移動APP 演化策略研究*

孫 悅，郭 斌，歐陽逸，於志文，王 柱

西北工業大學 計算機學院，西安710072

1 引言

2018 年1 月發布的第41 次《中國互聯網絡發展狀況統計報告》（http://www.cac.gov.cn/2018-01/31/c_1122347026.htm）顯示，截至2017 年11 月，中國市場上監測到的手機應用軟件（application，APP）在架數量為391 萬款，規模分布依次為游戲類、生活服務類、電子商務類、辦公學習類等。APP 的迅猛發展離不開用戶的參與，此外用戶對APP 的使用態度和偏好也是決定APP 能否占領市場的關鍵要素之一。實時關注用戶使用APP 的情況，從反饋系統中了解用戶體驗反饋，從而獲得更多用戶積累和支持，對APP 運營和演化起到重要作用。

傳統調查問卷的方法由于其成本高、周期長、實時性差等缺陷，已經不能滿足APP 演化的需要。而在線問卷等網絡調查手段也存在回復率低，受訪用戶缺乏代表性等問題，效果仍不理想。

2004 年以來，網絡信息的生成方式發生了重大變革，海量用戶生成上傳數據替代了傳統的網絡平臺生成數據，這些數據稱為群智數據——用戶群體通過不同參與模式貢獻的數據[1]。近年來，人們開始越來越多地使用各種各樣的在線口碑評價平臺來分享他們的消費體驗和對各種產品的偏好，同時用戶在選擇使用或者購買產品的時候也會參考其他用戶對該產品的評價[2]。用戶在應用商店評論自己的使用情況、態度偏好等，還可以對APP 進行評星和評分，這些信息由大量APP 使用者共同參與生成，是典型的群智數據中的一種，整理分析這些數據能夠幫助APP 實現智能演化。對于APP 設計者和開發商來說，用戶評價不僅會決定APP 的市場前景和流行度，甚至還會影響商業規劃和決策。

近年來，以在線評論數據為代表的群智數據的研究已經成為熱點，但目前針對移動APP 評論的研究卻方興未艾，最近的研究有2017 年Martin 等[3]強調挖掘應用商店評論信息具有巨大價值，對于軟件開發團隊在需求設計、軟件發布和測試等多方面都有直接且重要的意義。有關研究都表明APP 應用商店的文本評論能夠反映出用戶在選擇APP 使用時的需求和偏好，并且這些評論中蘊含巨大價值，對APP 開發和演化具有促進作用。

因此，本文主要基于群智數據——APP 用戶評論數據進行分析建模，結合經典評價模型，從開發者的角度對APP 提出演化策略，并給出版本預測模型，指導APP 版本更新迭代。

2 相關工作

2.1 在線評論挖掘

在線評論挖掘廣泛應用于電子商務中，綜合文本挖掘、自然語言處理、信息提取、機器學習、信息檢索、概率統計等多個知識領域的研究。對于產品的在線評論研究則主要包括：評論屬性的提取和情感識別和分類等。

在線評論中對于屬性的識別方法有很多，如基于人工定義的方法[4]、基于詞頻的方法[5-6]、基于詞語共現的方法[7]、基于模式或規則的方法[8-9]、基于本體論的方法[10-12]。傳統的屬性提取方法是基于規則的方法，根據語法規則、評論等陳述性的語句中，主語就是評論屬性[8]?；谠~頻的方法是按照產品評論的統計規律抽取評論屬性?；诠铂F模式的研究如Kobayashi 等[13]以車和游戲文本為例用半自動化的方式提取產品屬性，Hu 等[5]以電子產品為例，采用詞性標注和候選頻繁項集生成、剪枝、識別等完成屬性識別。Song 等[14]結合語料標注過程和支持向量機的分類原理實現了一個基于主動學習的屬性元素標注工具。

情感識別和分類的主要任務是判斷評論情感傾向是褒義、中性還是貶義，分類方法有基于無監督的點互信息（point-wise mutual information，PMI）的方法[15-16]、基于詞語極性推測的方法[17]、基于情感詞典的方法[18-19]。Turney[16]提出了應用無監督的分類方法識別產品語義傾向的方法，還采用互信息（PMI）和信息檢索（information retrieval，IR）結合的算法計算短語的語義傾向[20]。Hu 等[6]提出利用詞典的詞匯關系判定詞的極性，根據WordNet 詞典的特點，設計了極性詞自動分類的算法。

