摘 要：當(dāng)前，快節(jié)奏的生活方式使消費(fèi)者對(duì)預(yù)制菜的需求不斷上升。在線評(píng)論中蘊(yùn)含著消費(fèi)者的真實(shí)需求，已成為電商企業(yè)提升服務(wù)質(zhì)量與增加消費(fèi)者黏性的重要參考。本文對(duì)京東商城預(yù)制菜在線評(píng)論文本信息進(jìn)行數(shù)據(jù)挖掘，通過SnowNLP對(duì)在線評(píng)論數(shù)據(jù)進(jìn)行情感分析，并對(duì)得到的正負(fù)情感文本分別進(jìn)行LDA主題分析，得出預(yù)制菜的質(zhì)量、價(jià)格、物流、口味和售后為影響消費(fèi)者滿意度的關(guān)鍵因素?；诖?，本文從提升預(yù)制菜質(zhì)量、加大促銷力度、完善冷鏈物流服務(wù)、改善預(yù)制菜口味、加強(qiáng)售后溝通五個(gè)方面對(duì)預(yù)制菜電商提出對(duì)策建議，以供參考。

關(guān)鍵詞：在線評(píng)論；預(yù)制菜；情感分析；LDA模型；預(yù)制菜評(píng)價(jià)

中圖分類號(hào)：F126.1 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-0298（2024）11（a）--05

2023年中央一號(hào)文件首次提出要“培育發(fā)展預(yù)制菜產(chǎn)業(yè)”。2023年《輕工業(yè)穩(wěn)增長(zhǎng)工作方案（2023—2024年）》指出要“實(shí)施推動(dòng)食品工業(yè)預(yù)制化發(fā)展行動(dòng)方案，順應(yīng)方便快捷、營(yíng)養(yǎng)健康食品消費(fèi)需求，大力發(fā)展方便食品、自熱食品、米面制品、預(yù)加工菜肴等產(chǎn)品形態(tài)?！蔽覈?guó)預(yù)制菜產(chǎn)業(yè)發(fā)展迅速，其產(chǎn)業(yè)鏈涉及農(nóng)業(yè)生產(chǎn)、加工流通、餐飲服務(wù)、市場(chǎng)消費(fèi)等多環(huán)節(jié)。

《2023年中國(guó)預(yù)制菜產(chǎn)業(yè)發(fā)展白皮書》指出，2020年我國(guó)平均每個(gè)家庭人口為2.62人，二人家庭和單身家庭數(shù)量明顯增加。小型家庭的勞動(dòng)成本較高，推動(dòng)了一日三餐簡(jiǎn)單化和便捷化需求的增長(zhǎng)，進(jìn)而帶動(dòng)了預(yù)制菜消費(fèi)的熱潮。同時(shí)，經(jīng)濟(jì)的快速發(fā)展在提升人均可支配收入的同時(shí)，也擠壓了職場(chǎng)人的休閑時(shí)間?？旃?jié)奏的生活方式使職場(chǎng)人缺乏足夠的時(shí)間和精力準(zhǔn)備三餐，預(yù)制菜因此成為其重要選擇。

在線評(píng)論是消費(fèi)者購(gòu)物體驗(yàn)的真實(shí)反饋，挖掘其中的消費(fèi)者滿意度，對(duì)推動(dòng)預(yù)制菜電商的發(fā)展具有重要意義。在此背景下，本文挖掘消費(fèi)者在線評(píng)論數(shù)據(jù)，將SnowNLP情感分析與LDA主題模型相結(jié)合，從而識(shí)別影響消費(fèi)者對(duì)預(yù)制菜滿意度的關(guān)鍵因素，為預(yù)制菜電商提出改進(jìn)建議，從而提高消費(fèi)者滿意度，幫助預(yù)制菜電商產(chǎn)業(yè)發(fā)展。

1 相關(guān)文獻(xiàn)評(píng)述

預(yù)制菜是指以農(nóng)、畜、禽、水產(chǎn)品為主要原料，配以各類輔料，用現(xiàn)代化標(biāo)準(zhǔn)集中生產(chǎn)，經(jīng)預(yù)加工或預(yù)烹調(diào)制成，并進(jìn)行預(yù)包裝的成品或半成品菜肴，消費(fèi)者無(wú)需烹飪或只需簡(jiǎn)單烹飪即可食用[1]。按照其食用方便性和深加工程度可將預(yù)制菜分為即熱、即烹、即配、即食四大類[2]。國(guó)內(nèi)早期對(duì)預(yù)制菜的研究大多集中在預(yù)制菜的保鮮技術(shù)[3]和菜肴的工業(yè)化[4]。此后，大部分學(xué)者對(duì)預(yù)制菜的研究大多集中在對(duì)預(yù)制菜行業(yè)的現(xiàn)狀及發(fā)展趨勢(shì)[5]。

