摘要：【目的】通過對用戶在線評論數據進行分析，幫助企業(yè)準確識別并深入理解用戶需求。【方法】構建了基于在線評論和量化Kano模型的用戶需求識別方法，首先運用LDA模型對用戶在線評論進行主題聚類，然后分別利用BosonNLP和文本挖掘技術計算用戶滿意度和用戶關注度指標，最后基于這2個指標構建量化Kano模型實現(xiàn)對用戶不同需求的識別與分類。【結果】以小米社區(qū)為案例進行實驗。結果表明，用戶在不同產品屬性的關注度和滿意度上存在顯著差異，屏幕大小和應用生態(tài)兼容性屬于必備型需求，電池續(xù)航屬于魅力型需求，系統(tǒng)流暢屬于期望型需求，拍照清晰度和外觀顏色屬于無差異型需求?！窘Y論】本方法突破了傳統(tǒng)調研主觀性較強的局限，為企業(yè)提升用戶滿意度和優(yōu)化資源配置提供了數據驅動的決策依據。

關鍵詞：在線評論；用戶需求；LDA模型；Kano模型

DOI編碼：10.3969/j.issn.1674-5698.2025.06.006

0引言

隨著市場競爭的日益激烈和消費者需求的不斷升級，企業(yè)必須轉變傳統(tǒng)的產品導向思維，轉而以客戶為中心，深入了解消費者的真實需求?；ヂ?lián)網和信息技術的不斷發(fā)展，使在線評論成為企業(yè)了解消費者訴求的重要途徑[1]。這些評論不僅包含了用戶對產品的直觀評價，還反映了用戶的實際需求和期望。然而，面對在線社區(qū)海量用戶數據，企業(yè)在用戶需求的挖掘、識別與轉化過程中面臨多重挑戰(zhàn)。例如，傳統(tǒng)需求提取方法（如問卷調查、焦點小組等）受限于樣本規(guī)模小、主觀性強等因素，難以有效捕捉評論中潛在的用戶需求信息[2-3]。此外，隨著市場環(huán)境的快速變化，用戶需求日益呈現(xiàn)個性化、多樣化的特征，進一步加劇了需求識別的復雜度，從而限制了企業(yè)對用戶需求的全面理解與高效轉化。因此，如何基于在線評論挖掘并識別用戶潛在需求，從而提升用戶滿意度和忠誠度，增強企業(yè)競爭力成為企業(yè)亟待解決的重要問題。

現(xiàn)有用戶需求識別研究中，基于Kano模型的需求分類方法得到了廣泛地應用[4-6]。Kano模型能夠將用戶需求劃分為不同類別，從而幫助企業(yè)和組織更好地理解用戶期望、優(yōu)化產品和服務。然而，傳統(tǒng)Kano模型因依賴問卷調查而存在主觀性較強、假設條件較多的局限性。面對海量的在線評論數據，傳統(tǒng)方法難以有效處理非結構化文本信息和準確識別用戶需求。針對這一問題，既有研究嘗試將Kano模型與情感分析、主題模型和文本挖掘等技術結合，從在線評論中提取結構化需求信息。例如，李賀等[7]運用主題模型對在線評論展開聚類分析，以此挖掘產品特征。在此基礎上，他們借助Kano模型設計調查問卷，有效識別出了用戶需求要素。王軍等[8]以用戶在線評論為基礎，利用模糊Kano模型對需求文本進行分類，再結合逼近理想解排序法（TOPSIS）對魅力型需求指標重要度進行優(yōu)先級排序，從而得到合理的設計依據。盡管Kano模型能夠從在線評論中有效獲取用戶需求信息，但上述研究本質上是基于Kano問卷的假設，即能夠獲取用戶在缺少某產品屬性時的滿意度水平。然而在實際應用中，由于用戶對產品的需求和期望是動態(tài)且復雜的，研究者很難直接獲取用戶在完全缺失某產品屬性時的真實滿意度水平。