2.2 需求計量模型

需求計量是產品定位和營銷與發展策略的基礎。其中聯合分析[21]是一種多元的統計分析方法，一種用于市場研究，幫助人們定量研究消費者選擇偏好的方法，用于估測消費者對一些能夠詳細定義的產品屬性的相對重要性和屬性水平的效用的評價。另一種評價產品屬性對顧客滿意度的方式是KANO模型[22]。該模型最早源于日本學者Noriaki Kano 在20 世紀80 年代提出的產品開發和客戶滿意度理論，如圖1 所示。

Fig.1 Diagram of KANO model圖1 KANO 模型示意圖

該理論將用戶偏好分為五類：（1）魅力屬性。用戶意想不到的，如果不提供此需求，用戶滿意度不會降低，但當產品提供此需求，用戶滿意度會大幅提升。（2）期望屬性。當產品提供此需求，用戶滿意度會提升，當不提供此需求，用戶滿意度會降低，或稱之為一維屬性。（3）必備屬性。當產品優化必備屬性的需求，用戶滿意度不會提升，當不提供此需求，用戶滿意度會大幅降低。（4）無差異屬性。無論提供或不提供此需求，用戶滿意度都不會有改變，用戶根本不在意。（5）反向屬性。用戶根本都沒有此需求，提供后用戶滿意度反而會下降。

該模型被廣泛應用于質量管理領域、產品設計領域和各種服務行業中[23-25]。

2.3 APP 評論挖掘

APP 評論是用戶直接反饋使用情況和感受的途徑，挖掘其中的信息有助于開發商更好地完成產品升級，更深理解用戶需求和偏好，具有十分重大的研究價值。

Chandy 等[26]最早利用APP Store中爬取的用戶評論數據集設計了一個簡單模型識別評論中的垃圾評論。后來，Iacob 等[27]基于語言規則的方法構造了一個用于APP 評論分析的工具模型（mobile APP review analyzer，MARA），能夠實現自動檢索評論中所體現的APP 功能請求。Chen 等[28]創新性地提出了一個APP 評論計算框架（APP review mining，AR-Miner）識別評論中的有效信息，并對信息有效性排序。Vu等[29]提出一種基于關鍵字的半自動化評論分析框架（mining and analyzing reviews by keywords，MARK），實現了對于某一關鍵詞評論的篩選、提煉和分析，并能以時間序列檢測繪制關鍵詞屬性的變化曲線。

至于APP 評論的情感分析，Thelwall 等[30]首先提出一種基于非正式網絡信息文本的情感檢測算法，以商業目的為導向，檢測在線產品評論文本中用戶對產品的意見。對于后續APP 演化升級的研究，Fu等[31]提出一個可以從細節層級分析用戶評論和評分的系統，給出了用戶傾向的原因，為應用市場提供有價值可參考的意見，同時也能給APP 市場開發人員提供技術支持。Guzman 等[32]提出一種幫助APP 開發者自動篩選、聚合和分析評論的方法，首先使用自然語言處理識別評論中包含的應用程序的屬性，然后在所有識別的屬性評論中，給該屬性進行一個評分，最終幫助開發者系統分析APP 單一屬性的意見。后來，Guzman 等[33]又提出一個基于特征和情感為中心的檢索方法，能自動為開發人員提供不同的用戶評論，代表評論中涉及的不同意見和經驗。

3 APP 評論數據的采集和預處理

為便于用戶對比選擇，APP 市場的應用商店會給出APP 的綜合評級（或評分）和排行情況。同時，APP應用商店還會鼓勵下載用戶及時反饋問題和使用情況。APP 開發商可以通過各大應用商店獲取用戶評論，從反饋的信息中挖掘功能需求、用戶偏好和建議等，有助于實現APP 的演化，從而不斷實現功能完善、界面優化等。

