胡慧瑩，張帆

（中國汽車技術(shù)研究中心有限公司，天津 300300）

前言

近年來中國新能源汽車市場飛速發(fā)展，無論是從企業(yè)推出的車型數(shù)量還是保有用戶的數(shù)量都在持續(xù)上漲。根據(jù)中國汽車技術(shù)研究中心有限公司CATARC調(diào)研2020年對中國新能源汽車用戶地調(diào)研，不同用戶的社會特征和購車特征差異很大。在用戶特征具有較大差異的背景下，如果將市場上的所有用戶作為一個整理來研究，用戶的特征和需求會非常分散，不僅不能挖掘出用戶的共性，而且會忽略具有不同特性的用戶。因此進行新能源汽車用戶的人群分類，將具有類似特征的用戶化為一個群體進行研究是非常重要的[1-4]。

目前新能源領(lǐng)域人群分類的方法主要是基于 kmeans聚類，該方法可以很好地對數(shù)值型數(shù)據(jù)進行分類，但是對文本型數(shù)據(jù)的分類效果不明顯，準確率不高。因此，本文提出一種“基于雙通道卷積模型”對人群的分類，該方法是以新能源汽車調(diào)研問卷為數(shù)據(jù)源，利用雙通道卷積模型對問卷的文本數(shù)據(jù)進行人群分類[5-7]，該方法可以提高自然語言文本的分類效果，非常有利于對問卷的答案進行有效地分析。

1 實證研究

1.1 數(shù)據(jù)準備

數(shù)據(jù)是本文的基礎(chǔ)，本數(shù)據(jù)來自CATARC新能源汽車調(diào)研問卷，通過近幾年的積累，積累了將近10000份樣本問卷，樣本問卷有關(guān)人群的問題及答案如下表1所示，由于篇幅原因，在這里只給出3個示例。

表1 樣本問卷有關(guān)人群的問題及答案

1.2 樣本分句

因為每個樣本的答案語句字數(shù)長度以及維度不一致，在這里利用正則表達式把每個樣本答案按照“，”，“。”等標點符號分隔開，目的是“大化小、長化短”，以便于后期計算方便，加快求解速度以及提高模型準確率，分割后的樣本數(shù)據(jù)如下表2所示。

表2 分割后的樣本數(shù)據(jù)

1.3 語句分詞

接下來對樣本答案進行分詞，采用的方法是基于python語言和維特比算法來進行分詞，下面介紹一下詞圖、節(jié)點間的距離計算以及維特比算法。

1.3.1 詞圖

對要分詞的語句利用有向無環(huán)圖進行分詞，每一條分支都是可以分詞路徑，比如對第一個樣本答案“表示我已經(jīng)取得成功”這句話進行分詞，那么這句話可以形成的詞圖可以用下面的圖1表示。

圖1 樣本數(shù)據(jù)的詞圖

由圖1可知，每一個分支都是從開始到結(jié)束形成一個有向無環(huán)圖，每個有向無環(huán)圖[8]。

1.3.2 計算節(jié)點之間的距離

在這里以圖 1詞圖中每條邊以二元語法的概率作為距離，那么中文分詞任務(wù)轉(zhuǎn)換為有向無環(huán)圖上的最長路徑問題[9]。為了使理論更加貼近實際工程在文本中分詞使用公式1，將浮點數(shù)概率值連續(xù)相乘轉(zhuǎn)化為負對數(shù)之間的加法。

圖1詞圖多個有向無環(huán)圖計算節(jié)點之間距離，添加計算節(jié)點之間距離的詞圖如下圖2所示。

圖2 計算節(jié)點間距離后的示意圖

1.3.3 詞圖的維特比算法

因為二元語法可以看作隱馬爾科夫模型的特例，只需要將此網(wǎng)中的詞語看作顯狀態(tài)，只不過是隱狀態(tài)到顯狀態(tài)的發(fā)射概率為1。表1的樣本數(shù)據(jù)經(jīng)過維特比分詞得到的結(jié)果如表3所示。

1.4 語句詞語打標簽

對表3樣本中的數(shù)據(jù)給出分類標簽以及相對應(yīng)分詞結(jié)果的標簽，在本文中分為6類人群，維特比分詞后加標簽后的數(shù)據(jù)如下表3所示，由于篇幅原因，在這里只列舉出部分示例。

表3 維特比分詞后加標簽后的數(shù)據(jù)

1.5 模型介紹及參數(shù)確定

1.5.1 模型介紹

雙通道中的一個通道指的是語句的輸入及相對應(yīng)的CNN模塊對句子進行卷積、另一個通道是指分詞短語的輸入及相對應(yīng)的 CNN模塊對分詞短語進行卷積，然后對二者的結(jié)果統(tǒng)一進行 softmax多分類操作[10-13]，因此而形成雙通道卷積模型。

雙通道卷積模型是一種涉及 CNN的神經(jīng)網(wǎng)絡(luò)的模型，因此研究的內(nèi)容會包括卷積層、池化層和 softmax層等網(wǎng)絡(luò)結(jié)構(gòu)，每個CNN模塊由以下五部分組成。

分句后的新句子包括標點符號最長有m個字數(shù)，大約有m//2+1個詞語。

（1）原始數(shù)據(jù)：因為新句子最長有m//2+1個詞語m個字數(shù)，所以詞向量維度為m//2+1，字向量為m，那么整個句子矩陣大小為（m-1）×（m-1）（因為標點符號不參與計算）；

（2）第一步：卷積核的區(qū)域大小可以?。╩1，m2,，m3）3種（如圖8，每相似顏色的為一種），每種又有兩個不同的取值（因為是雙通道模型，每個通道對應(yīng)一個取值），所以一共是有6個取值，即6個不同的卷積模板；

（3）第二步：特征模板制作，即數(shù)學(xué)中的積計算；即（m+2-mk（k=1，2，3）），計算出來是特征模板的大小，一共有3類（因為是雙通道，所以每類兩個）共有6個；

（4）第三、四步：因為用不同大小的卷積核獲取到的特征模板大小也不一樣，為了解決這個問題，添加一層最大池化層，即選取一個最大值，然后相同大小的組合在一起形成特征向量；

（5）第五步：基于特征向量利用邏輯回歸的多分類模型softmax進行分類。

注意：m的取值由分割后的語句決定，不需要利用模型來求出。

1.5.2 確定最佳參數(shù)

前文介紹模型以及模型的相關(guān)參數(shù)，本小結(jié)來確定m1、m2、m3的參數(shù)，在這里使用800樣本作為訓(xùn)練集，目的是訓(xùn)練出模型地最佳參數(shù)；使用200樣本作為測試集，目的是測試模型的可靠性。利用控制變量法和損失函數(shù)在確定最佳參數(shù)，模型經(jīng)過控制變量法訓(xùn)練之后，經(jīng)過10次迭代后確定最佳參數(shù)：m1取值2、m2取值3、m3取值4。

1.6 預(yù)測新數(shù)據(jù)

經(jīng)過前文確定了模型及模型地最佳參數(shù)，可以通過此模型對新的數(shù)據(jù)實現(xiàn)自動化分類，總體的正確率達到了80%左右，因為篇幅原因，下表4只給出了部分數(shù)據(jù)的預(yù)測結(jié)果。

表4 部分數(shù)據(jù)的預(yù)測結(jié)果

2 分析與結(jié)論

本模型正確率達到80%左右，基本可以達到企業(yè)的要求和目的，為了精益求精，文本后期可以增加多個卷積層來優(yōu)化此模型，或者增加多個樣本量加大模型訓(xùn)練基數(shù)，以此來提高模型的精度。