论文题目：电子游戏产品差异化战略对绩效的影响：用户认知信息和情感信息的调节作用
此仓库为该毕设相关代码
包括
Steam游戏信息、游戏评论、游戏用户打标等数据的爬虫代码
UDA、情感细粒度模型、情感极性模型训练代码
回归数据的处理与分析代码
代码目录 craw_data_code / craw_steam_game_info
需要：
- VPN
18 async with session.get(url,proxy='http://127.0.0.1:7890',timeout=10) as context:
修改自己的vpn端口
执行代码 python3 get_subcat.py
可以在目录下获得 cat_dict.json
speed_up.py
91 proxy = 'http://127.0.0.1:7890'
修改自己的vpn端口
执行代码 python3 Topsell.py
可以在目录下获得 cat_app_info.json
代码目录 craw_data_code / get_cooment_data
需要：
- 将代码上传至外网服务器执行
- 外网ip池
在同目录下准备 app_lists.txt
其中每个游戏id一行
craw_comment.py
修改 Proxy类 中的 get_one_proxy 方法以匹配自己的ip获得方式
默认使用ipidea，每次获得多个ip，单次返回的ip数量越多越好
执行代码 python3 Topsell.py
获得 data文件夹 包含所有游戏的评论数据
代码目录 craw_data_code / craw_meta_sentiment
该数据主要用于作为训练情感极性模型的标注数据
分别执行代码
python3 get_game_list.py
python3 get_comment.py
得到 comment_result.json 数据
代码目录 train_model / Label2vec
- 评论文件夹/data
- cat_app_info.json
放在统一目录下
执行代码
python3 gen_w2v_corpus.py
得到语料文件 corpus.json
执行代码
python3 train_doc2vec.py
得到label2vec模型文件 /doc2vec_model
代码目录 train_model / UDA / nlpaugmaster
转译增强damo aug.py
代码目录 train_model / uda_code
细粒度情感分析数据 SBAB / union_data.json
1. 修改main.py 中的文件参数配置对应监督数据、无监督数据以及测试数据
"sup_data_dir": "data/sup_train_data.json",
"unsup_data_dir": "data/unsup_data_list_aug.json",
"eval_data_dir": "data/sup_test_data.json",
2. 根据数据格式修改load_data.py中 SupDataset类 UnsupDataset类 EvalDataset类
3. 按需求修改main.py配置参数
4. 执行代码
accelerate config 设置训练环境
accelerate launch main.py 开始训练
得到模型文件
代码目录 / reg_data_process
fin_core_word.ipynb 游戏属性关键词召回Ddamo
本研究属性-关键词字典见 core_word.json
分别执行以下代码
python3 process.py 筛选有效的评论数据并预测情感极性
python3 process_2.py 评论属性关键词匹配以及属性情感分析
python3 build_control.py 建立控制变量
python3 deploy_info2cat.py 按二级分类对游戏进行分组
python3 compute_embedding.py 相关主效应、调节变量建立
reg.ipynb 回归分析damo