面向產品設計的用戶需求重要度分析方法*

□ 劉名成 □ 戰洪飛 □ 石 幸 □ 王雨瀟

寧波大學 機械工程與力學學院 浙江寧波 315211

1 研究背景

近年來,隨著電子商務的興起,互聯網中出現了大量針對產品的用戶在線評論數據,這些評論數據大多是用戶根據自身對產品的切身體驗給出的,表達了用戶對當前產品性能或服務缺陷的不滿和對下一代產品開發滿足自身需求的期望,是用戶內心需求強有力的表達。對這些評論數據進行有效挖掘,企業可以從中了解用戶對企業產品的態度,獲取用戶最新的需求,從而提高產品質量,更好地為用戶服務。如何從龐大雜亂的數據中識別用戶需求的重要程度及隱含的創新價值是首要問題,也是筆者試圖解決的問題。

隨著大數據技術的發展,越來越多的研究者開始關注評論數據的研究,如產品特征提取[1]、情感傾向分析[2-3]、評論數據有用性分析[4-5]等。還有很多學者基于評論數據進行應用研究,如Liu Yang等[6]提出一種基于滿意度分析技術和直覺模糊集理論的商品在線評價方法,用以輔助消費者購買決策。為了為產品設計人員提供知識服務,林園園、戰洪飛等[7]基于大數據方法對多源數據進行充分挖掘,提出數據驅動的產品設計知識服務模型。為了確定最優的服務要素配置方案,于超等[8]以用戶滿意度最高為原則,對評論數據挖掘技術與求解優化數學模型進行融合。在對產品進行綜合評價過程中,宋君、戰洪飛等[9]基于評論數據,通過關注度及情感傾向構建產品綜合評價矩陣。在對評論數據需求挖掘方面,涂海麗等[10]將Kano模型與評論數據滿意度挖掘相結合,提出基于評論數據的需求挖掘模型。為了進一步挖掘用戶潛在需求,Zhou Feng等[11]通過對評論數據的挖掘及常見用例與非常見用例的分析、推理,挖掘出用戶的潛在需求,并提出用戶潛在需求獲取模型。為了應對如今高頻率的產品迭代,楊程等[12]通過建立關注度、滿意度等指標體系和觀點挖掘,提出一種基于評論大數據的產品設計改進方法。從上述研究中可以看出,對于評論數據的研究,較多體現在用戶的關注度及滿意度。從企業產品設計角度看問題,業務決策者最關注用戶評論隱藏的用戶需求對產品設計的重要性。用戶需求的重要性既與用戶的關注度相關,也與用戶的滿意度相關,并與具體產品設計定位密切相關。筆者結合產品設計需求的特點,綜合運用關注度與滿意度指標,構建重要度評價體系與重要度計算模型,挖掘用戶需求信息對產品設計的重要程度,從而為產品設計的改進及產品升級換代提供參考。

2 面向產品設計的用戶需求重要度計算模型

用戶需求重要度是相對于產品設計業務決策問題而言的,是用戶不同需求的重要程度及用戶評論中潛在創新價值的衡量指標。在評論數據中,產品的評論數據所反映的評價內容具有很強的主觀能動性,能夠由用戶關注度和用戶滿意度兩個評價指標反映用戶對不同需求的期望實現程度。滿意度越低,關注度越高,需求期望實現程度越高,用戶需求的重要程度及潛在的創新價值就越高。因此,用戶需求重要度指標與用戶關注度、滿意度最為密切相關,關注度與滿意度兩者互為補充,是重要度綜合指標的兩個維度。面向不同的業務活動,用戶需求的價值性是不同的,需要基于不同的業務需求,對用戶評論中所體現的用戶需求進行篩選。對此,在對用戶需求滿意度和關注度的計算過程中,基于期刊、專利數據和TextRank算法構建產品設計需求篩選庫,使設計人員聚焦于與產品設計密切相關的用戶需求。同時,為了精確計算評論數據中的用戶需求滿意度和關注度,需要考慮不同產品領域的用語不一樣,且評論數據中包含了豐富的不規則用語,基于人工方式構造詞典工作量較大。對此,筆者采用TextRank算法、詞典和規則相結合的方法,構建用戶需求重要度評價要素池。在用戶需求重要度評價要素池對評論數據中用戶需求關注度和滿意度精確計算的基礎上,對用戶需求滿意度和關注度進行分析,引入二八定律,構建用戶需求重要度綜合評測參數。面向產品設計的用戶需求重要度計算模型包括需求重要度計算層、關注度與滿意度計算層、產品設計需求篩選層和用戶需求挖掘層四個部分,如圖1所示。

