题目：基于移动在线评论的用户情感分析及需求挖掘

随着移动互联网的迅猛发展，移动应用程序（简称App）成为软件的一种新形式，与互联网软件相比，App的开发及版本更新更加迅速；用户群体更为广泛，需求五花八门且变化快。如何快速获取移动用户的需求，及时地纠正软件中的不足是App开发商迫切需要解决的问题。

移动用户的在线评论凭借覆盖用户广泛、内容丰富、时效性强等优势，成为用户需求获取的重要反馈资源。如何从移动用户在线评论中获取有价值的信息，获取大众用户的各种真实感受，充分挖掘移动用户评论中的价值是需求工程领域面临的一个新挑战。

本文以移动在线评论为研究对象，旨在研究适合移动在线评论的自动化挖掘方法。为移动App开发商获取用户反馈信息提供支持。本文的主要研究内容和贡献如下：

1)找出移动评论的独有特性。本文对移动在线评论从统计特性和复杂网络特性角度进行了一系列的实验分析。实验结果显示，移动在线评论具有“字符数少、跨度大、字符数与评论数量呈现出幂律关系、字符分布不均衡”等特点，并将该类评论命名为“微评论”。同时，还发现了“微评论”虽然规模更小、但其节点连通性和语言层次性更强。该研究为本文的后续研究奠定了基础。

2)提出适合移动评论的情感分析方法。本文针对传统情感分类方法是否适合移动评论进行了一系列实验。结果表明，由于移动评论较短小，在特征筛选环节上效果反而有所下降；情感分类效果随着评论长度的增加而逐步降低。针对“长”评论情感分类精度不高的问题，本文提出，应该将移动评论按照长度“分而治之”，分别使用不同的分类策略，提升整体分类效果，即：“短”评论不进行特征筛选而直接分类；“长”评论先采用SCO方法进行特征筛选，再进行分类。

3)从抱怨评论入手，提出了从抱怨评论的筛选à抱怨评论的分析à用户需求汇总à软件属性细分的四层框架（简称FAS-R框架）；在此基础上，给出了从抱怨评论层到用户需求汇总层三层之间关键的自动化实现方法（C2R方法）；并对其中的基于规则的机器学习方法进行了改进，提出了PG-R方法以提高学习的泛化能力。构建了用户需求本体模型，以引导机器完成从抱怨评论到用户需求的归纳和汇总。测试实验表明，C2R方法具有较好的识别效果，接近90%左右；在此基础上，将C2R方法应用到QQ移动评论的用户需求挖掘中，并将挖掘结果与QQ更新日志进行对比。实证结果表明，该方法能及时发现QQ评论中出现的各种用户需求，以及它们的变化趋势；从QQ评论中发现的主要用户需求与QQ的后续演化重点一致。