國內知名移動應用商店有：安智市場、豌豆莢、騰訊應用寶、360 手機助手、百度應用商店等。除此之外，各大品牌手機都有專門的應用商店。為了保證數據可靠性，同時也能保證應用商店的評論是足量且可獲取的，從數個平臺上挑選出以下9 家平臺進行數據采集。它們分別是：360 手機助手、百度手機助手、騰訊應用寶、豌豆莢、華為應用商店、OPPO 應用商店、VIVO 應用商店、魅族應用商店和聯想開發者社區。

3.1 采集數據篩選

圖2 和圖3 展示了來自360 手機助手的一款應用——摩拜單車APP 的應用信息和應用評價。

Fig.2 Application information of Mobike APP of 360 mobile assistant圖2 360 手機助手中摩拜單車APP 的應用信息

Fig.3 Comments on Mobike APP of 360 mobile assistant圖3 360 手機助手中摩拜單車APP 的評論信息

圖2 顯示包含應用名稱、應用綜合評分、總評價數目、下載次數等在內的APP 的基本信息。綜合評分、總評價數目和下載次數較為重要，可以表明應用的受歡迎程度和熱度。

圖3 的評論信息則包含了詳細的用戶使用情況和感受評價。評價的總體態度是一個離散的情感傾向值，分別是好評、中評和差評。

本文從其他應用商店中搜集整理APP 應用的總體信息界面和詳細評論頁面總結，最終決定采集APP應用介紹、大小、分類、標簽等基本信息和更新記錄、綜合評分/評星、評論詳細文本內容、評價時間等評論信息。由于APP 評論還在不斷更新，本文采集到自2016 年8 月8 日起至2017 年10 月15 日的評論數據和版本更新數據信息，并基于此加以研究。

3.2 數據預處理

首先對于如應用介紹、大小、標簽等APP 基本信息進行表格匯總，其次，對于APP 更新記錄信息，以統計表的形式展示版本、更新日期和更新日志。最后針對詳細評論信息，本文構建一張數據表對評論數據進行結構化處理和存儲，如圖4 所示，評論數據表項為：評論日期、應用商店、評論用戶名、評星、評價詳細內容。

Fig.4 Display of database table entries圖4 數據庫表項展示

4 基于KANO 模型的用戶需求分析

本章基于采集處理的APP 評論數據對用戶需求進行分析。

如圖5 所示，針對用戶需求進行分析的基本步驟為：（1）屬性識別。構建包含APP 屬性的屬性詞典，包含無效評論的過濾。（2）情感分析。評論文本的情緒傾向識別，完成評論者對APP 屬性的具體感情傾向的識別。（3）需求權重分析。基于評論整體感情傾向和屬性情感傾向聯合分析，確定用戶需求的不同權重。

4.1 屬性識別和情感分析

4.1.1 屬性詞典的構建

本文通過分詞將評論中的屬性詞匯分割，然后根據TextRank 算法根據頻率和術語的語義關系對術語進行排序。算法1 屬性詞典的建立方式描述如下：

算法1 屬性詞典的建立

輸入：評論數據庫中的數據表。

輸出：候選屬性、相應詞頻。

步驟1 連接讀取數據庫中的數據表，讀取原始評論語句；

步驟2 使用正則匹配過濾無效字符或字符串；

步驟3 文本分詞，使用結巴分詞以默認模式分詞并劃分詞性，移除停用詞；

步驟4 詞頻統計與展示，對分詞結果統計，提取APP 相關詞頻最高的名詞，作為候選屬性詞云展示。

Fig.5 Analysis framework of user demand measurement圖5 用戶需求計量分析框架

算法1 步驟2 中提到無效字符的過濾，如標點符號等，在分詞過程中不僅是無實際意義的，反而還會造成分詞效果混亂。步驟3 中文本分詞后創建一個列表存儲分詞片段和詞性分類。這個過程需要注意移除停用詞。停用詞是指高頻無效詞和低頻錯誤詞，即在文本集合中出現次數較多但無實際意義的詞，如“的”“等”“這”等，目前中文的停用詞詞庫暫時還沒有，通過語料查詢，搜集整理了包含特殊符號在內的1 894 個中文停用詞作備用。

結果共提取了500 個術語作為候選屬性，經過咨詢、排查和篩選，過濾與APP 相關的屬性項分為15 個類別，構建了候選屬性的詞匯表。表1 給出篩選屬性和出現頻數統計情況，制作相應的詞云圖案如圖6所示。

