基于在線評論和集成獨立子空間的移動應用采用預測研究

沈旺 時倩如 李賀 孫曉琦

摘 要： ［目的／ 意義］ 對現有移動應用用戶采用預測方法進行優化， 為移動應用開發商和發行商提供決策依據。［方法／ 過程］ 從應用商店采集在線評論， 抽取移動應用產品信息特征， 利用獨立子空間方法進行特征采樣和特征重要性評估， 然后結合ＭＬＲ、ＣＡＲＴ、ＡＮＮ 和ＳＶＲ 算法對移動應用的用戶采用趨勢進行預測。［結果／結論］ 本文提出的基于獨立子空間的集成方法在評估輸入特征的重要性上表現更佳， 且能夠準確地預測移動應用用戶采用趨勢。研究結論能夠為移動應用開發商、發行商和應用商店運營人員提供決策依據。

關鍵詞： 移動應用； 預測； 在線評論； 獨立子空間

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２３．０８．０１０

〔中圖分類號〕Ｇ２５４ ９ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２３） ０８－０１０２－１２

移動互聯網時代， 移動應用程序（Ｍｏｂｉｌｅ Ａｐ?ｐｌｉｃａｔｉｏｎ， 簡稱ＡＰＰ）成為用戶獲取互聯網服務的重要載體， 滲透到人們生活的方方面面。根據中國互聯網絡信息中心發布的第４９ 次《中國互聯網絡發展狀況統計報告》， 截至２０２１ 年１２ 月， 我國手機網民規模達１０ ２９ 億， 網民使用手機上網的比例為９９ ７％， 國內市場上監測到的ＡＰＰ 數量為２５２萬款［１］ 。

應用寶、華為應用商店和小米應用商店等應用商店是移動應用的主要分發渠道。隨著競爭加劇，市場的飽和程度不斷提高， 人口紅利消耗殆盡， 移動應用用戶增長速度已經放緩。如何在激烈的競爭中挖掘和獲取用戶， 提高自身的競爭力， 并為用戶提供最契合其需求的服務， 成為開發者和應用商店共同面臨的迫在眉睫的問題。預測用戶的采用趨勢能夠幫助開發商改進產品、掌握其產品生命周期演化過程以及做出運營決策。同時， 還有助于應用商店優化產品推薦、產品管理和挖掘潛在商機。

現有的針對應用程序的研究主要包括發展現狀分析［２］ 、創新挖掘［３］ 和用戶使用意愿分析［４］ 等， 對應用程序用戶采用趨勢的分析與預測較少。軟件產品屬于體驗型商品， 消費者很難事先獲知其真實質量。應用商店可以讓用戶搜索、購買和安裝移動應用， 并且以評論和評分的形式提供反饋。在線評論在解決消費者決策過程中的信息不對稱問題上發揮了重要的作用［５］ ， 對于用戶、開發商和應用商店運營人員都具有重要的意義。因此， 本文以移動應用用戶采用趨勢為研究對象， 挖掘用戶在線評論觀點， 引入獨立子空間特征評價算法， 優化現有的移動應用用戶采用預測方法， 為服務提供商提供決策依據。

１ 文獻綜述

１ １ 在線評論對用戶決策的影響相關研究

在線評論是消費者獲取產品信息和輔助購買、采納等決策的重要信息來源。國內外研究者集中探討了評論數量和效價對用戶決策的影響。首先， 評論數量顯示了產品受歡迎的程度， 對產品銷售有顯著影響［６］ 。Ｃｕｉ Ｇ 等［７］ 考察了在線評論對電子產品和視頻游戲銷售的影響， 發現評論數量對新產品的早期銷售影響較大； 其次， 在線評論效價反映用戶對產品的態度傾向［８］ ， 通常以用戶評分的平均值形式來表現， 可以分為積極、消極和中立３ 種類型［８］ 。關于在線評論效價與用戶采納之間的關系， 現有的研究存在不一致的結論。部分學者認為在線評論用戶評分正面影響用戶采納［９］ ， 也有學者認為兩者沒有顯著關系， 因為用戶評分不能完全代表用戶的情感［１０］。

除了對在線評論數量和效價等基本特征的研究外， 還有學者聚焦在線評論中具體的產品屬性。如，手機的屬性有屏幕分辨率、存儲和電池等。Ｋａｎｇ Ｙ等［１１］ 提出了一種基于規則的方法， 從消費者在線評論中識別不同類型的特征， 以幫助優化產品的個性化推薦和營銷。Ｍｉｒｔａｌａｉｅ Ｍ Ａ 等［１２］ 提出針對目標特征的情感聚合框架ＳＡ－ＴＦ， 使用在線數據評估客戶對產品的接受程度。沈超等［１３］ 利用時間序列分析模型預測了客戶對１３ 個汽車產品屬性的關注度和情感傾向的趨勢變化。

應用商店在線評論中包含了用戶對移動應用的功能、玩法、交互等屬性的評價和期許， 為軟件開發者和應用商店提供了真實、優質的反饋信息。因此， 本文嘗試通過應用商店在線評論來預測移動應用用戶的未來采用趨勢。

