王克勤，劉朝明

(西北工業(yè)大學(xué) 管理學(xué)院，陜西 西安 710072)

0 引言

產(chǎn)品設(shè)計改進是在現(xiàn)有產(chǎn)品基礎(chǔ)上，對產(chǎn)品使用后出現(xiàn)的缺陷進行優(yōu)化設(shè)計，從而開發(fā)出新一代產(chǎn)品的持續(xù)過程[1]。在該過程中，及時全面地獲取顧客需求至關(guān)重要。通過分析顧客需求，設(shè)計人員可以了解顧客對產(chǎn)品的不滿點，發(fā)現(xiàn)產(chǎn)品問題，從而指導(dǎo)新一代產(chǎn)品改進[2]。傳統(tǒng)的顧客需求獲取采用電話、email和調(diào)查問卷等方法，存在反饋周期長、人力物力消耗大等諸多弊端[3]，已無法滿足企業(yè)及時獲取信息的要求。與傳統(tǒng)的需求獲取方法相比，互聯(lián)網(wǎng)用戶針對購買和使用產(chǎn)品發(fā)表的在線評論數(shù)據(jù)，具有體量大、易獲取、可靠性高等特點，迅速成為獲取顧客需求的新來源[4-5]。

當前基于在線評論的顧客需求挖掘研究主要集中于產(chǎn)品特征提取和產(chǎn)品特征情感分析，這些研究通常將顧客關(guān)注的產(chǎn)品特征和相應(yīng)的情感態(tài)度作為顧客需求的主要內(nèi)容。特征提取是指從評論中提取用戶關(guān)注的產(chǎn)品部件或功能，基于詞性統(tǒng)計和語言規(guī)則是兩種常見的特征提取方法。前者將評論語料中頻繁出現(xiàn)的名詞或名詞組合作為產(chǎn)品特征[6]，后者根據(jù)評論語料中詞語間的依存關(guān)系設(shè)置句法模板提取產(chǎn)品特征[7]。情感分析旨在識別顧客對產(chǎn)品特征的情感傾向和情感強度，幫助企業(yè)洞察產(chǎn)品的優(yōu)缺點，情感詞典和機器學(xué)習(xí)是情感分析常用的兩種方法。情感詞典方法以預(yù)先設(shè)定的情感詞為依據(jù)，分析句法結(jié)構(gòu)并設(shè)計情感判別規(guī)則，識別產(chǎn)品特征的情感極性和強度[8]。機器學(xué)習(xí)方法主要采用向量空間模型表示文本，并構(gòu)建分類器判斷情感類別，情感極性識別屬于二元分類[9]，情感強度識別則屬于多元分類[10]。此外，獲取顧客需求還有其他方法，如，基于案例推理的方法[11]、基于圖的需求獲取方法[12]等。

然而，這些研究面臨兩方面問題：①大多僅考慮自身產(chǎn)品的在線評論，未與競爭產(chǎn)品比較，造成改進策略不夠準確。同一市場內(nèi)，某產(chǎn)品通常有多家產(chǎn)品與之競爭，消費者在購買產(chǎn)品時，往往會對比各產(chǎn)品的優(yōu)劣，選擇最滿意的產(chǎn)品。設(shè)計人員在進行產(chǎn)品設(shè)計改進時，如果僅考慮本企業(yè)產(chǎn)品而忽略與競爭產(chǎn)品做比較，將會得到錯誤的產(chǎn)品改進方向，使得改進效果不佳而流失大量顧客[13]。因此，產(chǎn)品設(shè)計改進若同時考慮競爭產(chǎn)品將會更加精準有效。②目前在線評論數(shù)據(jù)挖掘抽取的顧客需求往往過于簡單，丟失了原始評論背景信息，難以滿足設(shè)計人員需求[14]。現(xiàn)有研究含蓄地假設(shè)顧客需求主要包含顧客關(guān)注的產(chǎn)品特征及情感詞，因此這些研究的主要任務(wù)是從在線評論中提取產(chǎn)品特征及情感詞，并確定特征情感分數(shù)。然而，這個假設(shè)存在問題，產(chǎn)品特征和情感詞只是在線評論內(nèi)容中的一部分，顧客在撰寫評論時，不僅描述了對產(chǎn)品特征的情感態(tài)度，還描述了他們使用產(chǎn)品時的使用情景以及遇到的問題[15]。丟失使用情景以及產(chǎn)品問題等原始信息，將造成設(shè)計人員無法全面真實地了解顧客需求，因此有必要從在線評論中挖掘細粒度的顧客需求信息，從而更好地支持產(chǎn)品設(shè)計改進過程。