鑒于此，為了突破傳統(tǒng)Kano模型依賴假設的局限性，本文提出一種基于在線評論和量化Kano模型的用戶需求識別方法。首先，利用隱含狄利克雷分布（LatentDirichletAllocation，LDA）模型對用戶評論進行聚類，提取需求維度；其次，基于BosonNLP深度學習模型的情感分析方法，通過其特有的領域自適應能力和語義理解優(yōu)勢，提升情感分析中用戶滿意度估計的準確性，通過用戶滿意度和需求關注度2個指標構建Kano模型，實現(xiàn)Kano模型的量化；最后，將該方法運用于小米社區(qū)手機產品的用戶需求的識別中，實現(xiàn)對必備型、期望型、魅力型和無差異型用戶需求的分類和理解。通過該方法的應用，以期幫助企業(yè)制定優(yōu)先順序，從而合理分配資源，優(yōu)化產品和服務，增強市場競爭力，推動持續(xù)創(chuàng)新。

1Kano模型相關研究

Kano模型[9]是日本著名質量管理專家狩野紀昭（NoriakiKano）于1984年建立的產品質量特性滿足狀況與用戶滿意程度的雙維度認知模型。Kano模型是一種對用戶需求分類和優(yōu)先排序的工具，以分析用戶需求對用戶滿意的影響為基礎，體現(xiàn)了產品性能與用戶滿意之間的非線性關系[10]。Kano模型通過探究用戶需求與滿意度之間的關系能夠實現(xiàn)對用戶需求的分類。如圖1所示，Kano模型將需求劃分為5類，分別是期望型需求、魅力型需求、必備型需求、無差異型需求和反向型需求。

利用Kano模型進行用戶需求識別的過程需要結合問卷調查的方法來實現(xiàn)。首先，通過針對每個功能點設計正向和負向2個問題。正向問題測量的是提供某屬性時用戶的滿意程度，負向問題測量的是不提供某屬性時用戶產生的不滿。問卷中一般采用5級選項，按照喜歡、理應如此、無所謂、勉強接受、不喜歡進行評價。其次，收集用戶對各個功能點的評價，并將用戶的回答按照Kano模型的分類標準進行編碼，根據Kano模型評價結果分類對照表判斷需求類別，如表1所示。最后，基于表1給出的評價結果分類對照表，結合式（1）和式（2）計算出Better-Worse系數，用于表示某屬性能夠增加滿意或者消除不滿意的程度，確定各屬性的優(yōu)先級。Better-Worse系數計算公式如下：

Better（SI）=（A+O）/（A+O+M+I）（1）

Worse（DSI）=-（O+M）/（A+O+M+I）（2）

式中：A、O、M、I分別代表魅力型需求、期望型需求、必備型需求和無差異型需求的數量占比；Better系數代表增加后的滿意系數，Better值越大表示對用戶滿意的影響越大；Worse系數代表消除后的不滿意系數，其數值通常為負，Worse值越接近-1，表明對用戶不滿意造成的影響最大。根據Better-Worse系數，可以將各個需求分為4個象限進行分析，Better-Worse系數分析如圖2所示。

Kano模型常用于識別用戶需求屬性，能夠幫助團隊更深入地了解用戶需求，找出影響用戶滿意度的最核心需求要素。例如，熊回香等[11]利用Kano模型設計調查問卷對健康網站進行用戶需求獲取與分析，采用Better-Worse系數分析法進行用戶需求關鍵信息服務質量要素提取。譚春輝等[12]通過設計Kano問卷，分別采用Kano模型歸類、混合類分析和Better-Worse系數分析，實現(xiàn)對用戶需求類型的界定。Kano模型適用范圍廣泛，能夠幫助企業(yè)更好地管理和解決用戶需求的沖突。然而，傳統(tǒng)Kano模型由于依賴問卷而對調查設計要求高，并且在一定程度上存在主觀性缺陷[13]。隨著互聯(lián)網和社交媒體的普及，在線評論作為一種新興的用戶反饋形式，已經成為企業(yè)了解用戶需求、獲取產品設計創(chuàng)意和提升產品質量的重要數據來源[14]。