Feldman等（1995）最早提出文本挖掘概念，并將其用于研究非結(jié)構(gòu)化數(shù)據(jù)[6]。此后，學(xué)者嘗試將文本挖掘技術(shù)運(yùn)用在滿意度研究中。Lyu等（2020）對(duì)有機(jī)農(nóng)產(chǎn)品的在線評(píng)論文本進(jìn)行LDA主題分析，研究發(fā)現(xiàn)有機(jī)農(nóng)產(chǎn)品的包裝設(shè)計(jì)、營(yíng)養(yǎng)信息、食品質(zhì)量、配送風(fēng)險(xiǎn)、新鮮度是消費(fèi)者線上購(gòu)買有機(jī)農(nóng)產(chǎn)品的重要因素，產(chǎn)品的價(jià)格折扣和評(píng)論數(shù)量會(huì)影響消費(fèi)者滿意度[7]。Uatay等（2020）通過分析Naver博客文章的評(píng)論數(shù)據(jù)，通過從評(píng)論文本中提取出的產(chǎn)品、購(gòu)買、交付、使用和價(jià)格等關(guān)鍵詞預(yù)測(cè)客戶情緒和滿意度，結(jié)果發(fā)現(xiàn)這些關(guān)鍵詞對(duì)客戶滿意度均有正向影響[8]。

文本情感分析又稱意見挖掘，是指對(duì)帶有情感色彩的主觀性文本進(jìn)行分析，挖掘其中蘊(yùn)含的情感傾向，對(duì)情感態(tài)度進(jìn)行劃分[9]。目前，文本情感分析大多被學(xué)者們應(yīng)用于分析在線評(píng)論。馬鳳才等（2020）通過爬取京東商城水果、蔬菜、海鮮和肉類四類生鮮產(chǎn)品的在線評(píng)論，運(yùn)用word2vec構(gòu)建特征詞表，并結(jié)合TF-IDF方法計(jì)算特征權(quán)重，結(jié)果表明，消費(fèi)者對(duì)上述四類生鮮產(chǎn)品的服務(wù)和價(jià)格滿意度較高，對(duì)包裝的滿意度相對(duì)較低[10]。Wang等（2018）使用SnowNLP對(duì)洗衣機(jī)的在線評(píng)論進(jìn)行情感傾向識(shí)別，并建立回歸模型分析影響消費(fèi)者滿意度的商品屬性[11]。邱冬陽(yáng)等（2023）將SnowNLP情感分析和LDA主題模型結(jié)合，對(duì)雙十一期間天貓商城個(gè)護(hù)美妝商品的在線評(píng)論進(jìn)行挖掘，從而探究“雙十一”活動(dòng)及活動(dòng)前后的消費(fèi)者滿意度[12]。

綜上所述，雖然利用在線評(píng)論研究消費(fèi)者滿意度是當(dāng)下研究的熱點(diǎn)，近年來(lái)對(duì)預(yù)制菜的研究也不斷增多，但是研究大多集中在對(duì)預(yù)制菜行業(yè)的現(xiàn)狀及發(fā)展趨勢(shì)，對(duì)預(yù)制菜商品的滿意度研究較少。因此，本文通過文本挖掘技術(shù)、SnowNLP情感分析結(jié)合LDA主題模型對(duì)京東商城的預(yù)制菜商品評(píng)論數(shù)據(jù)進(jìn)行分析，探究消費(fèi)者對(duì)預(yù)制菜商品的滿意度情況，并為預(yù)制菜電商企業(yè)提供改進(jìn)建議。

2 理論基礎(chǔ)