為解決上述問題，本文提出一種基于在線評論的重要度績效競爭對手分析(Importarce Performance Competitor Analysis,IPCA)的產(chǎn)品設(shè)計改進方法。首先，應(yīng)用隱含狄利克雷分布(Latent Dirichlet Allocation,LDA)主題模型識別產(chǎn)品主題，基于文檔—主題概率分布計算產(chǎn)品特征重要度。利用依存句法分析提取在線評論中的情感標簽，對情感標簽量化后得到產(chǎn)品特征績效值。其次，對目標產(chǎn)品及其多個競爭產(chǎn)品進行IPCA，找到目標產(chǎn)品需要改進的特征。最后，通過待改進特征的情感標簽篩選原始負面評論，并從中提取用例，使用用例圖直觀地展現(xiàn)顧客細粒度需求，發(fā)現(xiàn)潛在的產(chǎn)品問題，進而提出產(chǎn)品設(shè)計改進策略。

1 理論基礎(chǔ)

1.1 IPA方法

在在線評論研究興起之前，一些研究使用調(diào)查問卷等市場調(diào)查方法獲取顧客需求，發(fā)現(xiàn)產(chǎn)品需要改進的地方，重要度績效分析(Importance Performance Analysis，IPA)便是其中一種行之有效的方法。IPA方法由MARTILLA等[16]首次提出，是一種簡單有效的客戶滿意度評價方法。在IPA方法實施過程中，顧客對產(chǎn)品的各個特征的績效和重要度進行打分，并計算單個特征的所有顧客評分的平均值，將所得平均數(shù)表示在分別代表重要度和績效的雙軸坐標系中，從而形成IPA圖，如圖 1 所示。

圖中：區(qū)域Q1表示對顧客重要的產(chǎn)品特征績效值較高，落在該區(qū)域中的特征應(yīng)繼續(xù)保持優(yōu)勢，稱為優(yōu)勢區(qū)；區(qū)域Q2表示重要的產(chǎn)品特征績效表現(xiàn)不理想，企業(yè)應(yīng)集中提供顧客期望并重視的因素，該區(qū)域為集中改善區(qū)；區(qū)域Q3表示不重要的產(chǎn)品特征績效值低， 該區(qū)域?qū)儆趯︻櫩椭匾暥鹊偷膮^(qū)域；區(qū)域Q4表示不重要的產(chǎn)品特征供給過度，屬于過度重視區(qū)。

IPA方法操作簡單、實用性強，目前已在學(xué)界廣泛應(yīng)用。但有學(xué)者對其簡易性提出了批評[17-18]，例如，MIKULI等[17]認為，當不同產(chǎn)品進行比較時，IPA模型只能評估本企業(yè)的產(chǎn)品特征的表現(xiàn)，無法考慮競爭產(chǎn)品的表現(xiàn)，分析結(jié)果通常不準確。為解決該問題，現(xiàn)有研究考慮了競爭產(chǎn)品的信息，提出一種更為全面的方法——IPCA方法[18-19]。

1.2 IPCA方法

在IPCA模型中，X軸表示目標產(chǎn)品與競爭產(chǎn)品的特征績效值之間的差異，即PD值；Y軸表示目標產(chǎn)品的特征績效值和重要度的差異，即GAP值。以坐標原點為中心，構(gòu)成二維矩陣，將目標產(chǎn)品特征劃分為4個區(qū)域，如圖2所示。