為突破傳統(tǒng)Kano模型問卷調查方法在數據規(guī)模和主觀性方面的局限性，近年來，學者們開始探索將海量在線評論文本數據與經典Kano模型相融合的創(chuàng)新方法，為用戶需求的識別與分類提供新的可能性。例如，Bi等[15]提出一種基于集成神經網絡和基于效果的Kano模型的在線評論數據挖掘方法，通過支持向量機（SVM）對用戶需求進行情感分析，在此基礎上利用Kano模型將用戶需求劃分為不同類別。王克勤等[16]提出基于在線評論挖掘的用戶需求識別與演化分析模型，將SnowNLP模型、Kano模型與LDA模型相結合，為用戶需求分析與預測以及后續(xù)的產品改進研究提供參考價值。

綜上所述，基于在線評論與Kano模型的融合方法已經在用戶需求識別領域取得顯著進展。這一方法不僅通過自然語言處理技術實現(xiàn)了非結構化評論文本向結構化需求特征的轉換，還突破了傳統(tǒng)Kano模型的主觀假設，使需求識別過程具備數據規(guī)模性與客觀性。然而，現(xiàn)有研究對用戶情感的測量仍存在一定局限性。例如，傳統(tǒng)情感詞典方法難以適應動態(tài)變化的網絡表達。網絡用語不斷涌現(xiàn)，情感詞典需要不斷更新擴展以提高分類的準確率[17]。而機器學習模型通常需要大量標注數據來訓練與評估，導致其過度依賴特定領域或標注者的主觀判斷，限制其在其他領域或不同群體中的泛化能力[18]。這些弊端可能降低用戶情感分析的準確性，從而影響結果的可靠性。因此，本文基于BosonNLP構建情感分析模型，結合其基于大規(guī)模語料訓練的語義理解能力，以提升情感分類的準確性和適應性。同時借助BosonNLP的領域自適應調整進一步優(yōu)化情感詞典和特征權重，彌補現(xiàn)有研究在用戶情感分析方面的不足，使情感分析結果更為細致精準，為構建數據驅動的用戶需求識別提供方法論支撐。

2研究方法

本文提出基于在線評論和量化Kano模型的用戶需求識別方法。首先，利用LDA模型從非結構化文本中發(fā)現(xiàn)潛在主題，初步提取2類用戶的需求；其次，構建用戶滿意度與用戶關注度2個指標為用戶需求分析提供基礎；最后，利用量化Kano模型實現(xiàn)對用戶需求分類。

2.1LDA主題模型

主題模型是一種無監(jiān)督學習方法，能夠從大量文本數據中識別出潛在的主題結構。該模型認為：1篇文檔的生成需要通過一定的概率選取某個主題，并在該主題下以一定的概率選取某個詞匯，進而生成該文檔的第1個詞，不斷重復這個過程就生成了整篇文章。在某篇文檔中，每個詞匯出現(xiàn)概率的計算公式如下：

在現(xiàn)有的主題模型中，Blei[19]于2003年提出的LDA模型因在處理大規(guī)模文本數據上的優(yōu)勢，成為文本主題識別的首選方法之一。LDA模型在PLSA的基礎上加入了Dirichlet先驗分布，是1種無監(jiān)督的三層貝葉斯概率模型，能夠有效地識別和提取文本中的主題信息，其結構如圖3所示。

LDA模型的生成過程主要包含以下兩步：

（1）根據Dirichlet先驗參數α和β，分別生成每個文檔的主題分布θm和每個主題的詞匯分布φk；

（2）對于各文檔中的每個詞匯，先從文檔的主題分布θm中選擇1個主題Zm，n，再從該主題的詞匯分布φk中選擇1個詞Wm，n。通過上述過程的不斷迭代直至遍歷文檔中的每一個詞，可以學習到文檔集中的主題結構和每個主題的詞匯分布，從而實現(xiàn)對文本數據的語義分析和主題建模。LDA模型的基本實現(xiàn)過程如圖4所示。

圖4中，α和β分別為“文檔-主題”和“主題-詞匯”分布的Dirichlet先驗參數，是基于經驗給出的。θm為第m個文檔中各個主題的概率分布，φk為第k個主題下各詞匯的概率分布，Zm，n為第m個文檔中第n個詞匯Wm，n的主題，Nm為第m個文檔中詞的數量，M為文檔數，K為主題數。