１ ２ 移動應用用戶采用預測相關研究

由于ＡＰＰ 的使用人數并非公開數據， 難以獲取， 移動應用用戶采用趨勢預測的研究一般使用下載量、排名等具體的指標作為采用人數的替代指標。Ｐａｇａｎｏ Ｄ 等［１４］ 發現， 應用商店中的評論對移動應用下載量有顯著影響。Ｗａｎｇ Ｙ 等［１５］ 考慮隨著時間演變的產品之間的多層次競爭關系， 提出了進化層次競爭模型ＥＨＣＭ， 來預測應用下載數據。Ｚｈｕ ＨＳ 等［１６］ 利用應用商店中移動應用排行榜、用戶評分和評論數據， 提出了一種基于流行度的隱馬爾可夫模型（ＰＨＭＭ）， 對移動應用的流行度信息進行建模。通過統計分析Ｂｌａｃｋｂｅｒｒｙ 應用商店的數據，Ｆｉｎｋｅｌｓｔｅｉｎ Ａ 等［１７］ 發現， 應用商店評分和應用的下載排名之間存在很強的相關性， 并且應用價格和評分存在相關性。黃競瑤［１８］ 使用應用商城的每日下載量， 建立了ＡＲＩＭＡ 模型， 預測移動應用的未來下載趨勢。張藝璇等［１９］ 引入注意力機制， 解釋時間層級、局部特征和全局特征層級的特征相關性，提出深度神經網絡模型ＤｅｅＰＯＰ， 預測移動應用的動態流行度。

現有針對應用采用趨勢的研究未能充分利用在線評論中用戶對產品不同屬性的態度等有用信息。此外， 常用的預測方法分為基于統計學習的方法和基于機器學習的方法。總的來說， 基于機器學習的預測方法預測性能更好， 但其“黑箱” 的性質使其無法評估輸入特征的重要性。如何在保證預測性能的前提下， 對輸入特征進行評價， 仍然需要進一步的研究。為解決上述問題， 本研究嘗試提出一種基于在線評論和集成獨立子空間的移動應用采用預測方法。

２ 基于在線評論和集成獨立子空間的移動應用采用預測方法

本研究提出的預測方法總體流程如圖１ 所示。首先從應用商店采集移動應用在線評論和產品信息，從產品聯運方獲取產品評級信息。在數據預處理后，抽取在線評論基本特征、產品屬性特征和產品特征，然后使用獨立子空間方法和隨機子空間方法進行特征重要性評價。最后結合ＭＬＲ、ＣＡＲＴ、ＡＮＮ 和ＳＶＲ算法進行移動應用采用趨勢預測。根據報告［１］ ， 游戲類ＡＰＰ 占我國全部ＡＰＰ 比重的２８ ２％， 位列第因此， 在本文選用游戲類ＡＰＰ 作為分析對象。

２ １ 移動應用采用預測特征指標抽取

２ １ １ 在線評論基本特征

１） 基本特征指標。用戶在線評論通常包括評分和評論內容。評分反映了用戶對產品的整體滿意程度， 評論內容則更為完整地表達用戶對產品的情感、態度和感受。本文將應用商店中用戶評分和評論內容的情感作為在線評論基本特征， 其中評論情感使用積極、中立和消極的評論數量和評論率來衡量， 如表１ 所示（ｐ＝０，１，２，３）。

２） 基本特征抽取。文本情感識別方法主要有基于詞典的方法、基于機器學習的方法和混合方法。長短期記憶神經網絡（ＬＳＴＭ）模型［２０］ 是循環神經網絡ＲＮＮ 的變體， 能更好地解決梯度消失問題，在文本情感分析領域得到了廣泛的應用［２１－２２］ 。本文使用基于ＬＳＴＭ 的情感分類模型， 將在線評論分為積極、中立和消極３ 類。過程如下：

①預處理： 對采集到的在線評論進行分句， 然后進行去重、刪除不完整數據、去除無意義的符號與表情、去停用詞等數據清洗工作。

②分詞： 使用結巴分詞來對文本進行分詞處理。

③詞向量訓練： 本文選取了維基百科中文語料庫來進行詞向量的訓練， 將語料庫進行化繁為簡和分詞等處理后， 利用Ｗｏｒｄ２ｖｅｃ 進行詞向量訓練。

④ＬＳＴＭ 情感分類： 使用詞向量模型構建句向量， 將句向量輸入ＬＳＴＭ 訓練獲得ＬＳＴＭ 情感分類模型。最后， 利用該模型對應用商店在線評論文本進行情感分類。

２ １ ２ 在線評論產品屬性特征

１） 在線評論產品屬性特征識別。識別評論文本中的產品屬性， 可以幫助開發者和應用商店了解用戶的關注點和相應的情感傾向。潛在狄利克雷分布（ＬＤＡ）［２３］ 是經典的主題挖掘模型， 已經應用于各種文本挖掘任務［２４－２６］ 。因此， 本研究使用ＬＤＡ識別應用商店在線評論中用戶關注的產品屬性。