圖中：位于區(qū)域Q1的產(chǎn)品特征，績效值大于重要度，且績效表現(xiàn)優(yōu)于競爭產(chǎn)品，是目標產(chǎn)品的優(yōu)勢特征，應(yīng)繼續(xù)保持，該區(qū)域稱為穩(wěn)定的競爭優(yōu)勢區(qū)；位于區(qū)域Q2的產(chǎn)品特征，績效值大于重要度，但績效表現(xiàn)弱于競爭產(chǎn)品，需要投入資源改進，至少達到競爭產(chǎn)品的績效水平，該區(qū)域稱為正面競爭區(qū)；位于區(qū)域Q3的產(chǎn)品特征，績效值小于重要度，且該特征績效表現(xiàn)弱于競爭產(chǎn)品，是目標產(chǎn)品的主要競爭弱點特征，需要投入資源重點改進，該區(qū)域稱為緊急行動區(qū)；位于區(qū)域Q4的產(chǎn)品特征，盡管績效表現(xiàn)優(yōu)于競爭產(chǎn)品，但是績效值小于重要度，沒有滿足顧客期望，該區(qū)域稱為無效優(yōu)勢區(qū)。

綜上所述，IPCA方法解決了IPA方法忽略競爭產(chǎn)品分析的問題，評價結(jié)果更加準確。因此，將IPCA方法應(yīng)用到本文研究中，并將其數(shù)據(jù)源從調(diào)查數(shù)據(jù)擴展到在線評論數(shù)據(jù)。

2 研究方法

本文提出一種基于在線評論IPCA的產(chǎn)品設(shè)計改進方法，該方法分為3個部分，流程如圖3所示。

2.1 數(shù)據(jù)采集與預(yù)處理

使用大數(shù)據(jù)采集器爬取在線評論數(shù)據(jù)，采集的評論數(shù)據(jù)集包括目標產(chǎn)品評論數(shù)據(jù)與競爭產(chǎn)品評論數(shù)據(jù)兩部分。競爭產(chǎn)品通常利用一些分析維度來確定，如價格、產(chǎn)品型號、市場范圍等[20]。例如，以價格維度確定競爭產(chǎn)品時，可以以目標產(chǎn)品的價格為基準，設(shè)定價格范圍，市場價格在此范圍內(nèi)的同類產(chǎn)品為競爭產(chǎn)品。

此外，直接從網(wǎng)上采集的數(shù)據(jù)中，不僅包含產(chǎn)品特征詞，還包含許多與產(chǎn)品特征無關(guān)的噪音詞語。為了得到對研究問題有價值的分析結(jié)果，需要對原始評論數(shù)據(jù)進行預(yù)處理，去除文本噪音。首先，對評論文本進行分詞，使數(shù)據(jù)變?yōu)橐子诜治龅男问?；其次，刪除一些與產(chǎn)品特征毫無關(guān)聯(lián)的詞語，例如：“啊”、“我們”、“…” 等停用詞，“感覺”、“有點”、“關(guān)系” 等出現(xiàn)頻率較高但與產(chǎn)品主題無關(guān)的詞語；最后，根據(jù)經(jīng)驗，去掉文本長度小于3的短文本，這些評論包含信息少且影響分析結(jié)果。經(jīng)過預(yù)處理后的評論文本數(shù)據(jù)以結(jié)構(gòu)化形式存儲，為后續(xù)研究工作做準備。

2.2 基于在線評論的IPCA模型構(gòu)建

2.2.1 基于LDA的產(chǎn)品特征重要度計算

應(yīng)用LDA主題模型對在線評論進行處理，基于主題—詞概率分布識別在線評論中的產(chǎn)品主題；基于文檔—主題概率分布計算產(chǎn)品主題的重要度，進而轉(zhuǎn)化為產(chǎn)品特征的重要度。具體步驟如下：

步驟1最佳產(chǎn)品主題數(shù)確定。通過給定產(chǎn)品主題數(shù)K，計算不同產(chǎn)品主題間的一致性分數(shù)。當主題一致性分數(shù)最高時，各產(chǎn)品主題的可解釋性最好，對應(yīng)的K值最優(yōu)[21]。