2.1 消費(fèi)者滿意度相關(guān)理論

Cardozo等（1965）最早提出“消費(fèi)者滿意度”概念，該概念指出消費(fèi)者在購(gòu)買產(chǎn)品前會(huì)形成一定的期望水平，購(gòu)買后會(huì)通過他們的實(shí)際經(jīng)驗(yàn)來(lái)評(píng)價(jià)產(chǎn)品或服務(wù)的質(zhì)量和性能[13]。消費(fèi)者的滿意度是他們通過比較期望與實(shí)際經(jīng)驗(yàn)來(lái)形成的。如果實(shí)際經(jīng)驗(yàn)與期望相符或超過期望，消費(fèi)者就會(huì)感到滿意，并且可能產(chǎn)生回購(gòu)行為成為忠實(shí)顧客。反之，如果實(shí)際經(jīng)驗(yàn)低于期望，消費(fèi)者可能會(huì)感到失望和不滿意，甚至發(fā)表負(fù)面評(píng)價(jià)，對(duì)品牌造成損害。此后，Oliver等（1980）指出消費(fèi)者對(duì)產(chǎn)品或服務(wù)的滿意度是由其期望和感知之間進(jìn)行主觀比較的結(jié)果，即當(dāng)消費(fèi)者對(duì)產(chǎn)品或服務(wù)的期望與自身感知一致時(shí)，消費(fèi)者就會(huì)感知到滿意，反之則不滿意[14]。劉子寒等（2023）將消費(fèi)者滿意度視為消費(fèi)者對(duì)其購(gòu)買產(chǎn)品或服務(wù)體驗(yàn)的主觀評(píng)價(jià)，綜合考慮了認(rèn)知和情感兩方面，高滿意度能夠促使消費(fèi)者增加對(duì)特定網(wǎng)絡(luò)零售商的忠誠(chéng)度和黏性，降低轉(zhuǎn)向其他網(wǎng)絡(luò)零售商的可能性[15]。

2.2 LDA模型

Blei等（2003）提出了LDA（Latent Dirichlet Allocation）模型，該模型是一種基于Dirichlet分布的非監(jiān)督機(jī)器學(xué)習(xí)算法[16]。LDA模型是一種文檔主題生成模型，又被稱為三層貝葉斯概率模型，包含詞、主題和文檔三個(gè)層次。LDA將每篇文檔視為多個(gè)主題的組合，而每個(gè)主題又由多個(gè)詞構(gòu)成。其目標(biāo)是通過觀察文檔集合，推斷出每個(gè)文檔中的主題分布以及每個(gè)主題中詞的分布，從而了解文檔集合中主題的分布情況以及每個(gè)主題所代表的意義。

LDA模型常被用于評(píng)論文本、新聞文本等數(shù)據(jù)挖掘研究，從而探究消費(fèi)者滿意度，研究領(lǐng)域十分廣泛，包括生鮮農(nóng)產(chǎn)品[17]、旅游景區(qū)[18]、電子產(chǎn)品[19]等。

3 研究設(shè)計(jì)

3.1 數(shù)據(jù)的預(yù)處理

3.1.1 數(shù)據(jù)的采集

京東商城作為中國(guó)最大的綜合電商平臺(tái)，擁有數(shù)量可觀的評(píng)論數(shù)據(jù)，并且允許一定程度的數(shù)據(jù)爬取。本文選擇京東商城正大CP、海文銘、知味觀等預(yù)制菜店鋪的在線評(píng)論作為研究對(duì)象，并對(duì)店鋪中小酥肉、佛跳墻、宮保雞丁、魚香肉絲等預(yù)制菜商品使用八爪魚采集器進(jìn)行評(píng)論數(shù)據(jù)采集，爬取2021年9月28日至2024年2月8日的評(píng)論數(shù)據(jù)，共計(jì)25936條。

3.1.2 數(shù)據(jù)的清洗

在對(duì)文本數(shù)據(jù)進(jìn)行預(yù)處理時(shí)，需要把以下幾種情況的數(shù)據(jù)剔除：

（1）剔除重復(fù)評(píng)論。將評(píng)論文本內(nèi)容相同的評(píng)論數(shù)據(jù)剔除，只保留一條。

（2）剔除系統(tǒng)默認(rèn)評(píng)論。如果消費(fèi)者長(zhǎng)時(shí)間沒有評(píng)論，系統(tǒng)默認(rèn)會(huì)正面評(píng)論，如“此用戶未填寫評(píng)價(jià)內(nèi)容”和“該用戶覺得商品不錯(cuò)”等類似評(píng)論。

