电子商务论文哪里有？本研究通过建立模糊环境下的商品特征情感量化模型，为模型提供数据支持。此外本文探讨了如何优化现有的直觉模糊得分函数和犹豫模糊得分函数，进而提高直觉模糊数和犹豫模糊数的排序效率，从而提高决策的准确性。
第1章 绪论
1.3 国内外研究现状及评述
本文拟从模糊多属性决策方法角度研究在线商品排序模型，对线商品评论进行情感分析，将研究搭建在直觉模糊环境和犹豫模糊环境之上，并在此基础上针对性的研究属性关联的TODIM模型。下面是对研究过程中的参考文献进行整理，主要在线商品排序的研究现状，直觉和犹豫模糊多属性决策理论的研究现状，属性关联和TODIM决策模型研究现状四个方面进行展开。文献综述的目的在于总结已有的理论方法和模型，分析现有文献存在的问题，并提出解决问题的研究思路。
1.3.1 在线商品排序的研究现状
随着电子商务的发展，越来越多的购物网站或社交平台都在鼓励消费者购买商品之后对商品进行评价[25, 26]。有学者经研究发现消费者的购买决策与在线评论信息存在相关关系[27, 28]。但是，面对浩如烟海的在线商品评论，消费者很难直接基于在线评论进行决策[29]。因此，这吸引了国内外研究者们的关注，基于在线评论的商品排序排序的研究逐渐出现。其中大部分研究对该方向的探索主要分成两个步骤，第一步是对在线评论进行情感分析，这一步的目的是确定产品重要的属性特征或者消费者的情感倾向；第二步是在第一步的基础上选择合适的方法对产品进行排序，为消费者提供购买决策。
第3章 模糊环境下的商品特征情感量化模型
3.1 研究框架和设计思路 本章的主要目标是在模糊环境下量化商品特征的情感，要想实现这个目标需要设计一个整体框架来完成。因此，本章设计的研究框架和设计思路可分为以下四步进行：在线评论的预处理；特征词、情感词的获取；情感词典的建立；模糊环境下商品特征情感量化。模糊环境下商品特征情感量化的具体研究框架和设计思路如下：
步骤 1：利用编写的Python爬虫程序搜集所需产品的在线评论信息，并对搜集到的产品在线评论数据进行预处理。在线评论数据的预处理的过程包括对评论数据进行分词，删除评论分词结果中的停用词，以及对分词和去停用词后的结果进行词性标注。在本步骤中，标点符号仍然保留，这样处理的原因是便于后来提取商品特征词、情感词和情感修饰词。在这里做一个约定，本研究将分词、去停用词、词性标注后的评论数据分为简单评论句和复杂评论句，简单评论句指的是只包含一个产品特征的句子，复杂评论句指的是包含多个商品特征的评论句。
步骤 2：从预处理后的在线商品评论中提取商品的特征词、情感词以及情感修饰词。从步骤1中的简单评论句和复杂评论句中提取所需的特征词、情感词、和情感修饰词，其中，若句子为复杂评论句，则需要将复杂评论句进行处理，将其分成含单个特征的评论句。另外，特征词的词性一般都是名词，情感词的词性一般为形容词，情感修饰词的词性一般为副词和否定词。
第5章 基于改进犹豫模糊TODIM模型的在线商品排序研究
5.1 犹豫模糊得分函数
犹豫模糊得分函数在犹豫模糊多属性决策的过程中起着举重若轻的作用，犹豫模糊得分函数的好坏实际上决定着犹豫模糊数的排序的优劣，最终影响犹豫模糊多属性决策的评价结果。现有文献对犹豫模糊得分函数进行了相应的研究，现在的犹豫模糊得分函数按照其计算步骤的不同可分为两种情况[227]，一种是一个步骤就能比较两个不同犹豫模糊数的大小关系；第二种是需要多个步骤才能比较 不同犹豫模糊数的大小关系。例如Liao和Xu[101]提出犹豫模糊得分函数属于第二种情况，先基于犹豫模糊得分函数对两个犹豫模糊数进行排序，如果两者的结果相同，再基于精确函数对两者进行排序，得到最后的犹豫模糊数排序结果。第一种情况下，犹豫模糊数的排序过程只需要一个步骤，如Xia和Xu[87]提出的犹豫模糊得分函数。