步驟2產(chǎn)品主題識別。基于LDA建模的結(jié)果可以輸出主題—詞概率分布和文檔—主題概率分布[22]。主題—詞概率分布表示用戶關(guān)注的產(chǎn)品主題中相關(guān)詞語的概率分布，基于該分布即可確定用戶關(guān)注的產(chǎn)品主題，由此獲得K個產(chǎn)品主題集合。

步驟3產(chǎn)品特征重要度計算。文檔—主題概率分布表示單條評論中產(chǎn)品主題的概率分布，主題在單條評論中貢獻概率越大，代表該主題越被頻繁提及，這個主題就越重要。因此，本文使用主題對評論的貢獻概率衡量產(chǎn)品主題的重要度[23]，每個產(chǎn)品主題對所有在線評論的貢獻概率之和即為該產(chǎn)品主題的重要度。記產(chǎn)品主題k的重要度為TIk，

(1)

式中：r表示評論編號；N表示評論總數(shù)量；DTMatrixk,r表示產(chǎn)品主題k對評論r的貢獻概率。每個產(chǎn)品主題代表對應(yīng)的產(chǎn)品特征，多個產(chǎn)品主題可能代表相同的產(chǎn)品特征，為計算產(chǎn)品特征i的重要度Impi，對K個主題中屬于同一產(chǎn)品特征的主題合并歸納，即

(2)

(3)

2.2.2 基于情感分析的產(chǎn)品特征績效值計算

在線評論研究中，情感強度反映了顧客對產(chǎn)品的滿意程度，情感強度越高，說明顧客對產(chǎn)品越滿意。因此，本文將顧客對產(chǎn)品特征的情感強度作為產(chǎn)品特征的實際績效值。通過依存句法分析提取在線評論中的情感標簽，利用基于情感詞典的情感分析方法量化情感標簽，計算產(chǎn)品特征的情感強度，進而轉(zhuǎn)化為產(chǎn)品特征的績效值。具體步驟如下：

步驟1情感標簽提取。情感標簽指的是顧客對產(chǎn)品特征的直觀評價，一般包含了產(chǎn)品特征詞、程度副詞或否定詞，以及情感詞三個部分，例如(外觀，很，漂亮)。通過設(shè)定句法規(guī)則，使用哈工大語言技術(shù)平臺上的依存句法分析工具進行依存句法分析[24]，獲取特征詞、程度副詞或否定詞以及情感詞之間的語法關(guān)系，提取情感標簽。若依存關(guān)系標注為主謂關(guān)系(SBV)、定中關(guān)系(ATT)、狀中關(guān)系(ADV)或動賓關(guān)系(VOB)，則句子中的名詞、名詞詞組或動詞為產(chǎn)品特征詞，產(chǎn)品特征詞依賴的形容詞為情感詞，與情感詞之間的依存關(guān)系為ADV(狀中關(guān)系)的詞語為程度副詞或否定詞。其中，情感詞的識別依賴于特定的情感詞典，可參考知網(wǎng)情感詞典(Hownet)。對于某些特殊的產(chǎn)品，也可以構(gòu)建專門的領(lǐng)域情感詞典。

步驟2情感標簽量化。采用文獻[8]中的基于情感詞典的情感分析方法，對情感標簽內(nèi)的情感詞、程度副詞或否定詞進行量化。量化標準參考知網(wǎng)情感詞典(Hownet)自帶的分類標準，正向和負向情感極性詞分別量化為1和-1；程度副詞按照修飾情感詞的強烈程度依次量化為2、1.5、0.5，若未識別到程度副詞按1處理；若出現(xiàn)否定詞，則取相反極性；若未識別到情感詞，則情感極性為0。具體情感極性相關(guān)詞的量化標準如表1所示。

表1 情感極性相關(guān)詞的量化標準

續(xù)表1

步驟3產(chǎn)品特征績效值計算。基于表1，對于每條情感標簽j來說，其對應(yīng)的情感強度

SentiValuej=EmoValue×AdValue×NegValue。

(4)

匯總每類特征的所有情感標簽，計算產(chǎn)品特征i的情感強度

(5)

(6)

2.2.3 IPCA模型構(gòu)建

(7)