在對評論文本進行挖掘之前， 需要確定主題的數量。主題數量過少會使結果缺少解釋性， 而主題數量過多則會導致主題分布過于分散。一般而言，當困惑度—主題曲線趨于平緩時， 說明主題數的邊際效應減少， 以拐點作為相應的主題數目最為合適。困惑度—主題數量曲線如圖２ 所示， 當主題數為９時， 曲線趨于平緩。因此， 將應用商店在線評論產品屬性主題數設置為９， 相應關鍵詞如表２ 所示。

表２ 的９ 個主題中， 主題１、主題７ 和主題９的關鍵詞主要與游戲的玩法有關， 主題２ 和主題４的關鍵詞主要與游戲的美術有關， 主題５ 主要與游戲的配音有關， 主題３ 和主題８ 的關鍵詞主要與游戲的付費情況有關， 而主題６ 的關鍵詞主要與手機的運行流暢程度有關。將玩法、美術、配音和付費作為游戲的產品屬性特征。由于手機的運行流暢程度并非移動應用本身特質， 因此不納入本研究分析。

２） 在線評論產品屬性特征量化。為了量化產品屬性特征， 將搜集到的應用商店在線評論數據進行分類處理。產品屬性特征測量與描述如表３ 所示。具體過程如下：

①將每款游戲應用的在線評論分為４ 類： 玩法類、美術類、配音類和付費類。

②識別評論的情感傾向： 積極、中立、消極。

③當游戲的某類產品屬性評論中， 積極評論超過５０％， 表明用戶對該特征滿意， 賦值為１， 否則賦值為０。

２ １ ３ 移動應用產品特征

除了移動應用在線評論基本特征和產品屬性特征， 移動應用本身的產品特征也可能影響用戶下載量。首先， 有研究表明出品方對產品的銷量有顯著的影響［２７－２８］ ， 因此選擇手機游戲的研發商和發行商作為出品方特征。游戲在發行之前， 發行商會根據游戲的研發費用和研發團隊等因素來對游戲進行評級， 分為ＳＳ、Ｓ、Ａ、Ｂ、Ｃ ５ 個等級。游戲的評級能在一定程度上反映該產品的質量， 從而影響用戶的決策。此外， 如果游戲是由動漫、漫畫或者小說等改編而來（也稱該游戲有ＩＰ）， 很大程度上能夠吸引動漫、漫畫的觀眾或小說的讀者， 從而提升游戲的銷量。最后， 產品代言人或參演人能提高產品知名度、品牌認可度和收益。綜上， 將研發商、發行商、產品評級、ＩＰ 和代言人作為移動應用的產品特征。表４ 為移動應用產品特征的測量與描述。

２ ２ 基于獨立子空間的用戶采用預測方法

２ ２ １ 特征重要性評價方法

為了在保持高預測性能的同時彌補基于機器學習的預測方法無法評估輸入特征重要性的缺陷， 本文引入獨立子空間方法進行特征重要性評價， 結合常用的預測算法， 構成集成預測模型來進行特征重要性評價和用戶采用趨勢預測。

獨立子空間（Ｉｎｄｅｐｅｎｄｅｎｔ Ｓｕｂｓｐａｃｅ Ｍｅｔｈｏｄ， ＩＳＭ）是在獨立分量分析（Ｉｎｄｅｐｅｎｄｅｎｔ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙ?ｓｉｓ）的基礎上發展而來的機器學習算法， 是一種無監督特征學習方法。術語“獨立” 表示在選擇特征時盡可能選線性無關的特征［２９］ 。從結構上看，ＩＳＭ 可以被看作是一個兩層網絡， 模型的第一層學習線性變換的權重， 第二層將同一子空間的元素合并， 執行固定的非線性變化， 得到對相位變化相應不變的特征。獨立子空間方法能夠識別非線性模型中各個特征的重要性， 并且當特征之間存在相關性時， 該方法也能保持準確性。圖３ 為獨立子空間算法的詳細過程。

２ ２ ２ 移動應用用戶采用預測模型

根據Ｋｉｍ Ｔ 等［３０］ 的研究， 越早地做出預測， 模型就越有價值， 為了保持預測的有效性， 預測應該在發行后兩周內進行。本文收集３ 個不同時間段的數據用于移動應用用戶采用預測。如圖４ 所示， 模型Ｗ１、Ｗ２、Ｗ３ 所使用的數據分別為截至發行后第一周、第二周和第三周的數據。與之前的研究相比，該模型對多個時段的用戶評論數據進行分析， 能夠更客觀地反映用戶對游戲應用的采用趨勢， 并且能夠對比游戲發行后一段時間內的用戶評論的差異。

最后， 使用基于ＩＳＭ 的集成方法對移動應用用戶下載量進行預測， 預測過程如圖５ 所示。首先通過ＩＳＭ 進行特征采樣， 然后使用多元線性回歸、分類回歸樹、人工神經網絡與支持向量回歸這４ 種常用的預測方法進行預測。

