隨着在線評論內容的劇增，用戶的消費體驗變得可感可知，情感分析技術、文本挖掘技術的發展極大地提升了商家感知客戶需求並及時提供反饋的能力。
近日，在雷鋒網 AI 研習社公開課上，北京郵電大學系統科學專業在讀博士張鎮平分享了其關於從在線評論中挖掘用戶需求的最新工作。公開課回放視頻網址：http://www.mooc.ai/open/course/558?=aitechtalkzhangzhenping
張鎮平：北京郵電大學系統科學專業在讀博士、上海對外經貿大學和意大利巴勒莫大學聯合培養項目「基於建模的公共規劃、政策制定和管理」在讀博士，主要研究方向爲系統動力學及其應用。其研究工作曾在 I&M、NetScix 會議、ISDC 會議等發表。
分享主題：基於在線評論的用戶需求感知
分享提綱：
1、研究背景和研究問題：激烈競爭市場中的用戶需求感知；
2、數據收集和預處理；
3、研究問題一：在線評論的有用性；
4、研究問題二：客戶需求建模及分析；
5、研究總結和展望；
AI 研習社將其分享內容整理如下：
今天跟大家分享的是基於在線評論的用戶需求感知，這也是我們現在在做的一項工作，這篇文章發表在 Information & Management 上，大家有興趣的話可以去閱讀一下這篇文章。
研究背景和研究問題：激烈競爭市場中的用戶需求感知
我們的研究定位在手機市場，這一細分市場的競爭是非常激烈的。我們可以從下面表格中看到，手機市場從 2013 年的第四季度到 2014 年的第一季度就發生了顯著的變化，諾基亞、摩托羅拉等 2000 年的手機巨頭在這個表格上基本上消失了。那麼如何在競爭激烈的市場中快速把握用戶需求就成了手機廠商競爭力的關鍵因素。
傳統的用戶需求調研方式主要是問卷調研，耗費大量時間，而且對調研人員的要求非常高，涉及到的樣本量也很有限。我們考慮到近年來很多用戶產生內容，消費者在購買之後發表大量評論，從另一個維度（數據質量）來說，這種在線評論相對於傳統調研方法來說，更具可依賴性。
我們研究的出發點是：現在用戶的消費路徑是從購買到評論，這些內容沉澱在網上，是否能夠對產品下一代的設計產生影響？傳統用戶需求有很多調研方法，如 1984 年這篇文章中涉及到的 KANO 模型，這些調研方法能否和在線評論數據做一個結合？
基於此，我們提出兩個研究問題：一是哪些評論對產品設計是有用的；二是我們如何能夠將有用的在線評論和經典的調研模型結合起來，來制定產品的優化策略。
我們從三個方面做了研究綜述：第一個是評論的有用性分析；第二個是需求的調研；第三個跟本文比較相關，如何挖掘在線評論的內容，包括情感分析、需求的排序、產品屬性的優先級排列三個維度。
【關於研究綜述的講解，請回看視頻 00：03：35 處，http://www.mooc.ai/open/course/558?=aitechtalkzhangzhenping】
數據收集和預處理
大量的在線評論是文本，而文本是非結構化的內容，如果需要建模，需要將其轉化爲結構化、可分析、量化的內容。關於數據收集和預處理，我們先進行調研、爬取、詞庫的構建以及情感分析，然後將其轉化爲結構化的數據輸入到第二個和第三個模塊。
【關於數據收集和預處理的詳細講解，請回看視頻 00：05：35 處，http://www.mooc.ai/open/course/558?=aitechtalkzhangzhenping】
研究問題一：在線評論的有用性
在線評論的有用性其實已經得到了相對比較充分的研究，由於網上的評論特別多，消費者難以窮盡所有的評論，現有的研究主要是如何幫助消費者找到最有用的評論，以幫助他們做購買決策，而我們這裏的有用性是不一樣的。
我們的有用性的定義是，這些評論對於產品優化帶來的作用是怎樣的。所以，我們是從商家或者說產品設計的角度來研究評論的有用性。由於這些值無法直接從網上得到，所以我們對這些評論做了一定的標註。邀請產品設計師打分後，作爲訓練集訓練有用性模型，再利用模型對在線評論進行排序和篩選，得到有用評論輸入到下一個模塊。
【關於在線評論的有用性的具體講解，請回看視頻 00：10：31 處，http://www.mooc.ai/open/course/558?=aitechtalkzhangzhenping】
研究問題二：客戶需求建模及分析
客戶需求建模及分析在實踐中採用的是比較傳統的方法，包括問卷調研、實驗等等，現在計算機對評論進行分析，更多地做單純的統計歸類，而比較少做效用方面的建模。
用戶需求建模我們看到圖片從右到左，分別是用戶效用的建模、用戶需求的分析，另外我們還做了兩個輔助性分析，一個是魯棒性分析，一個是性能分析，最後是做產品優化策略的制定——結合了經典的 KANO 模型做產品的屬性歸類。
【關於客戶需求建模、分析的具體講解，請回看視頻 00：17：55 處，http://www.mooc.ai/open/course/558?=aitechtalkzhangzhenping】
研究總結和展望
對於這項工作的總結，我們先看一下它是否回答了前面的兩個問題：
第一，如何篩選對產品設計有用的在線評論？
我們的結果是建立了一個指標體系，能夠很好地篩選在線評論，幫助商家來處理大量的數據、隔離噪音，從而得到有用的產品反饋。
第二，我們如何檢測到用戶需求，制定有效地產品優化策略？
我們結合已有的研究的權重計算和 KANO 模型，將原來嚴重依賴於問卷調研和實驗的方法應用到大數據當中，可以幫助商家及時瞭解用戶的反饋，然後及時地對反饋制定優化策略。
當然我們的研究也存在一定的不足，比如：
第一，我們的工作只研究了電商網站上的在線評論，而有的用戶是不發表評論的，因此我們偏重了發表評論的用戶，研究數據具有一定的偏差性。此外，即使將這兩類用戶都考慮進去了，那沒購買過這一產品的用戶是否也應該考慮進去呢？這就是數據本身存在的一個缺陷。而我們提出的建議，是通過傳統的問卷調研、實驗分析來驗證不同渠道得到的產品需求調研結果的一致性。
第二，我們用到的模型是比較通用的模型-客戶需求權重、客戶需求歸類，然而在客戶關係管理裏面有很多其他有用的概念，比如產品的聲譽、客戶的滿意度，這些概念還沒有在研究中得到有效的測量。這也是以後研究的一個挑戰。
大家有興趣的話，可以到網上下載這篇文章：Qi, J., Zhang, Z., Jeon, S., & Zhou, Y. (2016). Mining customer requirements from online reviews: A product improvement perspective. Information & Management, 53(8), 951-963。如果大家有什麼問題或者想跟我交流，可以通過 [email protected] 這個郵箱與我聯繫。
以上就是本期嘉賓的全部分享內容。更多公開課視頻請到雷鋒網AI 研習社社區（https://club.leiphone.com/）觀看。關注微信公衆號：AI 研習社（okweiwu），可獲取最新公開課直播時間預告。