基于LDA模型的快遞服務(wù)質(zhì)量評價指標(biāo)研究

祝洪達(dá)

摘 要：本文旨在建立適用于快遞服務(wù)的評價指標(biāo)，因為傳統(tǒng)的SERVQUAL和SERVPERF量表存在依賴調(diào)查問卷以及行業(yè)通用性差等局限性，所以選擇利用網(wǎng)絡(luò)爬蟲從互聯(lián)網(wǎng)爬取用戶對于快遞服務(wù)的在線評論作為語料，對語料進(jìn)行分句、判斷文本有效性之后，利用LDA模型挖掘出用戶對于快遞服務(wù)的關(guān)注點(diǎn)，并將其作為評價快遞服務(wù)的指標(biāo)。

引言

近年來，依托淘寶、京東、蘇寧易購等電子商務(wù)平臺的興起與繁榮，快遞市場獲得了極大的發(fā)展。根據(jù)國家郵政局公布的2017年郵政行業(yè)運(yùn)行情況顯示，業(yè)務(wù)總量累計完成9763.7億元，同比增長32%[1]。目前在快遞市場正處于各大快遞公司快速擴(kuò)張、競爭空前激烈的環(huán)境下，快遞服務(wù)質(zhì)量低下的問題逐漸暴露出來，丟件、損毀、延誤、工作人員服務(wù)態(tài)度差以及投訴反饋效果不佳等問題層出不窮。在當(dāng)前以消費(fèi)者為主導(dǎo)的市場環(huán)境下，快遞企業(yè)服務(wù)質(zhì)量的高低會直接影響企業(yè)的形象。低端的服務(wù)質(zhì)量會導(dǎo)致顧客源的流失，進(jìn)而損害企業(yè)的經(jīng)濟(jì)效益。因此，提升服務(wù)質(zhì)量，塑造良好的企業(yè)形象是快遞企業(yè)競爭過程中不可或缺的一環(huán)。

1.相關(guān)理論

1.1傳統(tǒng)的服務(wù)質(zhì)量評價模型

傳統(tǒng)的服務(wù)質(zhì)量評價模型有SERVQUAL（Service Quality）模型和SERVPERF（Service Performance）模型。

SERVQUAL模型將服務(wù)質(zhì)量評價指標(biāo)分為可靠性、響應(yīng)性、有形性、保證性以及移情性五個維度，五個維度下又分為22個具體因素。通過用戶填寫調(diào)查問卷的方式，對每個問題的實際感受值和期望值進(jìn)行評分，由此來確立影響服務(wù)質(zhì)量的具體因素，其核心是“服務(wù)質(zhì)量差距模型”，即服務(wù)質(zhì)量水平的高低取決于用戶所感受的服務(wù)水平和用戶期望的用戶實際感受的服務(wù)水平之間的差值，即

2.準(zhǔn)備工作

本文旨在建立一套合理的用于評價快遞服務(wù)質(zhì)量的指標(biāo)體系，通過對互聯(lián)網(wǎng)中的對于快遞服務(wù)的評價進(jìn)行文本挖掘，利用LDA主題模型發(fā)現(xiàn)用戶對快遞服務(wù)的關(guān)注點(diǎn)，并將這些關(guān)注點(diǎn)作為評價快遞服務(wù)好壞的指標(biāo)。

2.1快遞服務(wù)評論文本的獲取

本文利用Python3.6編寫網(wǎng)絡(luò)爬蟲從互聯(lián)網(wǎng)獲取用戶對于快遞服務(wù)的評論，并經(jīng)過數(shù)據(jù)去重等預(yù)處理后保存入本地硬盤，以備后續(xù)處理。本次實驗共抓取3433條快遞評論。

2.2文本預(yù)處理

文本預(yù)處理主要包括以下評論分句、人工標(biāo)注有效性、分詞和特征項選擇、建立空間向量模型等。

（1）分句

對評論進(jìn)行分句的原因在于，一條評論中并不是所有的信息都是有效的。本文將直接提及或從中能推斷出評價的是快遞服務(wù)某一方面的評論視為有效評論。以“雖然順豐派送有時候會不及時，但是我對客服和跟蹤的服務(wù)是非常滿意的，每個人的需求不同，服務(wù)行業(yè)態(tài)度很重要！”該評論為例，該評論中包含了快遞服務(wù)的派送、客服、信息追蹤、服務(wù)態(tài)度等多方面的信息，但“每個人的需求不同”并不是對于快遞服務(wù)的評價，屬于無效數(shù)據(jù)，需要從文檔集中去除。所以本文按照“，”、“。”、“？”等標(biāo)點(diǎn)符號對評論進(jìn)行分句處理，便于從中剔除無效的數(shù)據(jù)。

（2）人工標(biāo)注其有效性

對評論分句處理后產(chǎn)生的新評論人工判斷其有效性并進(jìn)行標(biāo)注，將有效的分句標(biāo)記為1，無用的分句標(biāo)記為0，目的是通過對評論進(jìn)行少量的人工標(biāo)注，利用有監(jiān)督的機(jī)器學(xué)習(xí)算法訓(xùn)練判斷文本有效性的模型。本實驗標(biāo)注了9000條數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集。

（3）分詞和特征選擇

采用ICTCLAS漢語分詞系統(tǒng)的Python API對評論逐條進(jìn)行分詞，并進(jìn)行詞性標(biāo)注。因為我們的關(guān)注的是關(guān)于快遞服務(wù)方面的描述，所以需要將標(biāo)點(diǎn)符號和方位詞、時間詞等詞性的詞語刪除。