Table 1 Frequency statistics of selected attributes表1 篩選屬性的頻數統計

4.1.2 屬性詞典的構建

情感識別是一項專門且精細的任務，需要進行細粒度的情感分析處理。由于漢語語法的原因，針對評論作觀點詞性總結。

Fig.6 Word cloud display of selected attributes圖6 候選屬性詞云展示圖

一般說來，陳述性質的用戶評論具有相似的固定的句式結構。表2 列舉了一些常見的評論觀點句式，可以發現屬性觀點的傾向主要與形容屬性的形容詞的情感傾向相關，還與一些具有否定意義的助詞“不”“否”“無”等意義聯系緊密。利用這樣的規則可以簡單有效地提取出用戶評論對于具體屬性的態度和情感傾向。

Table 2 Sentence structures of common APP reviews表2 一些常見的APP 評論句式

以算法1 屬性詞典的建立方式篩選形容詞分類，結合知網Hownet 情感詞典（http://www.keenage.com/html/c_bulletin_2007.htm）給出的中文情感分析用語詞集，構建一個情感詞典，其中包含7 425 個詞的情感詞匯，如表3 所示。

對于否定意義的助詞的判斷，本文搜集整理出一個否定意義詞詞庫，共42 個詞，如：不、不是、不可、別、沒、莫、無、勿、休等。因為在漢語文法當中雙重否定表示肯定，需統計否定詞的個數看其奇偶性來改變情感傾向狀態，所以需要統計否定意義詞匯個數對情感傾向判定，最終會得到每條評論中包含的屬性及其明確的感情傾向。算法2 整體思路如下：

Table 3 Classification of emotions and the number of their related terms表3 情感分類和相關術語數量

算法2 屬性情感傾向的判斷

輸入：原始評論、篩選屬性、肯定/否定情感傾向詞典、否定意義詞詞庫。

輸出：評論中屬性的情感傾向。

步驟1 將評論分詞，以列表的形式記錄；

步驟2 對分詞列表進行掃描，找到屬性詞，并記錄其位置，并在其所在的評論分句中查找情感詞；

夏冰扶著欄桿輕輕爬上平臺。范堅強和一杭正在對飲。范堅強抬頭看到他，大吃一驚：“你怎么在這里？”夏冰見被發現，便不再躲藏，大搖大擺走到范堅強旁邊坐下?！拔衣劦骄葡悖瓦M來了?！闭f完，抓起桌上的酒瓶，對著瓶口喝了一大口，又將一塊牛排塞在嘴里。

步驟3 查詞典得到情感詞所代表的情感傾向，并存儲其情感傾向狀態；

步驟4 在分句中查找是否包含有否定詞，如果有且是奇數個否定詞，則將情感傾向狀態改變；

步驟5 循環執行1～4 步，直至遍歷所有的評論。

令h{pos,neg}代表屬性各自的情感，使用式（1）將數據轉化為二值數據：

也就是說，當屬性j在評論i中包含肯定情感傾向時，；當屬性j在評論i中包含否定情感傾向時，；當同時為0，那么評論i不包含屬性j，即其為空值。這樣就將其結構化，評論情感分析結果如表4 所示。

Table 4 Results of attribute extraction and emotional analysis of every comment表4 每條評論中屬性提取和情感分析的結果

于是可以得到數據集D1={x}，其中x是一個顧客對不同屬性的情緒傾向的30 維的行向量。

應用商店對于評論文本整體而言，文本所體現的情感與用戶真實體驗更為一致。因為用戶在填寫評論時候，會相對仔細回憶使用體驗，并寫下印象最為深刻的相關部分。因此，應用自然語言處理技術來推斷文本的情緒，使用Snow NLP 工具包（https://pypi.org/project/snownlp/0.11.1/）可以方便地處理中文文本的情感值，工具對每條評論的情感值進行評估預測，設其預測值為ye，其取值范圍為[0,1]。設置一個離散集合{-1，0，1}分別表示否定情緒、中性和肯定情緒：