３ 實驗及結果分析

３ １ 數據集

本研究使用Ｐｙｔｈｏｎ 語言編寫爬蟲， 從小米游戲中心采集移動應用在線評論數據和產品基本信息。產品評級信息由產品聯運方（小米游戲中心運營部門）提供。采集范圍為２０２０ 年６ 月—８ 月發布的６０ 款手機游戲應用的在線評論與產品信息， 其中， 共采集到由用戶于２０２０ 年６ 月—１０ 月發布的在線評論５７ ６２７條。首先對采集到的數據進行去重、去停用詞、去除無意義的表情和顏文字等數據清洗工作。接著使用Ｊｉｅｂａ 分詞對數據進行預處理。本研究根據時間序列構建了３ 個不同的模型， 因此需要將采集到的在線口碑數據分為３ 個不同時期的數據集， 產品發布后第一周的數據記為Ｗ１， 以此類推， 得到本研究的實驗數據集。將實驗數據集劃分為９０％的訓練集和１０％的測試集。

３ ２ 特征抽取結果

在對數據進行預處理后， 使用ＬＳＴＭ 模型對在線評論數據進行情感分類（見３ １）， 部分應用的評論情感分類結果如表５ 所示。對于大多數產品來說， 積極評論和中立評論占多數， 消極評論不超過２０％。此外， 在游戲發行的初期， 用戶給出的在線評論較少， 隨著時間的增加， 在線評論數量出現急劇的增長。

接著使用ＬＤＡ 主題模型對在線評論進行主題聚類， 抽取產品屬性特征。玩法、美術、配音和付費四大類主題及關鍵詞如表６ 所示。

然后根據各主題在線評論的情感分類結果來判斷用戶對該產品的玩法、美術、配音和付費方面是否滿意。部分數據處理結果如表７ 所示。大多數游戲的玩法類的評論數量最多， 其次是美術類， 說明用戶對游戲的玩法和美術較為關注。此外， 用戶對產品的玩法類和美術類積極評論率較高， 大部分超過了５０％， 而用戶的付費類評論積極評論率較低，超過７０％的產品的付費類積極評論率低于５０％，表明用戶對這些游戲的付費體驗存在較多不滿。

３ ３ 特征重要性評估結果

３ ３ １ 基于ＩＳＭ 的特征重要性評估有效性驗證

以非集成方法和基于隨機子空間方法（ＲａｎｄｏｍＳｕｂｓｐａｃｅ Ｍｅｔｈｏｄ， ＲＳＭ）的集成方法作為基線， 在ＭＬＲ、ＣＡＲＴ、ＡＮＮ 和ＳＶＲ ４ 種算法下驗證基于ＩＳＭ 的集成方法的有效性。其中， 隨機子空間方法（Ｒａｎｄｏｍ Ｓｕｂｓｐａｃｅ Ｍｅｔｈｏｄ， ＲＳＭ）［３１］ 常被用于評價非線性模型中特征的重要性。該方法從所有的Ｍ個輸入特征中選擇ｍ 個特征的子集， 然后利用一個簡化的特征空間建立學習模型。隨機選擇特征和應用學習模型步驟重復Ｂ 次， 稱為引導。在驗證階段， 向具有相應選擇特征的Ｂ 模型提供一個新的數據集， 并通過聚合模型中的每個輸出來估計隨機子空間的輸出。為了評估每個特征的重要性，ＲＳＭ 通過置換預測模型中的各個特征來計算每個引導程序中驗證錯誤的增加情況， 然后根據這些權重的相關性進行組合和排序， 其重要性對應特征在預測模型中的有用性。

以往研究在驗證ＩＳＭ 的有效性時， 通常通過生成一個包含相關特征的人工數據集， 測試模型能否正確地找到重要特征且忽略相關特征［３２］ 。本研究采用同樣的策略， 對模型Ｗ１ 添加人工特征Ｙ１，對模型Ｗ２ 添加人工特征Ｙ２ 作為分析特征， 預測模型需將該特征識別為重要特征。同時還添加了相關特征， 分別是（－Ｙｉ ）， Ｙ２ｉ、（－Ｙ２ｉ）以及ｌｏｇ（Ｙｉ ）（ｉ ＝１，２ 分別對應模型Ｗ１ 和Ｗ２）。如果預測模型能將上述人工生成的特征識別為重要的特征， 模型就具有魯棒性。

表８ 總結了Ｗ１ 模型中使用４ 種算法和３ 種方法計算的每個特征的重要性測量值和相應的排名（例如３６ ７５， ２／２１ 表示特征的重要性測量值為３６ ７５， 在輸入的２１ 個特征中， 其重要性排名第２）。特征的排名越小， 表示該特征越重要。

１） 在非集成方法中， ＭＬＲ 算法下的５ 個人工生成的特征的平均排名為６ ４。ＣＡＲＴ、ＡＮＮ 和ＳＶＲ算法下人工生成特征的平均排名都高于９ ０， 特別是ＡＮＮ 算法的人工生成特征的平均排名為１３ ６０。

由此可見， 非集成方法在檢測這些相關特征的重要性上表現不佳。

２） 類似的結果也出現在基于ＲＳＭ 的集成方法中。ＭＬＲ 算法下人工生成特征的平均排名為５ ８０，表現尚可， ＣＡＲＴ、ＡＮＮ 和ＳＶＲ 算法都不能很好地評估特征的重要性。