（4）建立空間向量模型（VSM）

經(jīng)過分詞之后，將每個單詞表示為（T_i-W_i ）的形式，其中T_i表示語料庫中的第i個單詞，W_i表示第i個單詞的權(quán)重。權(quán)重通過TF-IDF算法來計算，如（7）。所示。其中〖tf〗_i表示單詞t_i在文檔d_i中出現(xiàn)的頻率，M表示語料庫中的總文檔數(shù)，m_i表示訓(xùn)練文檔中出現(xiàn)單詞t_i的文檔數(shù)， 表示單詞t_i的逆文檔頻率[6]。

2.3文本有效性判別

文本有效性判別，本質(zhì)是一個二分類問題，常用的分類模型有Logistic回歸模型、決策樹模型（Decision Tree）和支持向量機(jī)模型（SVM）等。本文對各個分類模型的準(zhǔn)確率（precision）、召回率（recall）以及F度量值（F-measure）等性能進(jìn)行比較，結(jié)果見（表1）。從表1可以看出，支持向量機(jī)模型的分類性能要優(yōu)于其他的模型，這主要是因為支持向量機(jī)模型僅與支持向量有關(guān)，所以相對于其他的分類模型而言，需要的數(shù)據(jù)樣本量要少，同時利用高斯核函數(shù)的支持向量機(jī)模型能將矩陣映射為高維空間中的一個點(diǎn)，從而提高文本有效性判別的準(zhǔn)確率，所以本文利用采用高斯核函數(shù)的SVM模型來判斷文本的有效性。

2.4在線評論主題發(fā)現(xiàn)

對在線評論進(jìn)行主題挖掘之前，需要先將評論進(jìn)行分句處理，利用訓(xùn)練好的SVM模型判斷該評論每一個分句的有效性，舍棄無效的分句，將有效的數(shù)據(jù)再合并為一條數(shù)據(jù)，經(jīng)過處理之后，每條評論包含的詞語個數(shù)一般不會超過25個。然后利用LDA模型對全部評論進(jìn)行主題發(fā)現(xiàn)。中國快遞協(xié)會體驗調(diào)查報告將快遞服務(wù)質(zhì)量評價體系分為發(fā)件攬收環(huán)節(jié)、收件環(huán)節(jié)、派件網(wǎng)點(diǎn)以及投訴受理情況4個維度共17個具體指標(biāo)[7]；王洪偉等利用詞頻統(tǒng)計的方法，從企業(yè)整體、價格、時效性、快遞員、信息化、安全性以及客戶服務(wù)7個維度18個具體指標(biāo)來評價快遞服務(wù)質(zhì)量的高低[8]，所以本次實驗設(shè)置主題個數(shù)為25，迭代次數(shù)設(shè)置為50，得到的部分結(jié)果見（表 2）。

3.結(jié)論可行性分析

根據(jù)LDA模型的主題發(fā)現(xiàn)結(jié)果，可以將快遞服務(wù)的在線評論分為配送環(huán)節(jié)、快遞員、投訴環(huán)節(jié)等8個維度23個評價指標(biāo)，詳情見（表3）。經(jīng)過與中國快遞協(xié)會調(diào)查報告以及利用詞頻統(tǒng)計建立的快遞質(zhì)量評價指標(biāo)對比發(fā)現(xiàn)，三者的具體指標(biāo)大致相同，說明利用LDA模型建立快遞服務(wù)質(zhì)量評價指標(biāo)具有一定的可行性。

結(jié)語

本文利用LDA主題模型對快遞服務(wù)的在線評論建模，挖掘在線評論的主題，得到用戶對于快遞服務(wù)的關(guān)注點(diǎn)，并將其作為評價快遞服務(wù)質(zhì)量的指標(biāo)。從用戶對快遞服務(wù)的關(guān)注點(diǎn)可以看出，快遞服務(wù)不僅要優(yōu)化業(yè)務(wù)流程，提高作業(yè)的效率，還要注意提升企業(yè)形象，特別是快遞員以及客服等工作人員的專業(yè)素質(zhì)以及工作態(tài)度，建立價格規(guī)范，并注意物流狀態(tài)的實時更新。

參考文獻(xiàn)：

[1]國家郵政局公布2018年4月郵政行業(yè)運(yùn)行情況[EB/OL]. http：//www.spb.gov.cn/xw/dtxx_15079/201805/t20180512_1563793.html，2018-05-12/2018-05-20.

[2]黃敏.基于SERVQUAL模型的商業(yè)銀行服務(wù)質(zhì)量評價研究[D].重慶理工大學(xué)，2015.

[3]唐曉波，向坤.基于LDA模型和微博熱度的熱點(diǎn)挖掘[J].圖書情報工作，2014，58（5）：58-63..

[4]劉兵.情感分析：挖掘觀點(diǎn)?情感和情緒[M].機(jī)械工業(yè)出版社，2017.

[5]涂銘，劉祥，劉樹春. Python自然語言處理實戰(zhàn)核心技術(shù)與算法[M].機(jī)械工業(yè)出版社，2018.

[6]馬剛.基于語義的Web數(shù)據(jù)挖掘[M].東北財經(jīng)大學(xué)出版社，2014.

[7]快遞服務(wù)體驗式調(diào)查報告[EB/OL]. http：//www.cea.org.cn/content/details_21_13959.html，2017-10-09.

[8]王洪偉，宋媛，杜戰(zhàn)其，等.基于在線評論情感分析的快遞服務(wù)質(zhì)量評價[J].北京工業(yè)大學(xué)學(xué)報，2017，43（3）：402-412.