這樣可以得到一個新的數據集D2={y}，表示評論文本整體的情感傾向。

4.2 KANO 模型分析用戶需求權重

本節主要使用聯合分析的方法來衡量產品屬性對用戶的影響[34]。上一節中，使用情感識別將評論轉換為包含某些屬性情感傾向的二值化數據。每個屬性都有三個離散情感值：肯定傾向、否定傾向和缺失值。KANO 模型揭示了用戶滿意度不會隨著屬性水平而改變，因此在快速迭代變化的APP 中，確定理想的模式和狀態是不可能的，從而本文將每一項評論作為用戶需求情感值的刺激，將文本包含的情感傾向作為用戶體驗。

其中，y是用戶體驗；同式（1）；是對肯定情緒的偏好值，是對否定情緒的偏好值，如果情緒為缺失值，那么默認的權值為0。由式（3）可以估計參數值。對于每個屬性，有3 個觀測值：。通過這3 個觀測點并結合圖1，可以根據KANO 模型將屬性映射到不同類別上。下面給出映射規則，在此之前，首先需要建立兩個基本變量：

在此基礎上可以給出每個屬性的權重為：

Fig.7 Mapping rules for results of KANO model圖7 KANO 模型的映射規則

4.3 實驗結果分析

4.3.1 模型的結果

根據屬性詞典和情感識別結果，使用線性回歸方法，估計出各個屬性在兩種情感傾向下的權重，再將其利用圖7 的映射規則對屬性進行歸類，得到對應KANO 模型的分類結果。在參數估計中選用12 719條有效評論，得到估計參數的結果如表5 所示。

4.3.2 演化策略及其有效性分析

將估計參數代入式（4）和式（5）中，映射得到KANO 模型的屬性分類，如表6 所示。

大多數屬性被標識為必備屬性，包括：網絡、服務器、后臺、紅包、客服、地圖、計費、掃碼、二維碼、版本、界面和驗證碼。缺少這些屬性，會引起用戶極大的不滿，因此要在APP 升級演化過程中發現用戶的需要，如：快速穩定的網絡連接；流暢的后臺和服務器的工作；真實的紅包優惠；及時的客服處理；精準的地圖服務；便利的掃碼過程和清晰明顯的二維碼；合理即關即停的計費模塊；性能穩定的版本更新；快捷的驗證碼發送。如果能對這些必備屬性先改進優化，必能大大減少負面評論的數量，有助于APP 良性發展。

Table 5 Estimated parameters of conjoint analysis表5 聯合分析估計參數

Table 6 Category of each attribute表6 每個屬性的類別

體驗和定位是期望屬性，它們的變化與滿意度呈現正線性關系。有關這些屬性的評論，用戶表現出多是反饋和建議，希望開發者對其進一步改進優化。這一類屬性的負面評價略微多于正面評價，情感相比必備屬性的評論情感緩和許多。如果能在其原有基礎上適當改進，會提升APP 的用戶粘度，幫助APP 平穩迭代。

魅力屬性包括賬號。這些屬性可以極大地提高滿足度，但是在不滿足的時候，也不會造成嚴重的滿意度下降。評論中大量用戶提到一個賬戶可以支持多開幾輛自行車，因此運營商應該逐步考慮實現該需求。

從總體來看，開發者應該首先滿足必備屬性和期望屬性的需求。摩拜單車APP 于2017 年12 月15日發布6.5.0 版本的更新日志顯示：“摩拜單車APP 終于等到一個很大很棒的更新啦！設計師們這一次投入了很多精力哦～更快：掃碼開鎖速度、地圖加載更快；更輕：簡單易懂的操作界面；更美：設計大改版，優化調整40 余處細節，去下載騎車體驗一個?！笨梢园l現模型分詞所給出的策略與后續官方更新日志基本吻合，可以認定本文所給出的演化策略是合理或有效的。

將收集到的所有評論，按照日期取情感預測值的評論值和整體的平均值，結合APP 版本升級日期的標簽，如圖8 所示。

Fig.8 Average emotional value curve of comments on Mobike APP from Aug 8,2016 to Oct 15,2017圖8 自2016 年8 月8 日至2017 年10 月15 日摩拜單車評論的平均情感值變化曲線

該圖展示出自2016 年8 月以來，該款APP 持續穩定更新，先前平均情感值穩定在0.55 附近，隨著APP 不斷的版本更新升級，平均情感值大大提升，整體平均情感值為0.659，并且情感值曲線在0.65 附近波動?？梢姡珹PP 版本更新使得用戶評論的平均情感值提升，用戶體驗有所改善。

