结论
本研究围绕移动应用综合评价的关键问题，通过系统性的方法创新和技术融合，构建了一套完整的细粒度评价体系。经过理论探索和实验验证，主要研究结论如下：
（1）在以移动应用的评论主题识别为基础，本文提出了基于Sentence-BERT-LDA评论主题识别模型。考虑到传统主题识别方法难以覆盖潜在主题的问题，设计了一种同时考虑词语层次和句子层次主题向量的主题识别方法，该方法在保持LDA主题模型优越性的同时，加入文本句子层次的语义相关性，约束主题的生成，能更好的理解不同语境下评论文本的语义特征，提高主题的连贯性及细粒度划分的精准度。模型主要采用LDA主题模型，识别评论文本词语层次的主题向量，然后将句子嵌入向量与概率主题分布向量连接，最后，采用K-means算法对向量空间进行聚类，从聚类中提取评论文本的主题信息。通过在公开数据集的实验验证及与现有方法的对比，证实了该方法在用户评论主题识别上的高效性。
（2）在移动应用用户评论文本情感分析上，为了改进现有情感分析方法在动态识别情感焦点、多视角特征融合及复杂情感交互建模方面的不足，提出了一种基于MHA-MLP-Mixer的评论主题情感分析模型，一种融合多头注意力机制（Multi-Head Attention, MHA）和MLP-Mixer模型的移动应用评论文本情感分析模型。模型首先利用卷积神经网络（CNN）和双向门控循环控制单元（BiGRU）提取局部特征信息和全局特征信息。然后将融合后统一的、综合的特征表示输入到多头注意力机制中（MHA），形成一个多维度的情感特征向量。然后，MLP-Mixer模型通过使用两个多层感知器(MLP)促进情感信息之间深度交互。最后，经过MLP-Mixer处理后的高级情感特征送入最终的分类层，生成深度情感分析结果。在公开数据集的实验结果表明，本文提出的模型明显优于其他方法，在显著提升情感分析精度的同时，也为移动应用评价体系构建了更加可靠的情感维度基础。
参考文献（略）