▲圖1 面向產品設計的用戶需求重要度計算模型

(1) 需求重要度計算層。通過用戶需求重要度評價要素池對評論數據進行檢測,識別出產品設計用戶需求,并計算出滿意度及關注度。不同具有潛在創新價值的產品設計需求對應不同的滿意度和關注度。為了識別出高創新價值的用戶需求,引入二八定律,將滿意度和關注度作為坐標軸形成的區域劃分為具有不同創新價值的四個區域。對用戶需求所處區域的位置以面積的形式進行描述,并歸一化處理衡量用戶需求重要度。

(2) 關注度與滿意度計算層。關注度和滿意度是衡量用戶需求重要度的量化指標。為了精確計算用戶需求的滿意度和關注度,在體系指標分析的基礎上,基于TextRank算法、詞典和規則構建用戶需求重要度評價要素池。在對用戶需求滿意度計算的過程中,考慮程度副詞、否定副詞對情感傾向的影響,并將連詞對情感傾向的影響也考慮在內,同時給出相應的用戶需求滿意度計算方法,以便對用戶需求滿意度進行特征詞級的計算。

(3) 產品設計需求篩選層。經專利或期刊數據抓取、停用詞和分詞處理、主題詞抽取、詞性篩選等操作,構建產品設計需求篩選庫,從用戶需求特征詞集合中篩選出設計需求特征詞。

(4) 用戶需求挖掘層。用戶需求重要度計算模型從用戶需求挖掘開始,通過評論數據采集、數據預處理、特征詞與情感詞提取,構建用戶需求特征詞、情感詞詞典,通過特征詞與產品設計需求映射庫檢測,確定用戶需求。

3 用戶需求重要度計算流程

3.1 流程概述

用戶需求重要度的計算從用戶評論需求挖掘開始,通過對評論數據中特征詞及情感詞的挖掘獲取用戶需求,結合外部詞典對評價要素池進行初步構建。在評價要素池的初步構建過程中,為了對用戶需求進行識別及統計,考慮特征詞與用戶需求間存在映射關系,構建特征詞與用戶需求映射庫。在評價要素池對情感強度的計算過程中,考慮同一情感詞修飾不同的用戶需求所對應的特征詞時表達的情感可能會不同,如情感詞“大”在修飾特征詞“噪聲”時為負向情感,而在修飾特征詞“冰箱容量”時則為正向情感。為了使情感分析結果更為精確,需要對每個特征詞構建相應的情感詞詞典。同時,考慮副詞、連詞對情感強度的影響,構建副詞及連詞詞典,確定副詞情感因子及連詞修正規則。為了檢測評論數據中各詞語的詞性、位置及數量,考慮設置檢測窗口。為了對產品設計需求進行篩選,通過期刊及專利數據的挖掘構建產品設計需求篩選庫,用于從用戶評論需求中篩選出設計需求,并完成特征詞與用戶需求映射庫向特征詞與產品設計需求映射庫的轉換,以及特征詞、情感詞詞典的重構,進而完成評價要素池的重構,實現面向產品設計決策的評價要素池構建。

在評價要素池對評論數據進行檢測后,對用戶需求重要度指標進行計算及分析,構建用戶需求重要度評測參數。

3.2 數據采集與預處理

在評論數據中,用戶需求為用戶對產品性能的評價。同一款產品中,同一個性能可以由不同的特征詞來表示,即特征詞F與用戶需求SR存在映射關系:

SR=f(F)

(1)