３） 在基于ＩＳＭ 的集成方法中， ＭＬＲ、ＣＡＲＴ、ＡＮＮ 和ＳＶＲ ４ 種算法下的５ 個人工生成特征的平均排名都小于５ ０。

模型Ｗ２ 中也出現了類似的結果， 如表９ 所示。由此可知， ＩＳＭ 方法在評估特征重要性任務上表現較好。

３ ３ ２ 特征重要性分析

驗證了ＩＳＭ 能夠有效地評估輸入特征的重要性后， 分別對Ｗ１、Ｗ２ 和Ｗ３ 這３ 個模型中的各特征進行重要性評估， 結果分別如表１０、表１１ 和表１２所示。其中星號（???、??、?）分別表示特征重要性在０ ０５、０ １ 和０ ２ 顯著性水平上大于０， 合計表示特征變量個數。由表中數據可知：

１） 在應用發行后的第一周（模型Ｗ１ ）， 在線評論評分、研發商、發行商、美術、ＩＰ 和代言人這幾項因素對用戶采用預測有著較為顯著的影響。此外， 大部分與在線評論有關的特征在這階段的預測模型中重要性不高。可見在游戲應用發布的最初期， 用戶會根據一些最直觀的因素來判斷是否使用該應用， 比如代言人和ＩＰ。

２） 應用發行一段時間后（模型Ｗ２ 和Ｗ３）， 在線評論評分、研發商、發行商和美術等直觀因素仍然重要， 但重要性已經逐漸降低。而此時玩法和付費的重要性已經十分顯著。由此可見， 此時除了直觀的因素， 用戶還會根據游戲的玩法和付費這些內在因素來做出采用應用的決策。

３） 對比Ｗ１、Ｗ２ 和Ｗ３ 這３ 個模型可以發現，隨著發行時間的增加， 在線評論情感因素的重要性逐漸提升， 特別是積極評論數與消極評論數在游戲發行后第二周變得重要起來。

３ ４ 移動應用用戶采用預測結果

本文采用均方根誤差（ＲＭＳＥ）和平均絕對百分比誤差（ＭＡＰＥ） 作為模型的評價指標， ＲＭＳＥ 與ＭＡＰＥ 的計算公式如式（１）、式（２）：

其中ｙｉ 為實際的移動應用采用人數， ＾ｙｉ 為預測的移動應用采用人數。

ＭＬＲ 算法常用于預測任務， 具有較強的可解釋性， 本文將ＭＬＲ 算法作為基線模型， 評估基于ＩＳＭ 的集成方法的預測性能。移動應用用戶采用預測結果如表１３ 所示。由表中數據可知， 與基線ＭＬＲ預測方法相比， 集成獨立子空間的ＭＬＲ 預測方法性能有輕微的降低， 這可能是由于ＭＬＲ 算法自身就能夠較好地評估特征的重要性， 這與ＩＳＭ 方法的作用重復， 兩者結合導致了預測性能的輕微降低。而集成獨立子空間的ＣＡＲＴ、ＡＮＮ 和ＳＶＲ 預測方法的性能都比基線方法有較大的提升， 特別是對于ＡＮＮ 算法而言， ＲＭＳＥ 和ＭＡＰＥ 都大幅減小， 預測性能最佳。總體來說， 本文提出的基于ＩＳＭ 的移動應用用戶采用預測方法能夠顯著提升預測方法的可解釋性， 并提升模型的預測性能。

４ 結 論

本研究分析了６０ 款游戲移動應用的在線評論數據和產品數據， 引入獨立子空間算法評估特征重要性， 顯著地提升了用戶采用預測方法的性能。研究結果能夠給移動應用開發商、發行商和應用商店運營人員提供決策依據。

本研究在移動應用用戶采用預測方法上取得了一些具有創新性和重要意義的研究成果， 但仍然存在一些不足。第一， 本研究選取的實驗數據主要來源于小米游戲中心， 游戲應用的娛樂性較強， 與其他類型的移動應用可能存在一定的差別。第二， 參照以往研究， 本研究使用應用的下載量來判斷用戶對移動應用的采用情況， 但用戶下載該應用可能無法完全代表用戶使用了該應用。對用戶的持續使用數據進行分析可能可以解決這個問題。這些不足需要在未來的研究中完善， 也為后續的研究指出了新的思路和方向。

參考文獻

［１］ 中國互聯網絡信息中心． 第４９ 次中國互聯網絡發展狀況統計報告［ ＥＢ／ ＯＬ］． ｈｔｔｐ： ／ ／ ｗｗｗ． ｃｎｎｉｃ． ｎｅｔ． ｃｎ／ ＮＭｅｄｉａＦｉｌｅ／ ｏｌｄ＿ａｔ?ｔａｃｈ／ Ｐ０２０２２０７２１４０４２６３７８７８５８．ｐｄｆ， ２０２１－０２－０２．

［２］ 田丹． 我國移動圖書館ＡＰＰ 應用現狀分析［ Ｊ］． 國家圖書館學刊， ２０１５， ２４ （５）： ７４－８０．

［３］ 王金鳳， 王孟琪， 馮立杰， 等． 需求驅動下移動互聯網產品創新機會識別路徑研究———以網易云音樂為例［ Ｊ］． 情報理論與實踐， ２０２０， ４３ （１２）： ９６－１０２， ９５．