2.2量化Kano模型

假設P為產品屬性集合，定義為P={1，2，…，n}；Q為用戶評論集合，定義為Q={1，2，…，m}。用戶滿意度Si為用戶對第i個產品屬性的平均情感度值，Qi為用戶對第i個產品屬性的評論總數。Si計算公式為：

式中：Sij為第i條評論中對第j個產品屬性的情感度值，j=1，2，…，m；Si為用戶對不同產品屬性的整體滿意程度，值越大說明第i個屬性上用戶的整體滿意度高，反之，用戶對第i個產品屬性上整體滿意度低。

本文使用BosonNLP對用戶的在線評論進行情感分析。BosonNLP是1個專門為社交媒體情感分析設計的詞庫，其基于深度學習技術構建，擁有強大的語言理解能力和高效的運算性能，特別適合大規(guī)模文本數據的處理[20]。同時，該詞庫來源于社交媒體文本，經過精心整理和標注，適用于處理基于在線評論的情感分析任務。因此，本文基于BosonNLP構建情感分析模型來計算用戶的情感度，情感分析過程如圖5所示。

從圖5的情感分析過程可知，本文將用戶評論數據轉化為用戶的情感度值。當情感度值大于0時，表明用戶具有正向情感；反之，用戶具有負向情感。用戶對于產品屬性的改進需求不僅依賴于用戶的情感傾向和滿意程度，還應考慮用戶對屬性的關注度[21]。在線社區(qū)中，用戶對產品屬性評論數量的多少可用來反映其對該屬性的關注程度，提及屬性的頻次越高，用戶關注度越高。由此，本文構建關注度指標Gi，計算公式為：

式中：QA為評論總數。通過計算用戶對第i個產品屬性的評論數量占評論總數的比例，可以了解該產品屬性在用戶中的受關注水平。

基于此，本文引入用戶滿意度指標和用戶關注度指標構建量化Kano模型，通過對這2個指標的量化分析能夠實現(xiàn)對用戶需求的分類，分類結果如表2所示。

（1）必備型需求（M），用戶滿意度高且關注度高。用戶認為這類屬性是產品必須具備的基本功能，構成了滿意度的基礎，因此其滿意度一般較高，通常高于產品屬性的平均滿意度。這類屬性的用戶滿意度提升空間有限，但如果這類屬性缺失或表現(xiàn)不佳，用戶的滿意度會急劇下降。而即便這些需求得到滿足，用戶滿意度也不會顯著提高。同時，產品的必備屬性也是用戶關注的焦點，往往會被大多數用戶提及。

（2）期望型需求（O），用戶關注度高但滿意度低。用戶對這類屬性抱有較高期待，所以具有較高的關注度，但現(xiàn)有產品未能達到用戶內心預期，導致其滿意度低于平均水平。用戶對此類屬性的滿意狀況與需求的滿足程度線性相關。企業(yè)提供產品的這類屬性實施得越好，用戶就越滿意；反之，若這些需求未被滿足，則會導致滿意度下降。

（3）魅力型需求（A），用戶滿意度高但關注度低。魅力屬性是令用戶超出預期、意想不到的功能，其存在與否對用戶滿意度的影響呈現(xiàn)出顯著的不對稱性。滿足此類需求能夠激發(fā)用戶強烈的情感滿足感和對產品的積極情緒，但不提供此需求，用戶滿意度也不會顯著下降。這類屬性往往給用戶帶來出乎意料的驚喜，但因為其并非用戶主動關注的重點，因此被提及的次數較少。

（4）無差異型需求（I），用戶滿意度和關注度均較低。這類產品屬性對用戶滿意度幾乎沒有影響，用戶對此類屬性的存在感到無關緊要。雖然這類屬性在理論上存在一定的滿意度提升空間，但由于用戶本身并不特別在意，因此優(yōu)化這類屬性對整體用戶滿意度的提升作用有限。至此，本文構建了基于用戶在線評論的量化Kano模型，通過計算用戶滿意度與用戶關注度能夠實現(xiàn)對不同用戶需求的分類和分析。