對用戶需求的識別過程,也是評論數據中特征詞F及情感詞的挖掘過程。

筆者所采集的數據主要服務于產品的升級工作,因此采集的數據必須是待改進產品的評論信息。由于采集的評論數據具有冗余、非結構化、雜亂等特點,因此在采集完用戶評論數據后,需要對所采集的評論數據進行預處理。針對評論數據的預處理流程包括三個步驟。

(1) 剔除無效評論及符號。由于評論數據中存在大量重復、無用的評論信息,這些信息會對評價要素池的構建及滿意度和關注度的計算產生干擾,因此主要考慮剔除兩類干擾信息。第一類為重復評論。用戶在評論過程中,為了獲得積分等,采取復制其他用戶評論數據的行為,因此需要對重復評論數據進行剔除。第二類為無用評論。評論數據中,無用評論不能體現用戶對產品性能的評價信息。

(2) 分詞處理并標注詞性。借助Python中文分詞工具對用戶在線評論進行分詞處理和詞性標注。

(3) 停用詞過濾。停用詞指在句子中出現的詞頻較高但信息含量低的詞。停用詞會對評價要素池的構建產生干擾,為了提高評價要素池構建的效率及準確性,有必要對評論數據進行停用詞過濾。

3.3 特征詞、情感詞詞典構建

不同產品領域的特征詞詞典不同,所對應的情感詞也千差萬別,按照人工方式構造詞典,工作量較大。TextRank算法[13]是一種基于圖排序的算法,在特征詞提取過程中,通過詞頻共現建立圖模型,以對特征詞進行提取,具有良好的效果。

特征詞與情感詞往往以共現的形式出現,因此筆者采用基于TextRank算法的無監督特征詞與情感詞詞對提取方法。

TextRank算法將文本分割成若干單詞,以每個詞作為頂點,所有頂點形成一個網絡,建立圖模型。利用投票機制,計算各頂點的權重值大小,即:

(2)

式中:d為阻尼因子,一般設置為0.85;Vi、Vj為不相同的任意兩節點;I(Vi)為指向頂點Vi的所有頂點集合;O(Vi)為由頂點Vj連接出去的所有頂點集合;wij為頂點Vi和Vj的連接權重;WS(Vi)、WS(Vj)分別為頂點Vi、Vj的最終排序權重;Vk為頂點Vj連接出去的頂點;ωj,k為頂點Vj和Vk的連接權重。

特征詞、情感詞詞典構建流程如圖2所示。經過預處理的評論數據通過TextRank算法確定詞語的最終排序權重,抽取出若干特征詞,形成特征詞集合Fs。在評論數據中,特征詞和情感詞通常以共現形式出現,特征詞、情感詞詞對出現的頻率較高。為了構建特征詞、情感詞詞典,篩選出包含特征詞Fsi的短語,并合并形成特征詞Fsi所對應的文檔Wi。將經過預處理的文檔Wi經TextRank算法抽取出與特征詞Fsi組成的詞對,由于情感詞往往由形容詞、副詞、動詞構成,篩選出與特征詞Fsi組成的詞對中詞性為形容詞、副詞或動詞的詞,并與情感詞詞典提供的正負向情感分析詞語集取交集,形成特征詞Fsi對應的正負向情感詞,由人工篩選與調整詞極性判斷錯誤的情感詞。遍歷特征詞集合Fs中的其它特征詞,重復上述操作,完成特征詞、情感詞詞典的初始構建。

▲圖2 特征詞、情感詞詞典構建流程

3.4 特征詞與用戶需求映射庫構建

特征詞、情感詞詞典中的特征詞,是用戶評論需求特征詞。根據特征詞、情感詞詞對,可確定特征詞對應的用戶需求。由于用戶評論需求特征詞集合Fs中的特征詞數量較多,對應的用戶評論需求種類也繁多,因此直接構建特征詞與用戶需求映射庫較為煩瑣。對此,筆者抽取評論特征詞集合Fs中出現頻率較高的主題詞,初步構建特征詞與用戶需求映射庫。相同特征詞對應的不同情感詞所表達的需求一般具有相似性,如在冰箱設計中特征詞與情感詞詞形成的詞對“聲音吵”和“聲音大”,所對應的用戶需求均為“降低噪聲”。特征詞與用戶需求間的映射具有模糊性,因此采用ABC模糊評價法,根據特征詞、情感詞詞對確定各特征詞對應的用戶需求,同時對相似的用戶需求特征詞進行合并,進而建立特征詞與用戶需求映射庫。

