1.1、目的及意义

随着近十年电子商务的迅猛发展，网购已经成为大多数人日常生活中不可或缺的一部分。网上商品种类繁多，交易数量巨大，电商网站中的评论数据隐含着商品特征和用户情感，现有基于情感分析的推荐研究大多通过抽取同一类别商品评论数据中用户对商品不同方面的情感来捕捉用户偏好。通过对大量用户评论数据的分析，生成直观、可视化的商品特征信息，能够帮助用户快速了解和比对相似商品，做出更合理的决策。

可视分析是大数据分析中的关键方法，能够有效地弥补计算机自动化分析方法的劣势与不足。可视分析商品特征将人面对可视化信息时强大的感知认知能力与计算机的分析计算能力优势进行有机融合，基于数据挖掘技术，综合利用认知理论、科学/信息可视化以及人机交互技术,辅助用户更为直观和高效地洞悉商品特征信息。

1.2、国内外的研究现状分析

数据挖掘(Data Mining)，即数据开挖采掘，数据挖掘的数据来源于实际应用，通过对海量数据的高级处理，提取出隐藏的有用的、让人容易理解的知识又运用到实践中去，辅助实际决策。数据挖掘技术具有，应用性、实时性、价值性，低密度高价值等特点，广泛应用于教育、农业、电子商务等行业中。

中文分词研究的主题有分词的技术、方法、算法、系统、分词器等；具体技术有分词词典、基于统计、情感词典、专业词典、歧义字段、相似度、特征项、未登录词、词性标注、字符串等；应用范围有机器检索、全文检索、文本挖掘、情感分析、情报工作、文本分类。

当下开源社区的分词解决方案主要有：清华thulac、北大PKUSeg、jieb分词等。

在分词的基础上，商品特征提取最具代表性的方法是MinQing Hu等提出的利用词性标注提取评论中的名词或名词性短语并生成事务集，依据Apriori算法提取特征候选集，然后根据邻近规则与独立支持度规则提取英文评论中的商品特征。李实等改进Hu了的方法，使其适合中文商品特征自动提取^[10]。

2. 研究的基本内容与方案

2.1基本内容