目標產(chǎn)品與競爭產(chǎn)品m的各特征Fi的績效差異值為：

(8)

2.3 產(chǎn)品改進策略分析

通過IPCA識別了目標產(chǎn)品的改進方向后，為了解產(chǎn)品特征的改進細節(jié)，進一步挖掘包含待改進產(chǎn)品特征的原始評論，提取更細粒度的顧客需求并發(fā)現(xiàn)主要的產(chǎn)品問題，進而提出產(chǎn)品改進策略。具體步驟如下：

步驟1提取待改進產(chǎn)品特征的原始評論。在獲得目標產(chǎn)品待改進特征后，統(tǒng)計包含產(chǎn)品待改進特征的情感標簽，篩選包含這些情感標簽的原始在線評論。

步驟2篩選負面評論。在得到包含目標產(chǎn)品待改進特征的原始評論后，為了準確分析顧客不滿意的原因，篩選出情感標簽情感分數(shù)SentiValue<0對應(yīng)的負面原始評論。

步驟3挖掘細粒度需求。在獲取待改進特征相關(guān)的負面評論后，按照“產(chǎn)品特征、使用者、使用情景、遇到的問題”等4個要素對評論進行人工標記，統(tǒng)計頻數(shù)及占比信息并繪制用例圖，更直觀形象地把握顧客需求。

下面以3條汽車評論數(shù)據(jù)為例說明標記過程：

(1)在市區(qū)跑的話油耗會稍微的多一點，在高速的話就會稍微的少一點。

(2)動力一般，冬天早上啟動的時候聲音有點大，2.0自吸的平?；乩霞疑舷掳喽級蛴谩?/p>

(3)大部分時間一個人開，空間沒有太多感受。后排凸起是唯一的槽點。

對以上3個句子進行標記，結(jié)果如表2所示。其中，如果用戶沒有明確提及使用者(如：我、朋友、老婆等)，則默認使用者為普通用戶；如果用戶有具體的描述，則記為其他。

表2 原始評論標記示例

步驟4提出產(chǎn)品改進策略?；谟美龍D找到產(chǎn)品的主要問題后，咨詢專家意見，提出具體的產(chǎn)品改進策略。

3 案例研究

3.1 實驗設(shè)計

3.1.1 汽車口碑數(shù)據(jù)采集與預(yù)處理

本文選擇汽車之家(autohome.com.cn)口碑作為數(shù)據(jù)源，進行實驗分析。以“邁銳寶XL 2019款”汽車作為目標產(chǎn)品，選擇與其車型和價格相近的熱門車型中的前6款作為競爭產(chǎn)品。利用八爪魚采集器在汽車之家論壇上爬取7款汽車產(chǎn)品的所有口碑，共計8 243條，數(shù)據(jù)起止時間為2019年1月～2020年1月，各汽車產(chǎn)品的評論數(shù)量以及在2020年1月的口碑綜合評分如表3所示。經(jīng)預(yù)處理，依圖3流程進行分析。

表3 汽車產(chǎn)品口碑采集結(jié)果及口碑綜合評分(2020)

3.1.2 汽車產(chǎn)品特征重要度計算

應(yīng)用LDA主題模型對預(yù)處理后的邁銳寶XL汽車的口碑數(shù)據(jù)進行處理。給定主題數(shù)K的值，計算主題一致性分數(shù)。通過計算發(fā)現(xiàn)，當K=27時，主題一致性分數(shù)最高，因此設(shè)定最佳主題數(shù)為27，同時保留每個主題的前15個關(guān)鍵詞用于主題標記[23]。LDA主題模型輸出的主題—詞概率分布和文檔—主題概率分布如表4和表5所示。

表4 邁銳寶XL汽車的主題—詞概率分布(部分)

表5 邁銳寶XL汽車的文檔—主題概率分布(部分)

