王雨瀟，戰(zhàn)洪飛+，余軍合，王 瑞，郭劍鋒

(1.寧波大學(xué) 機(jī)械工程與力學(xué)學(xué)院，浙江 寧波 315211； 2.中國科學(xué)院 科技戰(zhàn)略咨詢研究院，北京 100190)

0 引言

分析用戶對產(chǎn)品評價的準(zhǔn)確性在很大程度上影響企業(yè)的決策質(zhì)量，在產(chǎn)品生命周期縮短、用戶使用體驗(yàn)多樣化的市場環(huán)境下，如何為企業(yè)提供準(zhǔn)確的產(chǎn)品評價信息至關(guān)重要。傳統(tǒng)的產(chǎn)品評價通常以問卷調(diào)查[1]、在線評論[2-3]等方式獲取用戶對產(chǎn)品屬性的感受，以此獲得產(chǎn)品的各方面表現(xiàn)。近年來，隨著電子商務(wù)的快速發(fā)展，用戶的評價方式由產(chǎn)品功能評價逐漸向使用體驗(yàn)評價的方面轉(zhuǎn)移[4]。為了更好地反映產(chǎn)品在使用體驗(yàn)上的表現(xiàn)，研究人員開始專注于分析影響用戶體驗(yàn)的因素，如林闖等[5]提出基于隱馬爾可夫的用戶體驗(yàn)質(zhì)量模型，用于更合理地描述用戶體驗(yàn)的過程；SONG等[6]基于在線評論，收集并歸納了影響用戶體驗(yàn)的因素，并與產(chǎn)品屬性進(jìn)行匹配，開發(fā)了評估框架，用于有效評估產(chǎn)品的使用體驗(yàn)；SETCHI等[7]利用圖像模式來表達(dá)用戶與產(chǎn)品交互時的情感，以系統(tǒng)的方式評估用戶體驗(yàn)的影響因素，幫助企業(yè)改善產(chǎn)品設(shè)計(jì)實(shí)踐。但是，由于使用體驗(yàn)的影響因素由產(chǎn)品屬性產(chǎn)生，而屬性間存在關(guān)聯(lián)性，使得影響因素間具有邊界模糊性[8]，這一原因?qū)е铝朔治鼋Y(jié)果的準(zhǔn)確度下降。為了提高準(zhǔn)確性，有學(xué)者通過引入專家或用戶的意見對指標(biāo)權(quán)重進(jìn)行修正[9-10]，但仍沒有解決屬性間關(guān)聯(lián)關(guān)系問題，因此，更多的研究人員開始考慮多因素間的關(guān)聯(lián)性。傳統(tǒng)的關(guān)聯(lián)關(guān)系分析通常直接使用專家賦值[11-12]的方法，由于過于依賴專家經(jīng)驗(yàn)，主觀性過強(qiáng)，有學(xué)者結(jié)合其他方法進(jìn)行分析，如耿秀麗等[13]基于專家組的打分結(jié)果，構(gòu)建復(fù)雜網(wǎng)絡(luò)來獲取多個因素間的關(guān)聯(lián)關(guān)系。為了以更加客觀的方式進(jìn)行分析，也有學(xué)者通過實(shí)驗(yàn)等方式獲得關(guān)聯(lián)關(guān)系，如EENDEBAK等[14]通過實(shí)驗(yàn)分析，利用正交陣列評估兩因素相互作用關(guān)系，為設(shè)計(jì)提供支持；也有學(xué)者基于歷史數(shù)據(jù)，通過N-K模型對航空運(yùn)輸系統(tǒng)安全脆弱性的多因素進(jìn)行耦合分析[15]。但這些方法的適用范圍較窄，無法廣泛應(yīng)用于其他產(chǎn)品，且沒有結(jié)合用戶觀點(diǎn)進(jìn)行深入研究，而產(chǎn)品評論需要充分反映用戶態(tài)度，因此無法滿足產(chǎn)品評價分析的需要。