3.5 副詞、連詞詞典構建

副詞包括程度副詞與否定副詞,連詞主要分為讓步連詞、并列連詞、轉折連詞、遞進連詞等。副詞和連詞的存在會對情感強度產生影響。在副詞和連詞詞典的構建過程中,王曉耘等[14]將程度副詞分為極量、高量、中量、低量四種等級,并對不同等級的程度副詞賦予不同的權重。筆者在借鑒的基礎上,對程度副詞詞典進行構建,并賦予相應的修正因子。同時結合字典,構造否定副詞詞典。否定副詞的修正會導致情感極性的變化,因此其修正因子為-1。文獻[15]副詞詞表見表1。

表1 副詞詞表

在連詞詞典構建過程中,參考文獻[15],在詞典的基礎上構建連詞詞表,見表2。連詞對情感強度可以按四種方式進行修正。

表2 連詞詞表

(1) 在單條評論數據中有轉折連詞,且轉折連詞前后對應同種含義的用戶需求所對應的特征詞,如“容量較小,但是夠用”,按轉折連詞后的情感權重確定該條評論中用戶需求的情感權重。

(2) 在單條評論數據中有并列連詞,且并列連詞前后對應同種含義的用戶需求所對應的特征詞,如“聲音小和低”,用戶需求對應的情感權值分別為g和h,那么該用戶需求的情感傾向性權值為(g+h)/2。

(3) 在單條評論數據中有遞進連詞,且遞進連詞前后對應同種含義的用戶需求所對應的特征詞,如“容積大且很足”,用戶需求對應的情感權值分別為g和h,那么該用戶需求的情感傾向性權值為(g+h)/2×1.5。

(4) 在單條評論數據中有讓步連詞,且讓步連詞前后對應同種含義的用戶需求所對應的特征詞,如“即使容積很大,我也覺得不好”,用戶需求對應的情感權值分別為g和h,那么該用戶需求的情感傾向性權值為h×1.2。

3.6 檢測窗口設置

為了有效根據已經建立的詞典、庫或規則從評論數據中識別出用戶需求,并對關注度和滿意度進行計算,有必要設置用戶需求所對應的特征詞、特征詞所對應的情感詞,以及副詞和連詞的檢測窗口。通過對評論數據進行分析,總結出檢測窗口的設置方法。

特征詞及其所對應的情感詞的檢測窗口應用于檢測單個句子,由于特征詞與其所對應的情感詞以鍵值對形式存在于詞典中,因此可設置雙窗口分別對特征詞及其所對應的情感詞進行檢測。在第i條評論中,特征詞檢測窗口檢測到用戶需求SR對應的特征詞,且情感詞檢測窗口檢測到用戶需求SR的特征詞所對應情感詞的極性αi,若為正面情感,則αi為1,若為負面情感,則αi為-1,可見αi∈{-1,1}。

根據中文的語法結構,程度副詞往往出現在情感詞的前后文,否定副詞往往出現于情感詞的前文,因此將程度副詞檢測窗口設置于情感詞的前后文。在第i條評論中,若用戶需求SR的特征詞所對應情感詞的前后文檢測到程度副詞,則按照程度副詞對情感強度的改變因子γi進行修正。否定副詞的檢測窗口設置于情感詞的前文,并將窗口大小設為5。在第i條評論中,若用戶需求SR的特征詞所對應情感詞的前文檢測到否定副詞,則按否定副詞的個數ni對情感強度進行修正。