LDA屬于無監(jiān)督主題模型，因此生成的主題依次用“Topic1”、“Topic2”、“Topic3”表示，這樣的標記獲取不到任何信息，需要結(jié)合主題下的關(guān)鍵詞分布對各主題進行標記。通過咨詢專業(yè)汽車設(shè)計人員的意見并結(jié)合汽車之家等知名汽車論壇對汽車特征的分類標準，最終選取操控、動力、空間、內(nèi)飾、舒適性、外觀、性價比、油耗等8類產(chǎn)品特征主題。例如，Topic1被命名為內(nèi)飾，因為該主題下排序靠前的關(guān)鍵詞為“內(nèi)飾”、“好看”、“簡單”、“材質(zhì)”、“不錯”等與內(nèi)飾相關(guān)的詞語，權(quán)重占比達64.95%，反映了邁銳寶XL汽車的內(nèi)飾簡約美觀。

表6 邁銳寶XL汽車的產(chǎn)品特征重要度

3.1.3 汽車產(chǎn)品特征績效值計算

使用2.2.2節(jié)的算法提取情感標簽并量化，獲得各汽車產(chǎn)品的特征績效值如表7所示。其中，Perfi(i=1,2,…,8)分別表示操控、動力、空間、內(nèi)飾、舒適性、外觀、性價比、油耗等8類產(chǎn)品特征的績效值。

表7 各汽車產(chǎn)品的特征績效值

3.2 實驗結(jié)果分析

3.2.1 汽車產(chǎn)品IPCA模型構(gòu)建結(jié)果

3.2.2 汽車產(chǎn)品設(shè)計改進方向識別

根據(jù)圖4特征在各象限落點的分布情況，將6個IPCA圖分為兩組：第一組(圖4a～圖4c)包括天籟、亞洲龍、凱美瑞汽車，該組的落點集中在Q1、Q2、Q3區(qū)域，而Q4區(qū)域沒有落點。邁銳寶XL汽車的空間、動力、操控、外觀、性價比的績效均滿足了顧客期望，但與競爭產(chǎn)品的績效存在差異。位于Q2區(qū)域的特征處于競爭劣勢，需要“稍微改進”，至少達到競爭產(chǎn)品的水平。此外，該組Q3區(qū)域落點情況完全一致，這表明與天籟、亞洲龍、凱美瑞汽車相比，邁銳寶XL汽車的內(nèi)飾、油耗、性價比是主要的競爭弱點，需要投入大量資源“重點改進”。Q4區(qū)域沒有落點表明邁銳寶XL汽車不存在資源浪費，沒有無效的競爭優(yōu)勢。第二組(圖4d～圖4f)包括帕薩特、君威、邁騰汽車，該組4個象限內(nèi)均有落點，其中Q3和Q4區(qū)域落點情況完全一致。以邁銳寶XL汽車與君威汽車為例，設(shè)計人員需要“重點改進”內(nèi)飾，“稍微改進”外觀、油耗和舒適性，提高邁銳寶XL汽車的市場競爭力。

3.2.3 汽車產(chǎn)品改進策略分析

以圖4第一組IPCA圖為例，與天籟、亞洲龍、凱美瑞3款汽車相比，邁銳寶XL汽車的“內(nèi)飾”、“油耗”、“舒適性”等特征需要采取緊急行動改進?；?.3節(jié)的方法，篩選與這些特征相關(guān)的原始負面評論。然后，進行人工標記，提取評論中的“產(chǎn)品特征、使用者、使用情景、產(chǎn)品問題”等元素并統(tǒng)計其頻數(shù)及占比，繪制用例圖。為節(jié)省空間，以“舒適性”特征為例展示分析結(jié)果，如圖5和表8所示。油耗和內(nèi)飾的分析過程與舒適性類似，此處不列舉。

表8 邁銳寶XL汽車的負面評論標記信息統(tǒng)計表

如圖5所示，在使用情景方面，用戶抱怨邁銳寶XL汽車在“過減速帶”、“過坑坎、碎石路面等較差路況”、“車速80以上等高速行駛”等情境下容易發(fā)生問題，設(shè)計人員在產(chǎn)品檢測階段，可模擬真實環(huán)境進行多情景測試，提升用戶在過減速帶、較差路況以及高速情境下的體驗。在產(chǎn)生的問題中，用戶描述最多的是邁銳寶XL汽車“底盤懸架偏硬，減震差，顛簸感明顯”、“隔音差，發(fā)動機、胎噪等噪聲大”以及“座椅偏硬”等問題。在確定邁銳寶XL汽車舒適性特征的主要問題后，基于專家的意見，提出具體的改進策略如下：