本文在前人研究的基礎(chǔ)上，結(jié)合電子商務(wù)時代的特點(diǎn)，以在線評論為數(shù)據(jù)源，在分析用戶對各指標(biāo)的重視程度的基礎(chǔ)上，結(jié)合對指標(biāo)間關(guān)聯(lián)關(guān)系的思考，綜合兩方面因素構(gòu)建出改進(jìn)的相互作用關(guān)系矩陣，解決評價指標(biāo)間存在的模糊性問題，以此得到更加準(zhǔn)確的評價結(jié)果。

1 研究思路

本文提出的產(chǎn)品評價分析模型是以B2C網(wǎng)站上的在線評論作為數(shù)據(jù)源，由于評論數(shù)據(jù)是用戶對產(chǎn)品使用感受最直接的表達(dá)形式，以評論數(shù)據(jù)中的產(chǎn)品屬性詞作為評價指標(biāo)能夠充分反映用戶的觀點(diǎn)。在以往的研究中，評價指標(biāo)重要度的確定僅考慮單一因素的影響，容易造成結(jié)果偏差。為了進(jìn)行準(zhǔn)確量化，本文結(jié)合用戶的重視程度與指標(biāo)間的關(guān)聯(lián)程度，構(gòu)建改進(jìn)的相互作用關(guān)系矩陣，通過綜合考慮兩方面因素來提高分析結(jié)果的準(zhǔn)確性。最后通過分析評論數(shù)據(jù)中包含的用戶情感態(tài)度，確定各屬性表現(xiàn)，計(jì)算出產(chǎn)品最終的評價得分，整體研究思路如圖1所示。

由于在線評論中包含了大量的無效評論，為了保證后續(xù)分析結(jié)果的準(zhǔn)確，首先需要對這些噪音數(shù)據(jù)進(jìn)行清理。噪音數(shù)據(jù)包括重復(fù)、字?jǐn)?shù)過少和無效評論，其中重復(fù)評論指同一個用戶連續(xù)進(jìn)行多次重復(fù)且相同的評論，這些評論會影響數(shù)據(jù)集中的情感比例，對分析結(jié)果造成偏差；對于字?jǐn)?shù)過少的敷衍評價文本和網(wǎng)站自動生成的如“此用戶未填寫評價內(nèi)容”的無效評論缺少有效信息，無法用于分析，也需要進(jìn)行刪除，以此獲得初步預(yù)處理完的文本數(shù)據(jù)形成數(shù)據(jù)集。

本文以數(shù)據(jù)集中用戶提到的屬性詞作為評價指標(biāo)，為了準(zhǔn)確識別這些詞，采用命名實(shí)體識別的方法從數(shù)據(jù)集中進(jìn)行抽取，將得到的所有屬性詞經(jīng)過詞頻統(tǒng)計(jì)和語義相似度計(jì)算進(jìn)行分類，最終確定評價指標(biāo)。本文提出的方法既考慮用戶對產(chǎn)品屬性的重視程度，同時對評價指標(biāo)間的關(guān)聯(lián)關(guān)系進(jìn)行分析。用戶關(guān)注的產(chǎn)品屬性詞出現(xiàn)頻率越高，表明用戶對該屬性的重視程度越高，因此可以以此來反映用戶對各評價指標(biāo)的重視程度。而屬性間的關(guān)聯(lián)關(guān)系雖然目前缺乏有效的手段直接測量，但是仍可以從評論數(shù)據(jù)中發(fā)現(xiàn)屬性間的關(guān)聯(lián)組合。從產(chǎn)品屬性影響用戶使用體驗(yàn)的角度進(jìn)行思考，當(dāng)屬性間的關(guān)聯(lián)性越強(qiáng)，對體驗(yàn)產(chǎn)生的影響越接近，在評論中同時出現(xiàn)的概率也就越高。基于這一現(xiàn)象，使得通過對評論數(shù)據(jù)進(jìn)行分析，間接獲得產(chǎn)品屬性間潛在的關(guān)聯(lián)關(guān)系具有可行性。