［４］ Ｐａｔｉｌ Ｐ， Ｔａｍｉｌｍａｎｉ Ｋ， Ｒａｎａ Ｎ Ｐ， ｅｔ ａｌ． Ｕｎｄｅｒｓｔａｎｄｉｎｇ Ｃｏｎｓｕｍ?ｅｒ Ａｄｏｐｔｉｏｎ ｏｆ Ｍｏｂｉｌｅ Ｐａｙｍｅｎｔ ｉｎ Ｉｎｄｉａ： Ｅｘｔｅｎｄｉｎｇ Ｍｅｔａ－ＵＴＡＵＴＭｏｄｅｌ ｗｉｔｈ Ｐｅｒｓｏｎａｌ Ｉｎｎｏｖａｔｉｖｅｎｅｓｓ， Ａｎｘｉｅｔｙ， Ｔｒｕｓｔ， ａｎｄ Ｇｒｉｅｖ?ａｎｃｅ Ｒｅｄｒｅｓｓａｌ ［ Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｍａｎａｇｅ?ｍｅｎｔ， ２０２０， ５４： １０２１４４．

［５］ Ｃｈｅｎ Ｙ， Ｘｉｅ Ｊ． Ｏｎｌｉｎｅ Ｃｏｎｓｕｍｅｒ Ｒｅｖｉｅｗ： Ｗｏｒｄ－ｏｆ－Ｍｏｕｔｈ ａｓ ａＮｅｗ Ｅｌｅｍｅｎｔ ｏｆ Ｍａｒｋｅｔｉｎｇ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｍｉｘ ［ Ｊ］． ＭａｎａｇｅｍｅｎｔＳｃｉｅｎｃｅ， ２００８， ５４ （３）： ４７７－４９１．

［６］ 馮嬌， 姚忠． 基于社會學習理論的在線評論信息對購買決策的影響研究［Ｊ］． 中國管理科學， ２０１６， ２４ （９）： １０６－１１４．

［７］ Ｃｕｉ Ｇ， Ｌｕｉ Ｈ Ｋ， Ｇｕｏ Ｘ． Ｔｈｅ Ｅｆｆｅｃｔ ｏｆ Ｏｎｌｉｎｅ Ｃｏｎｓｕｍｅｒ Ｒｅｖｉｅｗｓｏｎ Ｎｅｗ Ｐｒｏｄｕｃｔ Ｓａｌｅｓ ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｍ?ｍｅｒｃｅ， ２０１２， １７ （１）： ３９－５８．

［８］ 吳卿毅， 黃斐． 在線評論對消費者行為意愿的影響———基于數值型在線評論的效價［Ｊ］． 技術經濟與管理研究， ２０１９， １１：６０－６５．

［９］ Ｓｕｎ Ｍ． Ｈｏｗ Ｄｏｅｓ ｔｈｅ Ｖａｒｉａｎｃｅ ｏｆ Ｐｒｏｄｕｃｔ Ｒａｔｉｎｇｓ Ｍａｔｔｅｒ？ ［ Ｊ］．Ｍａｎａｇｅｍｅｎｔ Ｓｃｉｅｎｃｅ， ２０１２<26aa><717， ５８ （４）： ６９６－７０７．

［１０］ Ｄｕａｎ Ｗ， Ｇｕ Ｂ， Ｗｈｉｎｓｔｏｎ Ａ Ｂ． Ｄｏ Ｏｎｌｉｎｅ Ｒｅｖｉｅｗｓ Ｍａｔｔｅｒ？—Ａｎ Ｅｍｐｉｒｉｃａｌ Ｉｎｖｅｓｔｉｇａｔｉｏｎ ｏｆ Ｐａｎｅｌ Ｄａｔａ ［ Ｊ］． Ｄｅｃｉｓｉｏｎ ＳｕｐｐｏｒｔＳｙｓｔｅｍｓ， ２００８， ４５ （４）： １００７－１０１６．

［１１］ Ｋａｎｇ Ｙ， Ｚｈｏｕ Ｌ． ＲｕｂＥ： Ｒｕｌｅ － ｂａｓｅｄ Ｍｅｔｈｏｄｓ ｆｏｒ ＥｘｔｒａｃｔｉｎｇＰｒｏｄｕｃｔ Ｆｅａｔｕｒｅｓ ｆｒｏｍ Ｏｎｌｉｎｅ Ｃｏｎｓｕｍｅｒ Ｒｅｖｉｅｗｓ ［ Ｊ］． Ｉｎｆｏｒｍａｔｉｏｎ＆ Ｍａｎａｇｅｍｅｎｔ， ２０１７， ５４ （２）： １６６－１７６．