（3）剔除過短評(píng)論。評(píng)論數(shù)據(jù)過短含有的信息較少，所以本文去除了字符長(zhǎng)度小于5的數(shù)據(jù)。

（4）剔除無(wú)效評(píng)論。整條評(píng)論內(nèi)容全部為數(shù)字、字母或者符號(hào)的評(píng)論，例如“1”“aaa”“！?。　钡?。

經(jīng)過篩選后共獲得了20802條有效評(píng)論數(shù)據(jù)，這些數(shù)據(jù)將用于后續(xù)的分析研究。

3.1.3 文本分詞處理

中文分詞是文本處理中的基礎(chǔ)工作，本文采用jieba模塊對(duì)文本進(jìn)行分詞處理。在分詞的同時(shí)進(jìn)行去停用詞的步驟，這一步可以去除無(wú)實(shí)際意義的常見詞匯，提高分詞效率，本文采用哈工大停用詞庫(kù)，并通過迭代不斷優(yōu)化分詞結(jié)果。分詞過程中出現(xiàn)的高頻新詞，需要加入自定義詞庫(kù)以提高分詞效果。本文針對(duì)預(yù)制菜商品評(píng)論，添加了品牌名稱和口語(yǔ)化詞匯到自定義詞庫(kù)中。經(jīng)過多次迭代和詞庫(kù)更新，最終得到了準(zhǔn)確的分詞結(jié)果，部分分詞結(jié)果如表1所示。

3.2 情感分析

3.2.1 SnowNLP情感分析

機(jī)器學(xué)習(xí)的情感分析有多種方法，本文采用的是SnowNLP模型，其依托的底層模型為樸素貝葉斯。在實(shí)際使用SnowNLP模型的過程中，需要根據(jù)研究情況，重新訓(xùn)練模型。首先將采集到的部分評(píng)論數(shù)據(jù)人工進(jìn)行情感傾向標(biāo)注，對(duì)該模型進(jìn)行學(xué)習(xí)訓(xùn)練。然后對(duì)訓(xùn)練好的模型進(jìn)行準(zhǔn)確率的測(cè)試。在模型通過學(xué)習(xí)測(cè)試后，再進(jìn)行整體文本數(shù)據(jù)的情感分析。

本文將小于0.5的情感得分設(shè)定為消極情感、大于等于0.5的情感得分設(shè)定為積極情感。然后將預(yù)處理好的文本數(shù)據(jù)放入SnowNLP模型中進(jìn)行分析打分，最終得到16035條積極文本、4767條消極文本。

3.2.2 文本詞頻分析

本文對(duì)情感分析后的積極和消極評(píng)論文本分別進(jìn)行詞頻統(tǒng)計(jì)，并按照詞語(yǔ)出現(xiàn)頻率從高到低排序。選取頻率最高的前20個(gè)詞進(jìn)行分析，并制作詞云圖，以更直觀地展示數(shù)據(jù)分析結(jié)果。如圖1所示，其中左側(cè)為積極評(píng)論文本詞云圖，右側(cè)為消極評(píng)論文本詞云圖。詞云圖中詞語(yǔ)的字體大小與其詞頻成正比，詞頻越高，字體越大；詞頻越低，字體越小。

由圖1可以看出，積極和消極詞云圖中都出現(xiàn)了“味道”，以及一些對(duì)于預(yù)制菜味道的描述，比如“好吃”“難吃”“口味”“口感”等，說明消費(fèi)者對(duì)預(yù)制菜的味道關(guān)注度較高?！拔锪鳌薄翱爝f”等詞說明消費(fèi)者對(duì)預(yù)制菜的物流較為關(guān)注，由于預(yù)制菜屬于生鮮農(nóng)產(chǎn)品，消費(fèi)者對(duì)預(yù)制菜冷鏈物流要求較高?！鞍b”和“質(zhì)量”在兩個(gè)詞云圖中同時(shí)出現(xiàn)，說明預(yù)制菜包裝標(biāo)準(zhǔn)不一致，部分消費(fèi)者對(duì)預(yù)制菜的包裝感到不滿，預(yù)制菜商品質(zhì)量也參差不齊。“服務(wù)態(tài)度”“商家”說明消費(fèi)者對(duì)預(yù)制菜的售后服務(wù)也較為關(guān)注。“價(jià)格”“便宜”“不值”等與價(jià)格有關(guān)的詞匯也在兩個(gè)詞云圖中同時(shí)出現(xiàn)，說明消費(fèi)者對(duì)預(yù)制菜的定價(jià)看法各不相同。