為了有效結(jié)合兩方面因素的影響，基于兩者分析的結(jié)果構(gòu)建形成包含用戶觀點(diǎn)與屬性關(guān)聯(lián)性的綜合矩陣，根據(jù)該矩陣來準(zhǔn)確量化各評價指標(biāo)最終的權(quán)重系數(shù)。最后對評論集中所包含的用戶情感進(jìn)行分析，結(jié)合評價指標(biāo)權(quán)重計(jì)算出產(chǎn)品的綜合評價向量，以該向量確定產(chǎn)品最終得分。

2 評價分析模型構(gòu)建方法

本文提出的產(chǎn)品評價分析模型是從評論數(shù)據(jù)中挖掘用戶情感，并分析屬性間的關(guān)聯(lián)關(guān)系，建立適應(yīng)市場要求的產(chǎn)品評價體系，包括評價指標(biāo)確定、改進(jìn)矩陣構(gòu)建和評價結(jié)果分析3個部分。

2.1 評價指標(biāo)確定方法

以往的研究通常采用基于統(tǒng)計(jì)的方法和基于語義的方法抽取評論中的屬性詞，由于這些方法只能提取出特定詞性的詞語，使得抽取結(jié)果中包含了大量無效的詞語。而BiLSTM(bi-directional long short term memory)結(jié)合條件隨機(jī)場(Conditional Random Fields, CRF)的命名實(shí)體識別方法是一種專用于從文本中識別出特定類型詞語的方法，如人名、地名等。該方法以BIO(begin, inner, other)的形式對訓(xùn)練集進(jìn)行逐字標(biāo)注，以B和I分別標(biāo)注需要類型詞的首字和非首字，以O(shè)標(biāo)注其他不需要的詞和標(biāo)點(diǎn)。將標(biāo)注完的訓(xùn)練集映射成詞向量并作為BiLSTM的輸入，通過神經(jīng)網(wǎng)絡(luò)的不斷訓(xùn)練自動提取句子特征，最后以CRF層為預(yù)測的結(jié)果添加約束，保證預(yù)測的準(zhǔn)確性。本文通過此方法抽取評論數(shù)據(jù)中包含的屬性詞，通過詞頻統(tǒng)計(jì)選取頻次較高的幾種屬性詞作為候選詞，根據(jù)語義相似度合并同義詞，確定最終的評價指標(biāo)。該方法可以進(jìn)一步過濾未包含屬性詞的評論文本，提升數(shù)據(jù)的準(zhǔn)確度。

2.2 改進(jìn)矩陣構(gòu)建方法

在以往的相互作用關(guān)系矩陣中，對角線上的元素代表產(chǎn)品屬性，每個屬性所在的行和列上的其他元素，分別代表該屬性對其他屬性的影響與被影響關(guān)系。該方法的原理是，某一屬性對于產(chǎn)品的重要程度，與該屬性對其他屬性的影響程度和被影響程度成正比關(guān)系。本文通過將用戶的重視系數(shù)引入該矩陣的主對角線，形成包含用戶觀點(diǎn)與指標(biāo)間關(guān)聯(lián)關(guān)系的改進(jìn)矩陣，結(jié)構(gòu)如圖2所示。

由此結(jié)構(gòu)圖可知，為了構(gòu)建出該矩陣，需要分別對用戶重視系數(shù)與指標(biāo)關(guān)聯(lián)程度進(jìn)行分析。

2.2.1 用戶重視系數(shù)確定

用戶重視系數(shù)基于評論數(shù)據(jù)中的屬性詞頻率，通過層次分析法(Analytic Hierarchy Process, AHP)計(jì)算獲得，首先需要確定各指標(biāo)所對應(yīng)的屬性詞數(shù)量。本文利用FastText將所有提取的屬性詞按照評價指標(biāo)進(jìn)行分類。FastText是一種用于訓(xùn)練語義模型和分類任務(wù)的方法，其特點(diǎn)是快速，且在詞匯表征上有著很好的效果。將所有評論數(shù)據(jù)作為語料訓(xùn)練語義模型，通過訓(xùn)練得到的模型對所有屬性詞與評價指標(biāo)進(jìn)行語義相似度計(jì)算，將屬性詞歸于相似度最高的指標(biāo)，形成屬性詞集Ck={ck1,ck2,…,ckm}。其中：Ck表示第k個評價指標(biāo)的屬性詞集，ckm表示該指標(biāo)所包含的第m個屬性詞。以屬性詞集中的元素?cái)?shù)量作為依據(jù)，參照比例標(biāo)度表，建立判斷矩陣A，通過式(1)和式(2)計(jì)算最大特征值λmax與對應(yīng)的特征向量W。