(1)提升底盤調(diào)校技術(shù)，應(yīng)用液壓緩沖系統(tǒng)，裝配較軟的輪胎，減少不同路況下對車身的沖擊，改善避震性能，減少車身多余震動。

(2)在發(fā)動機引擎蓋下增加吸聲材料，吸收發(fā)動機噪音；改善減震板和吸音墊隔音性能，降低路噪和胎噪等噪聲；加強密封阻力，使用車門密封條，減少風噪。

(3)設(shè)計座椅時，注重人體工程學(xué)設(shè)計，使用材質(zhì)較軟的材料，提升座椅柔軟度、包裹性和支撐性。

3.3 驗證實驗

本文提出的產(chǎn)品設(shè)計改進方法主要是通過建立基于在線評論的IPCA模型，將目標產(chǎn)品與多個競爭產(chǎn)品比較，進而確定產(chǎn)品改進的方向。因此，該方法的有效性主要與基于在線評論的IPCA模型的準確性有關(guān)。

為了驗證基于在線評論的IPCA模型的準確性，有必要將本文所提模型(以下記為Review-IPCA)與已有研究中基于調(diào)查問卷打分數(shù)據(jù)的IPCA模型(以下記為Rating-IPCA)進行對比，如果兩者結(jié)果一致，則證明Review-IPCA是有效的。在汽車之家口碑數(shù)據(jù)中，除了用戶評論內(nèi)容，用戶還對汽車的各個特征的滿意度(當測量滿意度時，績效值等同于滿意度)和總體滿意度進行打分，這些打分數(shù)據(jù)可以作為Rating-IPCA的數(shù)據(jù)來源。另外，采用文獻[25]的方法計算產(chǎn)品特征重要度，該方法考慮單個特征的滿意度得分Si和總體顧客滿意度評價OS兩個要素。將各特征滿意度得分Si取自然對數(shù)后，計算OS和ln(Si)之間的偏相關(guān)系數(shù)即可得到重要度得分，偏相關(guān)系數(shù)可在SPSS軟件中使用相關(guān)矩陣求逆法計算。基于滿意度打分和重要度得分數(shù)據(jù)，可構(gòu)建Rating-IPCA模型。為了節(jié)省空間，本文僅針對邁銳寶XL與天籟汽車的IPCA模型進行驗證，結(jié)果如圖6所示。通過對比發(fā)現(xiàn)，Rating-IPCA模型和本文的Review-IPCA模型的結(jié)果保持一致，進而驗證了本文方法的有效性。

4 結(jié)束語

本文提出一種基于在線評論IPCA的產(chǎn)品設(shè)計改進方法。首先，應(yīng)用LDA主題模型和情感分析方法處理在線評論文本，識別產(chǎn)品特征的績效值和重要度。其次，在此基礎(chǔ)上，構(gòu)建多個IPCA模型，將目標產(chǎn)品與多個競爭產(chǎn)品比較，識別目標產(chǎn)品的改進方向。最后，通過提取原始負面評論用例，找到產(chǎn)品問題，進而確定相應(yīng)的產(chǎn)品改進策略。實驗結(jié)果表明，本文提出的方法是有效的。但是，本文尚存在一些不足，本文使用人工標記的方法提取評論用例，當評論數(shù)量足夠大時，人工標記的工作量將會大幅提升，因此未來需要在自動識別上做進一步研究；對情感標簽的提取方法也應(yīng)進一步改進，盡量從評論文本中抽取更多的情感標簽；另外，本文主要研究如何從在線評論中提取細粒度顧客需求、發(fā)現(xiàn)產(chǎn)品問題并提出產(chǎn)品改進策略，尚未探索產(chǎn)品質(zhì)量改進后的效果，未來研究可以利用在線評論從時間維度分析產(chǎn)品改進后的效果。