基于细粒度观点挖掘和Kano模型的用户满意度分析研究

在线评论在客户关系管理、产品营销等方面发挥着重要作用,有效利用在线评论来分析用户满意度,对企业改善其服务和产品至关重要。传统的满意度分析方法的变量设计往往依赖专家建议,较少考虑正负属性的不对称影响。为解决这些问题,利用文本细粒度观点挖掘技术,对用户在线评论进行特征挖掘,构建产品服务质量分数,并采用PRCA技术对服务属性的正负影响进行量化,将服务属性投射为Kano属性分类,然后分析不同粒度下不同品牌的客户满意度特点,并给出不同品牌的属性优先顺序。最后,从咖啡评论数据中挖掘出5个关键属性。实验结果表明,不同属性对满意度影响具有不对称效应,且不同粒度下的顾客满意度影响因素具有不同的特点,并给出了相应的精细化企业管理策略。

基于情感从属和最大熵模型的细粒度观点挖掘

目前许多观点挖掘方法挖掘粒度过大,导致反馈信息不足。为解决该问题,对标准LDA模型进行改进,提出主题情感联合最大熵LDA模型进行细粒度观点挖掘。首先,考虑到词的位置和语义信息,在传统LDA模型中加入最大熵组件来区分背景词、特征词和观点词,并对特征词和观点词进行局部和全局的划分;其次,在主题层和单词层之间加入情感层,实现词语级别的细粒度情感分析,并引入情感转移变量来处理情感从属关系,同时获取整篇评论和每个主题的情感极性,实验验证了所提模型和理论的有效性。