(1)

(2)

式(1)中：?ij表示判斷矩陣A歸一化之后第i行的各元素；wi表示第i行元素之和。式(2)中：(AW)i和Wi表示向量的第i個分量。通過式(1)得到的向量W′={w1,w2,…,wi}歸一化處理之后，即為所求的特征向量W。為了檢驗(yàn)該特征向量是否能夠表示為權(quán)重，需要檢驗(yàn)一致性條件。根據(jù)式(3)和式(4)分別得到一致性指標(biāo)和檢驗(yàn)系數(shù)，當(dāng)檢驗(yàn)系數(shù)CR<0.1時，滿足一致性條件，特征向量W中的元素可以作為評價指標(biāo)的權(quán)重。

(3)

(4)

式(4)中RI表示隨機(jī)一致性指標(biāo)，可通過標(biāo)準(zhǔn)取值表獲得。

2.2.2 屬性間關(guān)聯(lián)關(guān)系分析

由于目前仍未有客觀有效的普適性方法度量產(chǎn)品屬性間的關(guān)聯(lián)程度，以往的屬性間影響程度通常以經(jīng)驗(yàn)法和專家半定量取值的方法獲取[16]，也有學(xué)者提出通過建立模糊語義與三角模糊數(shù)之間的映射關(guān)系來量化關(guān)聯(lián)關(guān)系[17]；還有學(xué)者采用因子分析從專家評價集中獲取維度與產(chǎn)品模塊之間的關(guān)聯(lián)[18]。但上述方法仍依賴于人員的知識與經(jīng)驗(yàn)，帶有較強(qiáng)的主觀性。

FPGrowth是一種用于從數(shù)據(jù)集中挖掘出事物間潛在關(guān)聯(lián)的算法，如從交易記錄中發(fā)現(xiàn)商業(yè)規(guī)律，分析用戶的購買行為。該方法將每條評論中所包含的屬性詞作為一個項(xiàng)集，利用這些項(xiàng)集構(gòu)建樹狀結(jié)構(gòu)，從而分析項(xiàng)集中詞語之間的互相依賴和條件先驗(yàn)關(guān)系。通過支持度和置信度來度量事物間的關(guān)聯(lián)關(guān)系，得到一種數(shù)值化的度量描述，分別如式(5)和式(6)所示。

support(A?B)=P(A∪B),

(5)

(6)

其中，A?B表示A為B的先驗(yàn)條件；支持度表示某一項(xiàng)集出現(xiàn)的概率；置信度表示項(xiàng)集中提到A的同時提到B的可信度。本文將A?*作為屬性A對其他屬性的影響，并以支持度進(jìn)行表示?；诖怂悸穼λ袑傩赃M(jìn)行分析，最終可以獲得各屬性間的影響與被影響關(guān)系，并通過屬性間的影響與被影響關(guān)系來共同反映屬性間的關(guān)聯(lián)性。由于存在個人評價習(xí)慣等因素的影響，使得評論中存在一些無關(guān)聯(lián)或低關(guān)聯(lián)的詞對。為了減弱它們的影響，本文利用置信度來修正支持度，當(dāng)屬性A與屬性B關(guān)聯(lián)較小或無關(guān)聯(lián)時，其支持度值與置信度值較小，通過兩者相乘可以進(jìn)一步減小屬性間的影響關(guān)系，以此獲得更加準(zhǔn)確的分析結(jié)果。最終影響程度的計(jì)算如式(7)所示。

(7)

原有通過相互關(guān)系矩陣確定權(quán)重的計(jì)算方法如式(8)～(10)所示。

(8)