3.3 消費(fèi)者滿意度影響因素分析

3.3.1 確定LDA模型主題數(shù)量

本文利用LDA模型對(duì)情感分析后的積極評(píng)論文本和消極評(píng)論文本分別進(jìn)行主題分析。目前常見確定主題的方式是基于困惑度或一致性[20]，由于困惑度過于依賴概率和詞頻，沒有考慮到詞匯在評(píng)論文本中上下文的聯(lián)系，所以本文選擇一致性來(lái)確定用戶評(píng)論集的最佳主題數(shù)量[21]。一致性評(píng)分是由詞匯的共現(xiàn)頻率來(lái)計(jì)算的，評(píng)分越高說明獲取的主題數(shù)量更合適。本文基于gensim框架搭建主題模型，獲得在當(dāng)前主題數(shù)量下的一致性評(píng)分。結(jié)果顯示積極評(píng)論文本的最佳主題數(shù)量為5；消極評(píng)論文本的最佳主題數(shù)量為4時(shí)會(huì)取得較好的結(jié)果。

3.3.2 LDA主題分析

為了使最終的聚類效果可以更加直觀的展示出來(lái)，本文需要對(duì)主題聚類結(jié)果進(jìn)行可視化分析。主要利用pyLDAvis模塊，然后結(jié)合gensim庫(kù)，對(duì)提取主題后的結(jié)果進(jìn)行可視化，圖2為積極評(píng)論文本的可視化結(jié)果。

圖2左邊的圓圈表示不同的主題，圓心間的距離代表主題間的相似程度，圓圈的大小代表該主題在整個(gè)文本中所占的比例，越大代表整個(gè)主題在整個(gè)文本中的核心程度越高。圖2右邊的直方圖表示每個(gè)主題所對(duì)應(yīng)的文本數(shù)據(jù)中的關(guān)鍵詞。

LDA模型在抽取文檔中的主題及其對(duì)應(yīng)的關(guān)鍵詞方面具有高效的能力。但由于LDA是一種無(wú)監(jiān)督的機(jī)器學(xué)習(xí)算法，在建模后會(huì)出現(xiàn)一些主題中提取的關(guān)鍵詞沒有實(shí)際含義的情況，這些詞語(yǔ)對(duì)研究結(jié)果造成干擾。此外，針對(duì)電商消費(fèi)者評(píng)論文本的相似度高和部分主題關(guān)鍵詞劃分不明確的問題，需要進(jìn)一步的數(shù)據(jù)處理。為了解決以上問題，對(duì)每個(gè)主題的主題詞進(jìn)行分析，過濾掉那些沒有準(zhǔn)確含義的詞語(yǔ)。提取每個(gè)主題中10個(gè)具有具體內(nèi)容分類的關(guān)鍵詞，這樣的處理有助于提高主題識(shí)別的準(zhǔn)確性和可解釋性。

通過表2可以發(fā)現(xiàn)：主題1中出現(xiàn)的詞語(yǔ)有“快遞”“物流”“冷鏈”等，說明消費(fèi)者對(duì)物流的運(yùn)輸方式比較關(guān)注。預(yù)制菜具有易變質(zhì)的特點(diǎn)，高效的物流服務(wù)和冷鏈運(yùn)輸環(huán)境可以保持其新鮮度和品質(zhì)。主題2中“客服”“商家”“服務(wù)態(tài)度”等詞說明消費(fèi)者對(duì)預(yù)制菜的售后服務(wù)比較在意。專業(yè)的售后可以為消費(fèi)者提供商品信息、解答疑問，從而輔助消費(fèi)者做出購(gòu)買決策。主題3中“品質(zhì)”“質(zhì)量”“新鮮”等詞說明消費(fèi)者對(duì)預(yù)制菜的質(zhì)量有著很高的要求，且大部分消費(fèi)者收到的預(yù)制菜都能保證其新鮮度。主題4中“味道”“好吃”“口感”等詞都屬于消費(fèi)者的主觀感受，說明消費(fèi)者對(duì)預(yù)制菜的味道比較關(guān)注，并且大部分消費(fèi)者給出的評(píng)價(jià)都是“美味”。主題5中“價(jià)格”“便宜”“劃算”等詞可以看出消費(fèi)者對(duì)預(yù)制菜的價(jià)格比較滿意，“活動(dòng)”一詞的出現(xiàn)表明折扣、促銷等方式可以吸引到消費(fèi)者的注意力，促使消費(fèi)者完成購(gòu)買行為。綜上所述，預(yù)制菜的物流、售后、質(zhì)量、口味和價(jià)格這五個(gè)因素都是影響消費(fèi)者滿意度的關(guān)鍵。