4.3.3 模型的魯棒性分析

為了測試模型魯棒性，將樣本隨機分成5 種樣本，并將其逐一加入到訓練集中，計算屬性的范圍和權重，并比較屬性排名。

由表7 可以發現隨機輸入模型的樣本數量達到全部（5/5）時，屬性的權重排序和模型原輸入樣本得到的結果稍有差別，原因是由于在進行參數估計的時候使用了scikit-learn 庫中的Cross-validation 模型。該模型對輸入的有限數據集進行打亂，分為訓練集和測試集，本文的實驗設置測試集的比率是20%，由于算法自身隨機抽取測試集的特點，每次選取的測試數據不同，導致最終結果稍有差異。如表7所示，起初屬性的排名波動差異較大，然而隨著樣本的不斷添加，模型性能逐漸保持一致，屬性的級別排名逐漸穩定，模型魯棒性得以檢驗。

Table 7 Attribute weight ranking changes with the addition of training sample size表7 屬性隨加入訓練樣本量變化的權重排名

4.4 模型推廣

本文將此模型應用到高德地圖APP 的評論數據之上，得到導航類APP 的演化改進策略。

首先選取評論與該類APP 演化相關的屬性，經過咨詢、篩查，最終確定10 個屬性為定位、路線、信號、版本、語音、離線、路況、界面、權限和體驗。按照4.2 節的實驗方法，對這些屬性進行權重的參數估計，然后將其映射到KANO模型上，得到結果如表8所示。

Table 8 Results of mapping attributes of navigation class APPs'comments to KANO model表8 將導航類應用評論屬性映射到KANO 模型的結果

對于如高德等導航類APP 而言，魅力屬性是語音，APP 開發者應該考慮頗具特色的明星代言語音播報會十分吸引用戶下載使用。

劃分為期望屬性的是體驗、界面、路況、離線和定位。這幾個屬性的完善情況和用戶的滿意度是呈線性關系的，APP 開發者應該考慮對其功能更新完善。

信號和路線被歸類為必備屬性，可見相對于上述屬性，用戶在使用過程中對GPS 信號和路線推薦十分不滿意。對于開發者而言，應該重視這類問題，盡早優化推薦路線的算法和GPS 信號弱的缺陷問題。

在所有的屬性中出現了兩個反向屬性，分別是權限和版本。用戶評論普遍表現出的是拒絕該導航類APP 獲取不必要的手機高級權限和對APP 頻繁更新版本的行為極其反感。APP 開發者應該適當減少版本更新頻率，實現穩步迭代，此外應注意保護用戶隱私，在獲取手機高級權限前需滿足隱私協議并詢問征求用戶意見。

總體來看，對于如高德地圖等導航類APP，應首要處理用戶權限的訪問問題，并降低APP 版本更新頻率，其次應優化路線推薦算法和增強接收信號的強度。在此基礎上，不斷對界面、離線地圖、路況和定位進行完善，并保持明星語音播報素材包的更新熱度。高德導航APP 于2017 年9 月22 日發布8.1.8.2132 版本的更新日志顯示：“【亮點】1、明星語音新選擇，地圖搜“高曉松語音”可下載使用；2、騎行規劃支持多種方案，總有一種適合您?！緝灮?、異地熱門城市使用搜索首頁，即獲精彩推薦；2、任意地標酒店輕松搜索，為您推薦專屬房型?！逼渲兴w現的新明星語音、路線多方案規劃、界面優化等與本文提出的更新策略相吻合，因此可以認為模型是有效且合理的。

5 結束語

本文主要基于群智數據——APP 用戶評論數據進行分析，使用聯合分析方法，引入KANO 模型評估不同屬性的重要程度，從開發者的角度對APP 提出演化策略，并證明了模型的魯棒性和策略的合理性。

不足之處是：研究過程是建立在評論者偏好一致的假設上進行總體的分析，并且模型在一定程度上受到各應用商店的評論源數據的限制。因此如果能在情感估計前使用主題聚類的方法或結合其他數據源進行多源分析，可能會提高模型的效果。