(9)

(10)

其中：Wi表示第i個屬性的權(quán)重系數(shù)；Ci表示第i個屬性對其他屬性的影響程度之和；Ei表示第i個屬性被其他屬性的影響程度之和。

根據(jù)式(8)，屬性權(quán)重是通過某一屬性對其他屬性的影響與被影響程度之和與2倍的所有屬性間影響與被影響程度之比確定。在此過程中，可以認(rèn)為原有矩陣的對角線元素作為某一影響因子n參與計(jì)算，該影響因子與上述比值相乘，得到最終權(quán)重分配(如式(11))，其中n=1時即為式(8)所述情況。

(11)

為了在產(chǎn)品評價過程中結(jié)合用戶對屬性的重視程度，本文將重視系數(shù)引入原有矩陣的對角線中作為影響因子，形成改進(jìn)矩陣。通過用戶對屬性的重視系數(shù)和屬性的影響與被影響程度相結(jié)合的方式綜合考慮主客觀因素，以此確定各屬性最終的權(quán)重分配。

i,j=1,2,3,…,m。

(12)

式中Ii為用戶對第i個屬性的重視系數(shù)。

2.3 評價結(jié)果分析

B=W·R。

(13)

為了直觀地表現(xiàn)產(chǎn)品綜合評價結(jié)果，建立值域?yàn)?～10的滿意度量表來直觀地反映用戶對產(chǎn)品的滿意度，其中結(jié)果為0時表示用戶極不滿意，為10時表示用戶極滿意。將用戶態(tài)度為滿意所對應(yīng)的元素b1通過式(14)映射到該區(qū)間內(nèi)，得到最終的產(chǎn)品評價得分。

(14)

3 實(shí)例分析

為了驗(yàn)證本文提出的評價分析模型的可行性，以電動牙刷為例進(jìn)行實(shí)例驗(yàn)證。通過對比本文所提方法得到的分析結(jié)果與傳統(tǒng)方法得到的結(jié)果，分析其中形成權(quán)重分配結(jié)果不同的原因，驗(yàn)證本文提出的評價分析方法在考慮屬性間關(guān)聯(lián)性方面的有效性，并根據(jù)調(diào)研訪談結(jié)果分析形成該結(jié)果的原因。

3.1 電動牙刷的評論數(shù)據(jù)獲取及清理

本文選取京東商城的飛利浦HX6730電動牙刷作為分析對象，使用八爪魚采集器，按照評價時間順序爬取該產(chǎn)品的評論數(shù)據(jù)，共獲取5 000條評論文本。獲取的評論文本中包含大量重復(fù)、無效等噪音數(shù)據(jù)，為了保證數(shù)據(jù)的有效性，首先通過Python編程語言對這些評論數(shù)據(jù)進(jìn)行清理，最終獲得初步處理后的數(shù)據(jù)3 165條。

3.2 構(gòu)建電動牙刷的評價分析模型

3.2.1 產(chǎn)品屬性詞抽取及指標(biāo)確定

將標(biāo)注了產(chǎn)品屬性詞的語料集通過BiLSTM結(jié)合CRF的方法訓(xùn)練出一個判斷模型，利用該模型從在線評論中提取屬性詞，并通過詞云圖展示，如圖3所示。

由于數(shù)據(jù)來源于B2C網(wǎng)站，提取的屬性詞中包括部分對網(wǎng)站服務(wù)的詞，如“物流”、“包裝”和“服務(wù)”等。因此本文僅選取該款產(chǎn)品自身的屬性詞，通過詞頻統(tǒng)計(jì)分析，并剔除網(wǎng)站服務(wù)的詞語，選取詞頻數(shù)前十的屬性詞作為評價維度，初步確定評價維度為{清潔，質(zhì)量，聲音，刷頭，振動，性價比，包裝，價格，噪音，充電}。合并同義詞后，最終確定8個評價維度，分別為質(zhì)量、刷頭、聲音、振動、價格、電池、外觀、清潔能力。