［１２］ Ｍｉｒｔａｌａｉｅ Ｍ Ａ， Ｈｕｓｓａｉｎ Ｏ Ｋ． Ｓｅｎｔｉｍｅｎｔ Ａｇｇｒｅｇａｔｉｏｎ ｏｆ ＴａｒｇｅｔｅｄＦｅａｔｕｒｅｓ Ｂｙ Ｃａｐｔｕｒｉｎｇ Ｔｈｅｉｒ Ｄｅｐｅｎｄｅｎｃｉｅｓ： Ｍａｋｉｎｇ Ｓｅｎｓｅ ｆｒｏｍ Ｃｕｓ?ｔｏｍｅｒ Ｒｅｖｉｅｗｓ ［ Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｍａｎａｇｅ?ｍｅｎｔ， ２０２０， ５３： １０２０９７．

［１３］ 沈超， 王安寧， 方釗， 等． 基于在線評論數據的產品需求趨勢挖掘［Ｊ］． 中國管理科學， ２０２１， ２９ （５）： ２１１－２２０．

［１４］ Ｐａｇａｎｏ Ｄ， Ｍａａｌｅｊ Ｗ． Ｕｓｅｒ Ｆｅｅｄｂａｃｋ ｉｎ ｔｈｅ Ａｐｐｓｔｏｒｅ： Ａｎ Ｅｍ?ｐｉｒｉｃａｌ Ｓｔｕｄｙ ［ Ｃ］ ／ ／２０１３ ２１ｓｔ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ ＲｅｑｕｉｒｅｍｅｎｔｓＥｎｇｉｎｅｅｒｉｎｇ Ｃｏｎｆｅｒｅｎｃｅ （ＲＥ）． ＩＥＥＥ， ２０１３： １２５－１３４．

［１５］ Ｗａｎｇ Ｙ， Ｙｕａｎ Ｎ Ｊ， Ｓｕｎ Ｙ， ｅｔ， ａｌ． Ａｐｐ Ｄｏｗｎｌｏａｄ Ｆｏｒｅｃａｓ?ｔｉｎｇ： Ａｎ Ｅｖｏｌｕｔｉｏｎａｒｙ Ｈｉｅｒａｒｃｈｉｃａｌ Ｃｏｍｐｅｔｉｔｉｏｎ Ａｐｐｒｏａｃｈ ［Ｃ］ ／ ／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｔｗｅｎｔｙ－Ｓｉｘｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎＡｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ． Ｃａｌｉｆｏｒｎｉａ： Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅｓｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｏｒｇａｎｉｚａｔｉｏｎ， ２０１７： ２９７８－２９８４．

［１６］ Ｚｈｕ Ｈ Ｓ， Ｌｉｕ Ｃ Ｒ， Ｇｅ Ｙ， ｅｔ， ａｌ． Ｐｏｐｕｌａｒｉｔｙ Ｍｏｄｅｌｉｎｇ ｆｏｒ Ｍｏ?ｂｉｌｅ Ａｐｐｓ： Ａ Ｓｅｑｕｅｎｔｉａｌ Ａｐｐｒｏａｃｈ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｃｙ?ｂｅｒｎｅｔｉｃｓ， ２０１５， ４５ （７）： １３０３－１３１４．

［１７］ Ｆｉｎｋｅｌｓｔｅｉｎ Ａ， Ｈａｒｍａｎ Ｍ， Ｊｉａ Ｙ， ｅｔ， ａｌ． Ｉｎｖｅｓｔｉｇａｔｉｎｇ ｔｈｅ Ｒｅｌａ?ｔｉｏｎｓｈｉｐ Ｂｅｔｗｅｅｎ Ｐｒｉｃｅ， Ｒａｔｉｎｇ， ａｎｄ Ｐｏｐｕｌａｒｉｔｙ ｉｎ ｔｈｅ ＢｌａｃｋｂｅｒｒｙＷｏｒｌｄ Ａｐｐ Ｓｔｏｒｅ ［Ｊ］． Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｓｏｆｔｗａｒｅ Ｔｅｃｈｎｏｌｏｇｙ， ２０１７，８７： １１９－１３９．

［１８］ 黃競瑤． ＡＰＰ 下載量趨勢預測及其模型評價［ Ｄ］． 蘇州： 蘇州大學． ２０１８．

［１９］ 張藝璇， 郭斌， 劉佳琪， 等． 基于多級注意力機制網絡的Ａｐｐ流行度預測［ Ｊ］． 計算機研究與發展， ２０２０， ５７ （５）： ９８４－９９５．

［２０］ Ｈｏｃｈｒｅｉｔｅｒ Ｓ， Ｓｃｈｍｉｄｈｕｂｅｒ Ｊ． Ｌｏｎｇ－Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ ［ Ｊ］．Ｎｅｕｒａｌ Ｃｏｍｐｕｔａｔｉｏｎ， １９９７， ９ （８）： １７３５－１７８０．

［２１］ 國佳， 郭勇， 沈旺， 等． 基于在線評論的網絡社區信息可信度評價方法研究［Ｊ］． 圖書情報工作， ２０１９， ６３ （１７）： １３７－１４４．

［２２］ 陳凌， 宋衍欣． 基于公眾情緒上下文的ＬＳＴＭ 情感分析研究———以臺風“利奇馬” 為例［Ｊ］． 現代情報， ２０２０， ４０ （６）： ９８－１０５．