3基于小米社區(qū)的用戶需求識別研究

小米社區(qū)是小米公司推出的一個在線社區(qū)平臺，旨在為用戶提供一個交流、分享和學習的平臺，于2011年8月1日正式對外上線，目前有注冊用戶超過3000萬人。小米社區(qū)包括多個板塊，涵蓋小米產品的使用、維修、購買等方面的內容，同時也包括了用戶交流、分享心得、提出問題等方面的內容。小米公司通過每天、每周、每月面向社區(qū)中不同的用戶群體迭代不同MIUI系統(tǒng)版本的形式，獲取大量用戶需求、反饋和建議等信息，提升其產品迭代創(chuàng)新的速度[22]。作為一個在線社區(qū)，小米社區(qū)不僅為用戶提供了一個交流和學習的平臺，同時也為小米公司提供了一個與用戶溝通和互動的渠道，從而更好地了解用戶需求和反饋。本文以小米社區(qū)為例，對提出的用戶需求識別方法和框架進行驗證。

3.1數據挖掘情況

采用網絡爬蟲技術，系統(tǒng)采集小米社區(qū)各產品板塊的用戶評論數據，數據采集時間跨度為2024年1月至2024年12月。在數據預處理階段，首先對原始數據進行為期2個月的觀察與分析，隨后剔除無效用戶發(fā)布的評論內容，并過濾廣告等非實質性評論信息。經過上述數據清洗過程，最終獲得有效評論樣本6246條。本文收集的用戶在線評論數據如表3所示。

3.2基于LDA模型的主題聚類

根據2.1節(jié)中LDA主題建模方法，對收集到的6246條手機產品用戶評論數據進行主題聚類，提取每個主題最具有代表性的10個詞。聚類結果及每個主題下的關鍵詞如表4所示。

由表4主題聚類分析結果中的“主題-關鍵詞”矩陣可知，用戶需求主要被分為6類。主題1的關鍵詞為折疊、直屏、技術、屏幕等，主要表達了消費者對于屏幕的需求。主題2的關鍵詞為系統(tǒng)、開源、支持、功能、內測等，主要表達了消費者對于手機性能和操作系統(tǒng)的需求。主題3的關鍵詞為玩游戲、輕薄、追劇、視頻等，主要表達了消費者對豐富的應用程序生態(tài)系統(tǒng)的期望。主題4的關鍵詞為電池、續(xù)航等，主要表達了用戶對電池壽命的需求。主題5的關鍵詞為顏色、手感、時尚等，主要反映了用戶對外觀的需求。主題6的關鍵詞為拍、徠卡等，主要表達了用戶對手機相機和拍攝的需求。

根據上述主題聚類的結果，不僅可以快速了解用戶評論文本數據的整體結構，還能夠直觀地理解每個主題所關注的具體內容，幫助深入了解不同用戶的具體關注點，從而制定更個性化的產品策略。

3.3基于量化Kano模型的用戶需求分類

（1）為了更準確地識別用戶需求，根據小米社區(qū)中給出的產品屬性相關信息，結合表4中的主題關鍵詞進行歸類。然后提取出用戶在使用時經常感知到對6類產品屬性上的需求：屏幕大小、系統(tǒng)流暢、拍照清晰度、電池續(xù)航、外觀顏色、應用生態(tài)兼容性。用戶需求及表述詞如表5所示。

（2）借助Python中的jieba工具處理6246條用戶在線評論數據。經過分詞、詞性標注、去除停用詞等步驟，得到表6所示的用戶評論中與用戶需求相關的關鍵詞及詞頻信息。

（3）為了計算用戶關注度Gi和用戶滿意度Si，本文進一步統(tǒng)計了各產品屬性上的評論單句數量及情感度值。

1）用戶關注度（Gi）根據表5中定義的用戶需求及表述詞集合，本文對每條評論進行人工分類標注。在標注過程中，每條評論單句被分配到1個與之相關的需求類別中，最終本文標注用戶評論4642條，去除部分重復評論后共有效標注評論4636條，標注結果如表7所示。