3.2.2 用戶重視系數(shù)確定

將所有評論文本作為語料，通過FastText訓(xùn)練出語義模型，根據(jù)此模型將所有屬性詞與評價指標(biāo)進(jìn)行語義相似度計(jì)算，最終得到7個屬性詞集，各指標(biāo)對應(yīng)的屬性詞集如表1所示。

表1 部分分類結(jié)果表

通過統(tǒng)計(jì)屬性詞集中元素的數(shù)量，對照比例標(biāo)度表，建立判斷矩陣A，如表2所示。

表2 判斷矩陣A

其中判斷矩陣A的階數(shù)n=8，根據(jù)隨機(jī)一致性指標(biāo)RI標(biāo)準(zhǔn)取值表，其隨機(jī)一致性指標(biāo)RI=1.41，根據(jù)式(1)和式(2)計(jì)算得到最大特征值λmax≈8，CR=0<0.1，滿足一致性條件，因此計(jì)算得到的特征向量可以作為用戶對各屬性的重視系數(shù)，最后結(jié)果為W={0.093,0.141,0.118,0.103,0.186,0.163,0.082,0.114}。

3.2.3 屬性間關(guān)聯(lián)關(guān)系分析及權(quán)重確定

通過FPGrowth算法對評論中包含的屬性詞進(jìn)行分析，計(jì)算得到各屬性詞對的支持度，根據(jù)式(6)計(jì)算出置信度，將兩者相乘后得到屬性間的關(guān)聯(lián)程度。將屬性的重視系數(shù)代入矩陣對角線，最終得到的改進(jìn)相互作用關(guān)系矩陣如表3所示。由式(5)可知，支持度是由屬性詞對共現(xiàn)的次數(shù)與有效評論數(shù)之比得到，而作為分母的有效評論數(shù)遠(yuǎn)遠(yuǎn)大于分子的數(shù)量，因此與置信度相乘后計(jì)算得到的關(guān)聯(lián)程度數(shù)值較小，為了便于展示，均以科學(xué)計(jì)數(shù)法表示，即×10-4。

表3 改進(jìn)的相互作用關(guān)系矩陣表 ×10-4

基于該矩陣，通過式(9)、式(10)和式(12)的計(jì)算，將結(jié)果歸一化后得到產(chǎn)品屬性最終的權(quán)重分配，如表4所示。

表4 最終各指標(biāo)權(quán)重分配表

3.3 評價結(jié)果對比及產(chǎn)品表現(xiàn)分析

將上述分析的結(jié)果與傳統(tǒng)未考慮屬性關(guān)聯(lián)性的結(jié)果進(jìn)行對比，結(jié)果如圖4所示。

由圖4不難發(fā)現(xiàn)，在考慮了屬性間關(guān)聯(lián)性后各指標(biāo)權(quán)重發(fā)生了變化，以“外觀”指標(biāo)為例，大量的用戶在提及“外觀”的同時還對其他屬性進(jìn)行了評價，則認(rèn)為“外觀”與其他屬性存在較多關(guān)聯(lián)，分析結(jié)果表現(xiàn)為其權(quán)重值升高。

為了確定產(chǎn)品的評價等級，本文以綜合評價向量來確定。上述步驟中已經(jīng)獲得了評價指標(biāo)的權(quán)重分配，還需要確定隸屬度矩陣。使用FastText進(jìn)行屬性詞分類的同時，也將這些屬性詞所對應(yīng)的評論數(shù)據(jù)進(jìn)行了分類。由于好評與中評的邊界模糊，無法準(zhǔn)確區(qū)分，而評論的正負(fù)傾向有著明確的區(qū)分，因此本文對評論文本僅分為滿意與不滿意兩類。通過Bert預(yù)訓(xùn)練模型與正負(fù)訓(xùn)練語料集，對評論數(shù)據(jù)進(jìn)行極性判斷，得到積極評論數(shù)量與消極評論數(shù)量，歸一化之后作為隸屬度矩陣的元素，得到隸屬度矩陣