5.2 基于2可加Choquet模糊积分的犹豫模糊TODIM模型
5.2.1 算例分析
一家公司决定选取一项五年期的计划来帮助公司更好的发展。现在，公司有四个方案可供选择，方案集合为1 2 3 4A =A,A,A,A。该公司决定邀请专家小组对四个背景方案进行综合评价，评价小组成员有三个，分别为开发部经理（1e）、人力资源经理（2e）和运营部经理（3e）。专家小组经过讨论决定选取四个属性进行评价，分别为财务能力1C，顾客满意度2C，内部控制3C和学习成长能力4C。
步骤1 邀请专家小组使用犹豫模糊集对供应商进行评价，得到方案iA在属性jC下的决策矩阵，如下表5-3所示。另外，本研究在此算例中假设专家是风险厌恶性的。
结论
近年来，随着信息技术更新与进步，国内电子商务的发展十分迅速，从开始的PC端购物到现在的移动端消费，电子商务平台越来越融入人们的日常生活中。在电子商务平台上消费者可以浏览自己想购买的商品，免除前往实体店购物不便的烦恼，这促使在线购物成为时下的一种潮流。与传统的实体消费显著不同，在线购物是消费者通过电子商务平台上商家文本、图片和视频的展示信息来了解商品或服务的特征和质量。其中，在线商品评论是消费者在购买产品之后发布的自己的购买体验以及后续产品、服务的情况，其中蕴含了消费者对产品的价值评判信息。国内外学者对此信息展开了广泛的研究，其中基于在线评论的商品排序逐渐成为当下研究的热点。
本研究分别从直觉模糊集和犹豫模糊集两个角度出发，探讨如何从在线评论中提取和处理商品特征的评论信息并得到商品在不同属性下的评价值。本研究通过建立模糊环境下的商品特征情感量化模型，为模型提供数据支持。此外本文探讨了如何优化现有的直觉模糊得分函数和犹豫模糊得分函数，进而提高直觉模糊数和犹豫模糊数的排序效率，从而提高决策的准确性。此外，本研究探讨了如何处理TODIM多属性决策模型中的属性关联问题，使其能更好的解决现实中的商品排序问题，并将改进的TODIM的决策方法拓展到直觉模糊环境和犹豫模糊环境下。本文研究工作在三个方面具有一定的创新性，总结如下：
（1）分别从直觉模糊环境和犹豫模糊环境的角度出发，探索了在线评论中商品特征情感强度量化问题，建立了模糊环境下的商品特征情感量化模型。该模型从情感词和情感修饰词的角度出发，在模糊环境下对情感词和情感修饰词进行赋值量化，然后综合情感词、情感修饰词的组合情况，建立模糊环境下商品特征情感得分函数，从而得到不同消费者对在线商品特征的情感得分。跟以往由专家进行评价的方式不同，本文建立的模糊环境下的商品特征情感量化模型是从消费者的评价信息中获取数据，这样的数据更具真实客观性，为商品排序模型提供可靠数据支持，为进一步完善现有在线商品排序模型体系作出贡献。
（2）改进了直觉模糊环境下的在线商品排序模型。本研究首先结合投票模型和犹豫度的分配，提出了改进的直觉模糊得分函数与精确函数，并通过对比分析证明了其更能有效的比较直觉模糊数之间的大小关系。另外，本研究提出了改进的直觉模糊TODIM决策模型用于在线商品排序，该模型的提出有效的处理了属性间同时存在多种关联关系的问题，弥补了现有研究的不足，能够更好的处理复杂的商品排序问题，为消费者提供合理购买建议。
参考文献（略）