連詞檢測窗口應用于檢測整個單句。在第i條評論中,若檢測到用戶需求SR的特征詞及連詞,則按連詞對情感強度的修正方法進行修正。

3.7 產品設計需求篩選庫構建

評論數據中所體現的用戶需求,在不同的業務中價值會有差異。為了從評論數據中提取、識別、篩選出與產品設計密切相關的設計需求,需要構建產品設計需求篩選庫。產品設計中,用戶需求更加關注于產品性質指標的反映,因而基于用戶需求的這一特點,產品設計中用戶需求特征詞匯為產品功能詞與產品效果詞的集合。

產品設計需求篩選庫中用戶需求特征詞的構建過程也是產品功能詞與產品效果詞的挖掘過程。產品功能詞為形容產品功能的詞的集合,如制冷、保鮮等。產品效果詞為單獨或與情感詞形成詞組的體現用戶對產品功能評價的詞語集合,如物美價廉、美觀、容量等。期刊文獻與專利中,技術信息、設計方法、創新結構等最新成果的介紹及進行的評價與驗證,都為基于機器學習的產品設計需求篩選庫構建提供了便捷條件。產品設計需求篩選庫篩選流程如圖3所示。

▲圖3 產品設計需求篩選庫篩選流程

由于產品功能詞與產品效果詞在專利或期刊數據中通常是以固定的句式框架存在的,如“本方法…,有助于…”,因此可以對提取的主題詞進行初步篩選,對不在固定句式下的主題詞進行剔除。由于產品功能詞與產品效果詞由形容詞、名詞或動詞組成,因此篩選出主題詞集合中的形容詞、名詞和動詞,并將不是產品功能詞或產品效果詞的特征詞剔除,形成設計需求篩選特征詞集合。對用戶評論需求特征詞集合與設計需求篩選特征詞集合取交集,形成篩選后設計需求特征詞集合。

3.8 評價要素池重構

(1) 特征詞、情感詞詞典的重構。對篩選后的設計需求特征詞集合與基于評論數據建立的特征詞、情感詞詞典中的特征詞集合取交集,完成特征詞、情感詞詞典的重構。

(2) 特征詞與產品設計需求映射庫的構建。對篩選后設計需求特征詞集合與基于評論數據建立的特征詞及用戶需求映射庫中的特征詞取交集,完成特征詞與用戶需求映射庫的篩選,進而形成特征詞與產品設計需求映射庫。由于特征詞集合中余下未建立設計需求映射關系的特征詞數量較少,因此可采用ABC模糊評價法,根據特征詞、情感詞對確定篩選后設計需求特征詞集合中未建立設計需求映射關系的特征詞對應的用戶需求。對相似的用戶需求特征詞進行合并,完成特征詞與產品設計需求映射庫的擴充,用于識別及統計評論數據中特征詞所對應的設計需求。

3.9 用戶需求關注度計算

用戶關注度用于衡量用戶對各用戶需求的關心程度。評論數據中包含用戶需求SR的評論數反映了用戶對該用戶需求的關心程度,對用戶需求關注度的計算過程也就是對文本中特征詞、觀點詞進行識別和統計的過程。用戶需求SR的用戶關注度UA為:

UA=Nj/N

(3)

式中:Nj為評論數據中包含用戶需求SR所對應特征詞或觀點詞的評論總數;N為評論數據中有效評論總數。

3.10 用戶需求滿意度計算

在評論數據中,用戶需求滿意度被表達為用戶對產品性能的情感強度。對用戶需求滿意度的計算過程也就是對產品性能情感強度的計算過程?？紤]副詞、連詞對用戶評論情感強度的影響,情感強度vi的計算式為:

vi=-1niγiαicici∈C

(4)

式中:ci為在第i條評論數據且包含用戶需求SR的評論短語中,檢測到連詞對情感特征詞情感強度的修正規則;C為連詞對情感特征詞情感強度的修正規則集。

(5)