R=

將上述結(jié)果代入式(13)，歸一化后得到產(chǎn)品綜合評價向量B={0.915,0.085}。將用戶態(tài)度為滿意所對應(yīng)的元素根據(jù)量表映射為0到10的值域，最終評價得分為9.15分，根據(jù)滿意度量表，該結(jié)果表明用戶的該款電動牙刷的滿意度較高。

3.4 調(diào)研結(jié)果分析

為了驗(yàn)證本文所述方法得到的分析結(jié)果的可信度，通過對用戶進(jìn)行調(diào)研來獲得較為客觀的評價數(shù)據(jù)。調(diào)研采用在線問卷的形式進(jìn)行，為了確保問卷內(nèi)容的有效性，參考國內(nèi)外文獻(xiàn)進(jìn)行設(shè)計(jì)，并滿足分析對比的需求，最終形成本研究的調(diào)研問卷。

調(diào)研問卷包括用戶關(guān)注的產(chǎn)品屬性、關(guān)注這些屬性的原因以及用戶的情感態(tài)度3個部分。其中，第一部分的產(chǎn)品屬性確定來自于上述分析中獲取的產(chǎn)品屬性詞；第二部分的關(guān)注原因包括用戶對產(chǎn)品的使用體驗(yàn)、使用效果和使用壽命等因素，用于分析影響用戶做出選擇的主要因素；第三部分的用戶情感態(tài)度采用Likert五分量表進(jìn)行打分，從而獲得用戶對各屬性的情感態(tài)度。通過對這些調(diào)研數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，將其結(jié)果與本文的分析結(jié)果進(jìn)行對比，進(jìn)而驗(yàn)證分析結(jié)果的準(zhǔn)確性。

本次調(diào)研共收到215份調(diào)查結(jié)果，通過篩選，使用過該款電動牙刷或相近產(chǎn)品的結(jié)果為189份。根據(jù)數(shù)據(jù)統(tǒng)計(jì)分析，用戶關(guān)注的產(chǎn)品屬性比重如表5所示。

表5 各屬性滿意度表

從表5可以看出，消費(fèi)者最關(guān)注的指標(biāo)是“聲音”，其原因是電動牙刷相比普通牙刷會產(chǎn)生更大的聲音，成為影響體驗(yàn)的主要因素，該結(jié)果與調(diào)研結(jié)果中69%的用戶選擇的主要考慮因素為“使用體驗(yàn)”相符，同時也符合本文所述方法的分析結(jié)果。用戶的滿意度分析結(jié)果如表5所示，該結(jié)果與本文所述方法分析的結(jié)果差距小于5%，與本文分析結(jié)果相近，驗(yàn)證了本文提出的方法的可行性與可信度。

4 結(jié)束語

產(chǎn)品評價需要準(zhǔn)確反映出用戶對產(chǎn)品各方面的情感態(tài)度，而在線評論中包含了大量用戶的真實(shí)使用感受。本文在分析在線評論數(shù)據(jù)與產(chǎn)品評價方式的基礎(chǔ)上，提出一種將AHP與相互作用關(guān)系矩陣結(jié)合的方法，該方法通過引入對產(chǎn)品屬性間關(guān)聯(lián)關(guān)系的分析，解決評價指標(biāo)間的模糊性問題，最后以電動牙刷為例進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，從評論數(shù)據(jù)中可以挖掘出用戶關(guān)注的產(chǎn)品屬性，且通過文本構(gòu)建的改進(jìn)矩陣，在產(chǎn)品評價過程中綜合考慮了用戶觀點(diǎn)與屬性間的關(guān)聯(lián)關(guān)系，從而更加準(zhǔn)確地分析出各屬性的表現(xiàn)。因此本文所提方法可以為企業(yè)改善產(chǎn)品使用體驗(yàn)、進(jìn)行產(chǎn)品優(yōu)化升級提供支持。本文僅從用戶的評論中所提及的產(chǎn)品屬性詞中分析屬性間的關(guān)聯(lián)關(guān)系，存在一定的片面性，在后續(xù)的研究中，考慮將專利與評論兩種數(shù)據(jù)進(jìn)行融合，實(shí)現(xiàn)更加全面的關(guān)聯(lián)性分析。