结果：

  0.128*"好看" + 0.064*"衣服" + 0.045*"喜欢" + 0.032*"超级" + 0.028*"质量"
  1

• 与上面第三节的关键词结果不同，主题模型呈现的结果显得更加“浓缩”，能直接指出了评价的主题为“衣服”、“质量”。

---

5. 总结与思考

5.1 问题思考——应用场景

• 对于“消费者评价关键词”的任务需求，可应用到商家服务方面，比如：给商品智能取名，在商品后缀上添加评价关键词，更容易吸引消费者；
• 对于“评价主题”的任务，则可以用于平台智能筛选不相关评价，比如在数据中常常见到“这是一条凑字数的评价”类似的评论，可以通过每条评价与主题相关程度进行屏蔽等操作；

5.2 不足与改进

• 数据清洗效果不够理想：在清洗时只保留了中文，但后来发现符号、英文字母并不是都没有意义，比如 ‘ nice ’、‘ ！’ 等，都表达了消费者的评价；（这可能需要增加模型难度来改进）
• 分词结果不好：本次作业是直接使用了中科院的中文分词，但在商品评价上直接使用有些欠妥，可能要考虑在此基础上进行一些更贴合场景的增删；