3.11 用戶需求重要度計算

用戶需求滿意度和用戶需求關注度的大小不同,所對應的創新價值也具有差異性。如何識別出產品設計中用戶需求的創新價值,對于提升產品競爭力而言具有重要意義。二八定律指出,任何一個事物80%的價值集中在20%的組成部分上。因此,筆者以用戶需求滿意度和用戶需求關注度建立坐標系,引入二八定律,將坐標系劃分為四個區域,得到用戶需求重要度分析模型,如圖4所示。滿意度高、關注度高是主保持區,滿意度高、關注度低是次保持區,滿意度低、關注度低是次改進區,滿意度低、關注度高是主改進區。在四個區域內,用戶需求滿意度和用戶需求關注度越高,所對應的用戶關注和好評率越高,潛在創新價值越低,產品性能改進的必要性越低,保持的必要性越高,即點Ai越靠近保持區中的點N,陰影部分的梯形面積Si越低,所對應的用戶需求重要度越低。關注度越高,滿意度越低,所對應的用戶關注較多,抱怨較頻繁,潛在創新價值越高,產品性能改進的必要性越高,保持的必要性越低,即點Ai越靠近主改進區中的點M,陰影部分的梯形面積Si越大,所對應的用戶需求重要度越高。

▲圖4 用戶需求重要度分析模型

陰影部分梯形面積Si體現了用戶需求所處的位置,與用戶需求重要度成正比。陰影部分的梯形面積Si為:

Si=(yi+b)(a-xi)/2

(6)

式中:a、b分別為用戶需求滿意度和用戶需求關注度的上限,取b=1,a=1.5。

陰影部分梯形面積Si越高,點Ai的用戶需求重要度越高。對各用戶需求進行歸一化,可得點Ai所對應的用戶需求重要度ωi為:

(7)

通過前述各式,可以得到用戶需求重要度集合Wd為:

Wd=(w1,w2,…,wn)T

(8)

4 實例驗證

為驗證用戶需求重要度分析方法的有效性,筆者選取2017年兩款比較受歡迎的冰箱產品P1、P2進行驗證。采集2017年至2018年的評論數據,進行用戶需求重要度計算,給出P1與P2的改進建議。之后選擇2019年推出的同樣受歡迎的P1與P2的升級產品P3與P4,將升級方案與筆者的建議方案進行比較,證明筆者分析方法的有效性。

4.1 評價要素池初步構建

獲取冰箱評論數據,共采集7 321條。對采集的評論數據進行預處理,剔除無效評論數據,最終得到有效評論數據共計5 016條。其中,P1評論數據2 336條,P2評論數據2 680條。對評論數據進行分詞處理與停用詞過濾,由TextRank算法確定詞語的最終排序權重,從而抽取出若干特征詞,形成特征詞集合{冰箱,聲音,冷凍,外觀,保鮮,速凍保鮮,物流,性價比,空間,節能,質量,購物,大氣,價格,服務態度,感覺,服務,下單…}。按照特征詞、情感詞詞典的構建流程,完成特征詞、情感詞詞典的初步構建,將正負向情感詞初始得分分別記為1、-1。提取出高頻特征詞,得到11個主要用戶需求主題詞,分別為冰箱、空間、聲音、速凍保鮮、節能、包裝、物流、外觀、性價比、品牌、服務態度。冰箱用戶需求主題詞云圖如圖5所示。按照特征詞與用戶需求映射庫的構建流程,確定用戶需求主題詞所對應的用戶需求,由此初步建立特征詞與用戶需求映射庫。

▲圖5 冰箱用戶需求主題詞云圖

構建程度副詞表、否定副詞表及連詞詞表,確定程度副詞的修正因子和連詞的修正規則,對相應的詞設置對應的檢測窗口,最終完成用戶需求重要度評價要素池的初始構建。

4.2 評價要素池重構

通過專利、期刊文獻數據的主題詞提取,按照設計需求篩選特征詞集合,形成產品功能詞集合{制冷,速凍保鮮,降噪,冷凍,存儲,保鮮,除味,蓄冷,冷藏…}與產品效果詞集合{物美價廉,外觀,容量,靜音,美觀,省錢,空間,聲音,性價比,節能,箱體,壓縮機,微凍板,蒸發器…},進一步構建設計需求篩選特征詞集合{制冷、速凍保鮮、物美價廉,靜音,降噪,冷凍,存儲,省錢,美觀,外觀,容量,空間,聲音,保鮮,性價比,除味,蓄冷,冷藏,箱體,壓縮機,微凍板,蒸發器…}。