通過表3可以發(fā)現(xiàn)：主題1中“客服”“商家”“解決”等詞說明消費(fèi)者對(duì)于預(yù)制菜的售后服務(wù)方面不是十分滿意，部分消費(fèi)者的問題沒有被商家妥善解決。主題2中“難吃”“味道”“不好吃”等詞說明部分消費(fèi)者對(duì)預(yù)制菜的味道不滿意，“價(jià)格”“上當(dāng)”等詞說明消費(fèi)者認(rèn)為預(yù)制菜的定價(jià)不合理。主題3中“臭味”“變質(zhì)”“拉肚子”等詞說明部分消費(fèi)者對(duì)預(yù)制菜的質(zhì)量不滿意，“快遞”一詞說明預(yù)制菜的質(zhì)量問題與物流配送有關(guān)。主題4中“包裝”“冰袋”“快遞”說明預(yù)制菜的商品包裝標(biāo)準(zhǔn)參差不齊，且部分消費(fèi)者認(rèn)為預(yù)制菜的冷鏈物流差勁。

4 結(jié)語(yǔ)

本文對(duì)京東商城預(yù)制菜的在線評(píng)論進(jìn)行情感和主題分析，結(jié)果表明質(zhì)量、價(jià)格、物流、口味和售后影響消費(fèi)者的滿意度，并提出如下建議：

（1）提升預(yù)制菜質(zhì)量，加強(qiáng)生產(chǎn)過程管控。建立嚴(yán)格的原材料采購(gòu)標(biāo)準(zhǔn)，加強(qiáng)對(duì)生產(chǎn)過程的管控和監(jiān)督，確保生產(chǎn)操作符合衛(wèi)生標(biāo)準(zhǔn)和食品安全規(guī)定。建立完善的質(zhì)量檢驗(yàn)和抽檢制度，對(duì)生產(chǎn)過程中的關(guān)鍵環(huán)節(jié)和成品進(jìn)行全面檢測(cè)和抽樣檢驗(yàn)，減少不合格的預(yù)制菜商品流入市場(chǎng)。

（2）引入優(yōu)惠政策，加大促銷力度。電商企業(yè)一方面可以通過促銷活動(dòng)、推廣優(yōu)惠等，吸引消費(fèi)者購(gòu)買，同時(shí)可以考慮與支付平臺(tái)合作，提供特定支付方式的優(yōu)惠。另一方面，可以通過宣傳預(yù)制菜產(chǎn)品的優(yōu)勢(shì)和附加值，從而降低消費(fèi)者對(duì)于預(yù)制菜價(jià)格偏高的認(rèn)知，使其更加愿意接受預(yù)制菜產(chǎn)品的價(jià)格。

（3）完善冷鏈物流服務(wù)、強(qiáng)化包裝保護(hù)功能。對(duì)冷鏈物流設(shè)定嚴(yán)格的溫度控制標(biāo)準(zhǔn)，確保整個(gè)運(yùn)輸過程中預(yù)制菜的溫度保持在安全的范圍內(nèi)。使用具有良好保護(hù)功能的包裝，能夠有效隔絕外界環(huán)境對(duì)預(yù)制菜的影響，如保持溫度穩(wěn)定、防止擠壓和碰撞等。

（4）改進(jìn)預(yù)制菜口味，提升消費(fèi)者體驗(yàn)。不斷優(yōu)化配方和加工工藝，改進(jìn)預(yù)制菜的口味，使其更符合消費(fèi)者的口味偏好。此外，可以借鑒消費(fèi)者反饋和市場(chǎng)需求，不斷改進(jìn)口味，推出符合市場(chǎng)趨勢(shì)和消費(fèi)者口味的新品種新口味。

（5）加強(qiáng)售后溝通，積極收集消費(fèi)者反饋。提供全天候的客戶服務(wù)，確保消費(fèi)者可以隨時(shí)聯(lián)系到客服，以便及時(shí)處理消費(fèi)者的咨詢、投訴和售后問題。積極收集消費(fèi)者的意見和反饋，包括商品質(zhì)量、物流服務(wù)和售后等方面。

參考文獻(xiàn)

趙超凡，陳樹俊，李文兵，等.預(yù)制菜產(chǎn)業(yè)發(fā)展問題分析[J].現(xiàn)代食品科技，2023，39（2）：104-109.

