文/王扶東 劉曦冉 孫增耀(東華大學旭日工商管理學院)
隨著經濟的飛速發(fā)展和人們生活水平的不斷提高,用戶不再只是單純的重視基于功能特征的理性需求,而是逐漸更加在意基于使用體驗的感性需求。因此對于企業(yè)而言,充分考慮用戶對產品的情感訴求,深入挖掘用戶的感性需求就變得至關重要。感性體現在當消費者面對產品時,會被產品的造型、顏色、觸感等打動,引起心理和生理上的反應,在這個背景下,感性工學概念應運而生[1]。利用感性工學,可將人們這些模糊不明的感性需求及意象轉化為產品的設計要素,在產品設計等領域得到廣泛應用。
目前,挖掘用戶感性需求的方法,主要有傳統(tǒng)感性工學和結合在線評論的感性工學。在傳統(tǒng)感性工學中,不少學者進行了將隱性的用戶情感外化于顯性的產品特征的研究。林晨曄利用語義差異法定量地研究了用戶關于辦公文具的色彩偏好[2]。王雪潔和肖旺群利用問卷調查法收集感性意向詞匯和用戶對不同工業(yè)機器人外形組合的評價[3]。田正清等將Kano模型與感性工學相結合,通過主成分分析結合多重線性回歸探究了用戶的感性需求與產品造型設計之間的關系[4]。王年文等人利用主成分分析等方法,對用戶的感性需求偏好進行挖掘,并研究了用戶感性情感與產品設計要素的映射關系[5,6]。這類研究積累了一批質量較優(yōu)且高度領域化的感性情感詞。然而,用戶感性需求是多樣且動態(tài)變化的,如果簡單依據現有研究積累的領域詞匯,結果可能會產生偏差。因此,部分學者考慮采用結合在線評論的感性工學方法,即以在線評論為數據源,進行用戶感性需求的挖掘。Hsiao等利用詞性標注和N元統(tǒng)計語言模型抽取感性情感詞和產品特征詞,分析兩者關系,以協助跨境物流服務的改進[7]。賈丹萍等以產品評論為語料,利用深度學習的方法擴充生成領域用戶感性情感詞典和產品特征詞表,并進行用戶情感分析上的細化和量化[8]。Wang等利用WordNet詞表生成了通用感性情感詞典,并將之用于挖掘玩具產品評論中的用戶需求[1]。劉征宏等通過構建RKE模型獲得感性詞匯,并結合用戶需求感性值等匹配用戶需求和設計方案[9]。李少波等以產品評論數據和產品參數數據作為語料,抽取用戶感性詞,同時,利用詞聚類方法計算感性評價值并構建了映射模型[10]。
從以上的相關研究成果可以看出,目前相關學者已經在結合在線評論的感性工學研究中取得了一定的成果,但是在感性情感種子詞的選取中,大多學者運用通用詞典或者依賴于以往文獻,較少學者考慮了從在線評論中挖掘感性情感種子詞。
本文的研究內容是借助感性工學的思想,通過在線評論挖掘產品標準的感性需求挖掘。利用LDA主題模型挖掘在線評論,確定基本產品特征詞詞典,利用依存句法分析提取在線評論中的關鍵意見,通過計算語義相似度將關鍵意見中的名詞映射擴充,得到完備的產品特征詞詞典。采用TextRank方法提取每個產品特征的關鍵感性情感即感性情感種子詞。最后為了更方便地描述感性需求,將產品特征與感性情感種子詞結合得到標準感性需求描述。研究框架如圖1所示。
圖1 論文研究框架
產品特征是用戶感性情感的客體,本文采用LDA主題模型對評論文本進行主題挖掘,得到用戶評論中所提及的主要產品特征。固有的屬性體系可能會遺漏掉決策者需要的事物特征,LDA可以搜索出隱含的主題分布信息,適用于挖掘大量在線評論文本。本文通過LDA模型進行主題提取,確定文本與主題的分布以及文本與詞語的分布,得到主題和詞語分布,找出每個主題下概率較高的詞語,通過計算一致性確定最優(yōu)主題數量,將得到的每個主題定義為產品特征,每個主題下的概率較高的詞語作為產品特征對應的產品特征詞,構造基礎的產品特征詞詞典。
