面向产品设计改进的在线评论挖掘

以竞争市场环境中的产品在线评论数据为研究对象,基于支持产品设计改进的视角,采用数据挖掘的方法与工具,开展面向产品设计改进的在线评论大数据分析研究。重点开展在线评论数据挖掘过程模型中的有用性建模和特征评价值情感分析。以某智能手机产品的在线评论数据为对象进行了实验,得到该产品各个属性的评价值,与更新换代后的产品属性进行比较,验证了此方法的有效性。

基于半监督学习的在线评论挖掘应用

在线评论挖掘是从大量的在线评论数据中挖掘出有用的信息以支持管理决策的过程。本文首先介绍了在线评论挖掘的意义、任务以及半监督学习的基本概念,并给出了半监督学习在在线评论挖掘中的应用模型。

在线评论中的用户需求识别及其演化趋势挖掘

Web2.0环境下,越来越多的消费者在网络平台上购买商品,且将使用感受通过在线评论的形式表现出来,大量的在线评论数据蕴含着很多有价值的信息,企业可以利用在线评论来识别和分析用户需求,以便于后续的产品改进。本文以联想笔记本电脑的评论数据为研究对象,提出基于在线评论挖掘的用户需求识别与演化分析模型,利用SnowNLP模型、Kano模型与LDA模型,对用户评论进行分类、识别、特征情感对分析以及时间序列分析。结果表明:根据情感趋势预测,顾客对类型一、类型二和类型三的情感值呈上升趋势,类型四的情感值呈下降趋势;此外,用户对产品外观与游戏体验的关注较多。研究从时间的角度对在线评论的研究方法和模型进行了改进,可为分析用户对产品需求以及预测用户对于产品的情感趋势等研究提供参考价值。

基于评论挖掘的新消费品牌用户画像研究——以三顿半咖啡品牌为例

基于在线评论挖掘与识别用户兴趣标签,构建新品牌消费者群体画像,有助于企业深入了解用户需求特征,实现精准营销。本文利用python爬取电商平台评论信息,通过对评论数据的LDA分布主题分析及词频分析挖掘用户兴趣标签并设计调查问卷,改进新消费品牌用户画像属性维度因素,并对数据进行探索性因子分析及k-means聚类分析,构建新消费品牌用户画像模型。依据消费者需求偏好及行为特征构建7类新消费品牌用户画像,有助于消费品牌提供个性化产品及服务体验,实现精准营销。本文构建了电商评价行为场景下的用户需求理论模型,将评论采集技术和问卷调查法进行统筹整合,有效实现多源数据的融合,提供了更为精准全面的用户画像构建框架。本文的局限性在于问卷调查样本有限,拟在今后的研究中结合其他方法对目标对象进行深入研究。

移动医疗App在线评论维度挖掘与情感分析

目的:对我国移动医疗App的在线评论进行维度挖掘与情感分析,以便精准评价用户满意度。方法:基于App Store中国应用市场中医疗类App的在线评论数据,采用集成多策略的深度学习方法,首先应用TF-IDF算法、BERT模型和Canopy+K-means聚类分析方法提取移动医疗App在线评论的主要维度,然后通过计算各维度权重值,明确不同维度对用户整体评价意见的重要性,最后利用LSTM-CNN模型对各维度的用户评论进行细粒度情感分析。结果:用户关注的移动医疗App在线评论主要维度依次为专业性、可靠性、交互性、易用性和特色性;用户对移动医疗App的整体满意度不高,在可靠性、交互性、特色性维度上的评论积极情感倾向率较低;同时,移动医疗各细分领域的App在不同维度上也存在明显不同的优势和劣势,需要根据自身特色和发展目标进行优化与完善。结论:集成多策略的深度学习方法在移动医疗App在线评论维度挖掘和情感分类上具有很好的适用性、稳定性与可推广性,可为App在线评论文本分析和用户满意度评价提供重要的方法支撑。

关于深度学习的在线评论挖掘及需求获取方法

针对传统用户需求获取方法数据量少、实时性差、成本过高等问题,提出一种基于深度学习获取用户生成内容(User-Generated Content,UGC)有效数据的在线评论挖掘及需求获取方法。以电子商务平台在线评论信息为数据源构建UCC在线评论语料集,并提出了一种结合机器学习与人工审查的需求获取方式,通过卷积神经网络过滤大型UGC在线评论语句的非信息性内容,并利用数据分析工具对用户需求嵌入密集的相似性语句进行聚类分析,以避免对重复性内容进行采样。最后由专业分析人员对机器学习所提取的用户需求进行有效审查以提升需求信息准确率。通过老年代步车设计需求获取过程为案例验证模型,证明了所研究方法的高效性和准确性。利用对用户反馈信息的分析,为企业新产品研发提供了理论支持与技术支撑。

基于在线评论的用户需求挖掘模型研究

用户需求挖掘是产品／服务质量提升的重要前提，在线评论真实反映了用户对产品／服务的满意与否。本文针对在线评论数据构建了一个用户需求挖掘模型。该模型首先获取关于某产品／服务的评论数据，经预处理后提取评论文本的主观句；结合构建的领域本体和依存句法分析确定该产品主题属性和相应的主观评论，按产品／服务主题属性对评论内容进行正负向分类；并运用LDA模型对用户评论进行聚类分析，展示用户重点关注主题属性的评价向量及其情感；同时运用KANO模型对分类结果进行KANO转换与评价，对评价结果进行分析，得出用户关于该产品／服务各主题属性特征需求满足情况；在此基础上提出该产品／服务改进的方向。本文以庐山旅游为例，验证了模型的可行性。

读者在线评论信息挖掘研究

对读者在线评论信息进行挖掘,具有重要的价值。基于Web文本挖掘原理,构建了读者在线评论信息挖掘模型,并对评论属性识别、主观性内容识别、读者态度提取、观点极性判断、挖掘结果可视化等5个子任务的工作内容及其应用的技术手段进行了分析,还提出了图书馆利用读者在线评论挖掘信息的辅助性措施。