［２３］ Ｂｌｅｉ Ｄ Ｍ， Ｎｇ Ａ Ｙ， Ｊｏｒｄａｎ Ｍ Ｉ． Ｌａｔｅｎｔ Ｄｉｒｉｃｈｌｅｔ Ａｌｌｏｃａｔｉｏｎ ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｒｅｓｅａｒｃｈ， ２００３， ３ （４－５）： ９９３－１０２２．

［２４］ 王欣研， 張向先， 張莉曼． 學術ＡＰＰ 用戶在線評論主題語義關聯研究［Ｊ］． 情報科學， ２０２０， ３８ （６）： ２５－３１．

［２５］ 王曰芬， 許杜娟， 楊振怡， 等． 輿情評論與新聞報道的話題識別及其主題關聯分析［Ｊ］． 現代情報， ２０１８， ３８ （６）： ３－１０．

［２６］ 張濤， 馬海群． 一種基于ＬＤＡ 主題模型的政策文本聚類方法研究［Ｊ］． 數據分析與知識發現， ２０１８， ２ （９）： ５９－６５．

［２７］ Ｈｕｒ Ｍ， Ｋａｎｇ Ｐ， Ｃｈｏ Ｓ． Ｂｏｘ－ｏｆｆｉｃｅ Ｆｏｒｅｃａｓｔｉｎｇ Ｂａｓｅｄ ｏｎ Ｓｅｎｔｉ?ｍｅｎｔｓ ｏｆ Ｍｏｖｉｅ Ｒｅｖｉｅｗｓ ａｎｄ Ｉｎｄｅｐｅｎｄｅｎｔ Ｓｕｂｓｐａｃｅ Ｍｅｔｈｏｄ ［ Ｊ］．Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅｓ， ２０１６， ３７２： ６０８－６２４．

［２８］ Ｂｈａｖｅ Ａ， Ｋｕｌｋａｒｎｉ Ｈ， Ｂｉｒａｍａｎｅ Ｖ， ｅｔ， ａｌ． Ｒｏｌｅ ｏｆ ＤｉｆｆｅｒｅｎｔＦａｃｔｏｒｓ ｉｎ Ｐｒｅｄｉｃｔｉｎｇ Ｍｏｖｉｅ Ｓｕｃｃｅｓｓ ［ Ｃ］ ／ ／２０１５ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｐｅｒｖａｓｉｖｅ Ｃｏｍｐｕｔｉｎｇ （ＩＣＰＣ）． ＩＥＥＥ， ２０１５： １－４．

［２９］ Ｒｏｄｇｅｒｓ Ｊ Ｌ， Ｎｉｃｅｗａｎｄｅｒ Ｗ Ａ， Ｔｏｏｔｈａｋｅｒ Ｌ． Ｌｉｎｅａｒｌｙ Ｉｎｄｅｐｅｎｄ?ｅｎｔ， Ｏｒｔｈｏｇｏｎａｌ， ａｎｄ Ｕｎｃｏｒｒｅｌａｔｅｄ Ｖａｒｉａｂｌｅｓ ［ Ｊ］． Ｔｈｅ ＡｍｅｒｉｃａｎＳｔａｔｉｓｔｉｃｉａｎ， １９８４， ３８ （２）： １３３－１３４．

［３０］ Ｋｉｍ Ｔ， Ｈｏｎｇ Ｊ， Ｋａｎｇ Ｐ． Ｂｏｘ Ｏｆｆｉｃｅ Ｆｏｒｅｃａｓｔｉｎｇ Ｕｓｉｎｇ ＭａｃｈｉｎｅＬｅａｒｎｉｎｇ Ａｌｇｏｒｉｔｈｍｓ Ｂａｓｅｄ ｏｎ ＳＮＳ ｄａｔａ ［ Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌｏｆ Ｆｏｒｅｃａｓｔｉｎｇ， ２０１５， ３１ （２）： ３６４－３９０．

［３１］ Ｌａｉ Ｃ， Ｒｅｉｎｄｅｒｓ Ｍ Ｊ Ｔ， Ｗｅｓｓｅｌｓ Ｌ． Ｒａｎｄｏｍ Ｓｕｂｓｐａｃｅ Ｍｅｔｈｏｄｆｏｒ Ｍｕｌｔｉｖａｒｉａｔｅ Ｆｅａｔｕｒｅ Ｓｅｌｅｃｔｉｏｎ ［ Ｊ］． Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｌｅｔ?ｔｅｒｓ， ２００６， ２７ （１０）： １０６７－１０７６．

［３２］ Ｇｏｉａ Ａ， Ｍａｙ Ｃ， Ｆｕｓａｉ Ｇ． Ｆｕｎｃｔｉｏｎａｌ Ｃｌｕｓｔｅｒｉｎｇ ａｎｄ Ｌｉｎｅａｒ Ｒｅ?ｇｒｅｓｓｉｏｎ ｆｏｒ Ｐｅａｋ Ｌｏａｄ Ｆｏｒｅｃａｓｔｉｎｇ ［ Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆＦｏｒｅｃａｓｔｉｎｇ， ２０１０， ２６ （４）： ７００－７１１．

（責任編輯： 郭沫含）