對用戶評論需求特征詞集合與設計需求篩選特征詞集合取交集,由此得到篩選后設計需求特征詞集合{空間,聲音,速凍保鮮,節能,外觀,性價比,保鮮,冷凍…}。

對篩選后設計需求特征詞集合與特征詞、情感詞詞典中的特征詞取交集,完成特征詞、情感詞詞典的重構。同時,對篩選后設計需求特征詞集合與基于評論數據建立的特征詞與用戶需求映射庫中的特征詞取交集,完成特征詞與用戶需求映射庫的篩選,得到六個設計需求主題——儲物空間、速凍保鮮、聲音、節能、外觀、性價比。采用ABC模糊評價法,根據特征詞、情感詞詞對得到六個設計需求主題分別對應六個用戶需求項:有效容積大,冷凍保鮮效果好,聲響小,省電,外觀好看,性價比高。采用ABC模糊評價法,根據特征詞、情感詞詞對確定篩選后設計需求特征詞集合中余下未建立設計需求映射關系的特征詞對應的用戶需求,同時對相似的用戶需求特征詞進行合并,進而完成特征詞與產品設計需求映射庫的擴充,最終構建用戶需求重要度評價要素池。

4.3 用戶需求重要度計算

通過評價要素池檢測單條評論中用戶需求所對應的特征詞、情感詞、副詞及連詞,按式(3)～式(5)計算用戶需求滿意度和用戶需求關注度,計算結果分別如圖6、圖7所示。

▲圖6 冰箱用戶需求滿意度

為了形象展示各用戶需求所處區域位置,以用戶需求滿意度為橫坐標,以用戶需求關注度為縱坐標,繪制用戶需求區域分布圖,如圖8所示。

按式(6)～式(7)計算得到兩款冰箱產品的用戶需求重要度wP1、wP2:

wP1=[0.127,0.142,0.258,0.153,0.167,0.152]T

wP2=[0.175,0.155,0.192,0.127,0.186,0.164]T

▲圖7 冰箱用戶需求關注度▲圖8 冰箱用戶需求區域分布圖

對于P1,用戶需求“聲響小”處于待改進區,其用戶需求重要度為0.258,相比其它用戶需求顯著較大,應首先對“聲響小”進行滿足,建議降低噪聲。

對于P2,用戶需求“聲響小”的需求重要度為0.192,值最大,應首先對“聲響小”進行滿足,建議降低噪聲。用戶需求“外觀好看”的用戶需求重要度為0.186,與用戶需求“聲響小”相差較小,建議對顏色進行關注。更換顏色布局和降低噪聲不沖突,可以同時進行改進。由于用戶需求“有效容積大”與用戶需求“性價比高”的用戶需求重要度相差不大,需求沖突,因此不考慮改進。用戶需求“冷凍保鮮好”和“省電”的用戶需求重要度較小,不考慮改進。

對P1、P2改進意見及升級產品改進方向進行匯總,見表3。

表3 冰箱改進意見及改進方向

由表3可知,根據評論數據分析得出的產品改進意見與產品實際改進方向基本一致。由此可見,筆者提出的用戶需求重要度分析方法具有有效性和一定的實用性。

5 結束語

筆者提出一種面向產品設計的用戶需求重要度分析方法,將文本挖掘技術和情感分析技術應用于產品的用戶需求重要度分析過程中,并以冰箱產品為例,進行了實例驗證。研究結果表明,筆者所提出的方法能夠有效幫助設計人員通過評論數據了解用戶需求,確定用戶需求重要度,從而幫助設計人員確定產品的設計創新方向,以提高產品在市場中的競爭力。

筆者從評論數據中挖掘出用戶需求重要度,豐富了傳統用戶需求重要度計算方法,改進了傳統用戶需求重要度確定過程中用戶需求及評價數據獲取方面的缺陷或不足,為解決用戶需求重要度的確定提供了理論參考,并為產品的設計決策提供支撐,以幫助設計者對產品進行迭代更新,提高產品的市場競爭力,具有一定的實用價值。