然而,LDA提取的基礎產品特征詞詞典并不能覆蓋評論中所有的產品特征詞,需要根據在線評論搜集未被基礎產品特征詞詞典覆蓋的產品特征詞。感性情感詞的表達總是針對某一產品特征的,因此在線評論一般是由產品特征和產品特征的感性情感詞構成,并且在句法上存在特定的語法搭配關系,比如對某款手機評價 “這部手機外觀好看”中“外觀好看”構成主謂關系。因此本文利用依存句法分析每條在線評論中并輸出詞語的詞性和語法關系,最后根據提取規(guī)則獲得在線評論的關鍵意見,得到所有潛在的產品特征詞及其對應的感性情感詞。其次,利用word2vec算法計算所有關鍵意見中的潛在產品特征詞分別,與每個基礎產品特征詞之間的余弦相似度,并根據語義閾值將語義相近的潛在特征詞映射到對應的基本產品特征詞詞典中,擴充得到完備的產品特征詞詞典。
用戶關于某一產品的感性需求一般指用戶對于產品特征的觀點,會通過一系列感性情感詞表達出來。感性情感詞是用戶感性需求的一部分,然而感性情感詞的描述具有口語化、多樣化、相似性強等特點,并且用戶對于一個產品特征可能會產生多種類型的感性情感,因此本文對每個產品特征的關鍵評價意見進行關鍵感性情感詞提取,能夠快速提取在線評論種產品特征對應的關鍵感性情感,并得到感性情感詞的標準化描述,為后續(xù)準確描述用戶感性需求奠定基礎。
在本研究中,在線評論量相對較大、領域較為集中,因此本研究采用無監(jiān)督關鍵詞提取算法進行感性種子詞的提取。由于本研究涉及的在線評論普遍偏短、文檔信息復雜,因此本文研究采用基于圖的TextRank算法提取關鍵感性情感詞[11],并通過人工篩選得出每個產品特征的感性情感種子詞。TextRank算法公式為:
獲取并篩選得到每個產品特征的感性情感種子詞之后,將產品特征與其對應的感性情感種子詞結合,得到最終的標準感性需求描述。
京東是中國最著名的電子商務平臺之一,其數碼產品門類豐富,因此本文選取京東電子商務平臺中手機評論為研究對象,通過網絡爬蟲,獲得38000余條用戶在線評論,并對文本進行預處理,刪除無效評論、字符小于10的評論等,最終得到34000余條在線評論。
采用LDA主題模型進行訓練,計算各個主題數下的一致性,得到效果最佳的主題數為7,人為歸納出手機的產品特征,然后通過依存句法分析對在線評論進行提取,得到每條在線評論中的關鍵意見,即名詞形容詞對。其中名詞為潛在的產品特征詞,對關鍵意見中的名詞進行相似度計算,并設定語義閾值p=0.6,擴充得到產品特征詞詞典,如表1所示。
表1 產品特征詞詞典示例
提取同一產品特征的關鍵意見,然后通過TextRank算法對每個產品特征的在線評論關鍵意見分析篩選得到感性情感種子詞,將產品特征與其對應的感性情感種子詞結合得到最終的標準感性需求描述,即:價格-便宜、電池-耐用、內存-流暢、功能-清晰、售后-快速、售后-耐心、外觀-漂亮、外觀-輕薄、網絡-順暢。
本文在感性工學的視角下提出一種挖掘用戶感性需求的方法。該方法利用LDA主題模型獲取基礎產品特征詞詞典,并與word2vec算法相結合,擴充得到產品特征詞詞典,利用TextRank算法獲取每個產品特征的感性情感種子詞,以實現用戶感性需求的標準化描述。最后本文通過實例分析驗證了模型的可行性。從理論上看,本文提出了一種獲取標準感性需求的方法,這能夠幫助產品設計者更有針對性地進行產品優(yōu)化,并輔助企業(yè)制定更為合理的營銷策略,真正實現以用戶為中心的產品設計與服務。
然而,本文也存在一定局限。本文側重于前期評論者意見的表達,可以進一步考慮引入kano模型識別感性需求的類型,因為每個需求的類型不同,他們的重要度也各不相同,需求類型決定他們的改進迫切程度,以此形成更為全面準確的用戶感性需求方案。