根據表7標注結果對評論數據進行統(tǒng)計，并結合式（5）計算每個屬性下的評論占比，以反映消費者對不同產品屬性的關注程度。

2）用戶滿意度（Si）考慮到單條評論可能涉及多個產品屬性，首先對評論文本進行切分處理，以確保切分后的評論單句僅包含單一用戶需求。然后，基于情感分析模型對用戶評論進行情感分析，情感分析結果如表8所示。

（4）根據情感分析的結果，結合式（4）分別計算用戶對不同產品屬性的平均情感度值，以反映用戶對不同產品屬性的整體滿意度。至此，計算得到了用戶對不同產品屬性的關注度和滿意度，計算結果如表9所示。

將表9中計算得到的用戶滿意度和關注度值代入量化Kano模型，對用戶需求進行分類，分類結果在圖6中，Gi和Si分別代表用戶關注度和滿意度的平均值。屏幕大小和應用生態(tài)兼容性的Gi和Si都處于較高的區(qū)域，用戶對手機屏幕和應用非常關注，且滿意度也較高，屬于必備型需求（M）。這表明當前產品在屏幕和應用上的表現(xiàn)已經較好地滿足了用戶需求，提供該屬性不會對用戶滿意度造成顯著的影響。反之，未能提供此屬性的產品將會使用戶產生強烈的不滿。屏幕和應用是用戶最關注且滿意度較高的特性，企業(yè)應繼續(xù)保持高標準的設計和制造工藝，以維持用戶對這一特性的高滿意度。電池續(xù)航的Gi較高而Si較低，是1個魅力型需求（A）。用戶可能認為優(yōu)秀的電池性能是1個超出他們基本期望的特性，在電池續(xù)航方面有很大的提升空間。企業(yè)可以考慮采用更大容量的電池或更高效的電源管理系統(tǒng)來提升電池續(xù)航，從而有效地提升用戶滿意度。系統(tǒng)流暢的Si較高而Gi較低，是1個期望型需求（O）。用戶認為優(yōu)秀的操作系統(tǒng)是手機的基本要求，系統(tǒng)性能與用戶滿意度呈線性關系。如果系統(tǒng)表現(xiàn)不佳，會顯著降低他們的滿意度。對于手機系統(tǒng)的優(yōu)化，企業(yè)可以通過軟件更新、優(yōu)化系統(tǒng)資源管理等方式提高系統(tǒng)流暢性和穩(wěn)定性。除上述產品屬性之外的其余2個屬性拍照清晰度和外觀顏色是無差異型屬性（I），這些屬性的Gi和Si都較低，這些特性不是用戶的首要考慮因素。用戶可能對這些屬性不太關心，這些特性的改進或惡化不會對用戶體驗造成顯著影響。

4結語

針對現(xiàn)有用戶需求識別相關研究中存在數據來源局限于問卷和訪談等傳統(tǒng)形式、模型設定過度依賴假設條件和人為經驗的缺陷，本文提出了1種基于在線評論和量化Kano模型的用戶需求分類方法。首先，利用LDA模型從用戶在線評論中提取出用戶的真實需求；其次，本文基于BosonNLP深度學習模型的領域自適應能力與大規(guī)模語料訓練的語義理解優(yōu)勢，提升情感分析過程中用戶滿意度估計的準確性；再次，通過關注度和滿意度2個指標構建了量化Kano模型，突破了傳統(tǒng)Kano問卷在“獲取不提供某屬性時用戶滿意度”的假設局限。最后，應用小米社區(qū)的真實數據進行案例研究。實驗結果表明，用戶在不同屬性的關注度和滿意度上存在顯著差異，本文所提出的方法能夠有效挖掘用戶需求并區(qū)分需求類型，為企業(yè)精準定位用戶需求提供了方法支持。

隨著人工智能和大數據技術的不斷發(fā)展，用戶需求識別的方法需要更加智能化和精準化。在未來的研究中，企業(yè)應進一步細分用戶群體，根據不同用戶的需求特點來調整產品特性和營銷策略，提供定制化的產品和服務以滿足不同用戶的需求，從而更好地把握市場動態(tài)，優(yōu)化產品設計和服務策略，在激烈的市場競爭中占據優(yōu)勢地位。

參考文獻

翟運開，衛(wèi)東樂，路薇，等.考慮在線評論用戶關注度的產品改進需求識別與分析：基于KANO-IPA模型[J].科技管理研究，2023，43（9）：95-104.