曾耀銳，鄒玉潔，盧賢鈿.供應(yīng)鏈視角下“宅經(jīng)濟(jì)”預(yù)制菜發(fā)展現(xiàn)狀及前景分析[J].中國(guó)儲(chǔ)運(yùn)，2022（11）：189-190.

劉琳，張德權(quán)，賀稚非.調(diào)理肉制品保鮮技術(shù)研究進(jìn)展[J].肉類研究，2008（5）：3-9.

李滿雄，李水紅，熊巍，等.淡水魚預(yù)制菜加工技術(shù)研究進(jìn)展[J].食品安全導(dǎo)刊，2021（34）：128-130.

安俊文，方梓鎣，高希西，等.我國(guó)預(yù)制菜產(chǎn)業(yè)的發(fā)展現(xiàn)狀、影響因素及發(fā)展趨勢(shì)[J].食品與發(fā)酵工業(yè)，2024，50（5）：388-394.

Feldman R.， Dagan I. Knowledge Discovery in Textual Databases （KDT）[C]//KDD. 1995， 95： 112-117.

Lyu F， Choi J. The forecasting sales volume and satisfaction of organic products through text mining on web customer reviews[J].Sustainability， 2020， 12（11）： 4383.

Uatay G.， Cho D. S.， Lee H. Y. Gaging customer response to dawn delivery service using social big data[J].Culinary Science & Hospitality Research， 2020， 26（2）： 1-9.

王婷，楊文忠.文本情感分析方法研究綜述[J].計(jì)算機(jī)工程與應(yīng)用，2021，57（12）：11-24.

馬鳳才，李春月.消費(fèi)者對(duì)電子商務(wù)平臺(tái)銷售生鮮產(chǎn)品滿意度測(cè)算研究： 基于京東生鮮在線評(píng)論的分析[J].價(jià)格理論與實(shí)踐，2020（5）：117-120.

Wang Y.， Lu X.， Tan Y. Impact of product attributes on customer satisfaction： An analysis of online reviews for washing machines[J].Electronic Commerce Research and Applications， 2018， 29： 1-11.

邱冬陽(yáng)，繪嫻.雙十一活動(dòng)消費(fèi)者滿意度研究： 基于天貓個(gè)護(hù)美妝類產(chǎn)品文本挖掘[J].重慶郵電大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2023，35（2）：131-145.

Cardozo R. N. An experimental study of customer effort， expectation， and satisfaction[J].Journal of marketing research， 1965， 2（3）： 244-249.

Oliver R. L. A cognitive model of the antecedents and consequences of satisfaction decisions[J].Journal of marketing research， 1980， 17（4）： 460-469.

劉子寒，符少玲.消費(fèi)者滿意度綜述[J].商業(yè)經(jīng)濟(jì)研究，2023（23）：61-64.

Blei D. M.， Ng A. Y.， Jordan M. I. Latent dirichlet allocation[J].Journal of machine Learning research， 2003， 3（1）： 993-1022.

馮坤，楊強(qiáng)，常馨怡，等.基于在線評(píng)論和隨機(jī)占優(yōu)準(zhǔn)則的生鮮電商顧客滿意度測(cè)評(píng)[J].中國(guó)管理科學(xué)，2021，29（2）：205-216.

張怡，裘鴻菲.基于LDA主題模型的湖泊公園生態(tài)系統(tǒng)文化服務(wù)公眾感知研究[J].中國(guó)園林，2023，39（7）：121-126.

吳江，周露莎，劉冠君，等.基于LDA的可穿戴設(shè)備在線評(píng)論主題挖掘研究[J].信息資源管理學(xué)報(bào)，2017，7（3）：24-33.

Mimno D.， Wallach H.， Talley E.， et al. Optimizing semantic coherence in topic models[C]//Proceedings of the 2011 conference on empirical methods in natural language processing. 2011： 262-272.

Xie T.， Qin P.， Zhu L. Study on the topic mining and dynamic visualization in view of LDA model[J].Modern Applied Science， 2018， 13（1）： 204.