趙宇晴，阮平南，劉曉燕，等.基于在線評論的用戶滿意度評價研究[J].管理評論，2020，32（3）：179-189.

ZHANGM，SUNL，WANGGA，etal.Usingneutralsentimentreviewstoimprovecustomerrequirementidentificationandproductdesignstrategies[J].InternationalJournalofProductionEconomics，2022，254：108641.

申彥，劉春華.基于在線品牌社區(qū)意見領袖的用戶關鍵需求挖掘[J].計算機技術與發(fā)展，2024，34（2）：23-31.

趙華翠，劉偉豪，李秀琳，等.基于改進KANO模型的5G智能手機顧客滿意影響因素分析[J].標準科學，2021（6）：69-75.

張立，張雪，文紀元.基于Kano模型的突發(fā)公共事件政務微博回應與公眾信息需求適配性研究[J].情報探索，2024（2）：33-40.

李賀，曹陽，沈旺，等.基于LDA主題識別與Kano模型分析的用戶需求研究[J].情報科學，2021，39（8）：3-11+36.

王軍，劉思邑.采用在線評論文本驅動的產品設計方法[J].機械設計與研究，2022，38（4）：1-5+11.KANON.Attractivequalityandmust-bequality[J].TheJournalofJapaneseSocietyforQualityControl，1984，14（2）：147-156.

王雪，董慶興，張斌.面向在線評論的用戶需求分析框架與實證研究：基于KANO模型[J].情報理論與實踐，2022，45（2）：160-167.

熊回香，詹曉敏，鄭曉威.基于KANO-QFD集成方法的健康網站信息服務質量優(yōu)化研究[J].情報理論與實踐，2024，47（8）：160-170+179.

譚春輝，李玥澎.基于用戶評論與Kano模型的虛擬學術社區(qū)優(yōu)化策略研究[J].情報理論與實踐，2021，44（11）：108-115.

孟慶良，鄒農基，陳曉君，等.基于KANO模型的客戶隱性知識的顯性化方法及應用[J].管理評論，2009，21（12）：86-93.

張振剛，羅泰曄.基于在線評論數據挖掘和Kano模型的產品需求分析[J].管理評論，2022，34（11）：109-117.

BIJW，LIUY，F(xiàn)ANZP，etal.Modellingcustomersatisfactionfromonlinereviewsusingensembleneuralnetworkandeffect-basedKanomodel[J].InternationalJournalofProductionResearch，2019，57（22）：7068-7088.

王克勤，高智姣，喬亞楠，等.在線評論中的用戶需求識別及其演化趨勢挖掘[J].機械科學與技術，2023，42（7）：1070-1080.

鐘佳娃，劉巍，王思麗，等.文本情感分析方法及應用綜述[J].數據分析與知識發(fā)現(xiàn)，2021，5（6）：1-13.

王欽煬，施水才，王洪俊.文本情感分析綜述[J].軟件導刊，2025，24（1）：193-202.

BLEID，NGA，JORDANM.LatentDirichletAllocation[J].JournalofMachineLearningResearch，2003（3）：993-1022.

KERM，MACG，ZHAOTM，etal.BosonNLP：AnensembleapproachforwordsegmentationandPOStagging[C]//ProceedingsoftheInternationalConferenceonNaturalLanguageProcessingandChineseComputing.SwissConfederation：Springer，2015：520-526.

吳東勝，王忠群，蔣勝，等.基于評論的商品改進需求獲取方法研究[J].長江大學學報（自然科學版），2017，14（5）：44-48+86.

劉嘉玲，魏江，陳俠飛.在線社區(qū)對企業(yè)創(chuàng)新管理影響研究回顧與展望[J].管理學報，2022，19（8）：1251-1260.