基于LSTM-LDA算法和IPA分析的在線品牌社群用戶關(guān)注熱點(diǎn)研究*

孫玲玲 胡彥蓉 劉洪久

(1.浙江農(nóng)林大學(xué) 信息工程學(xué)院 杭州 311300;2.浙江省林業(yè)智能監(jiān)測與信息技術(shù)研究重點(diǎn)實(shí)驗(yàn)室 杭州 311300)

0 引 言

《2017年中國新媒體行業(yè)全景報告》統(tǒng)計顯示，中國在線社群數(shù)量超過300萬個，在線社群用戶超過2.7億人，在線社群市場經(jīng)濟(jì)規(guī)模超過3 000億元[1]。在線社群數(shù)量、用戶及市場經(jīng)濟(jì)規(guī)模持續(xù)增長下，社群經(jīng)濟(jì)與之興起，在線社群成為用戶社交活動發(fā)展新趨勢。據(jù)《2020社交零售白皮書》統(tǒng)計，隨著“全民社交”，中國社交零售滲透率達(dá)到71%，用戶參與相關(guān)社群的比例高達(dá)77%，傳播態(tài)勢由集中化向去中心化轉(zhuǎn)變。如何在傳播過程中，著重于創(chuàng)造用戶關(guān)注熱點(diǎn)內(nèi)容，實(shí)時檢測用戶關(guān)注主題發(fā)展趨勢，在開拓下沉市場同時開發(fā)以用戶為中心的私域流量，提高品牌競爭力，增強(qiáng)用戶黏性是企業(yè)亟待解決問題。

作為用戶分享產(chǎn)品信息、購買體驗(yàn)、表達(dá)產(chǎn)品滿意度的重要場所。在線品牌社群中包含了大量對企業(yè)的市場營銷[2]、推廣新產(chǎn)品[3]、培養(yǎng)用戶忠誠度[4]、售后服務(wù)[5]、提升品牌知名度[6]、產(chǎn)品優(yōu)化等有價值的信息。企業(yè)不僅可以通過在線品牌社群實(shí)時獲取用戶需求信息，并進(jìn)行產(chǎn)品開發(fā)[7]；獲取用戶消費(fèi)體驗(yàn)評價，提供優(yōu)質(zhì)產(chǎn)品服務(wù)[8]；與用戶溝通交流，建立企業(yè)與用戶長期共生關(guān)系[9]。潛在用戶也可從相關(guān)信息中了解產(chǎn)品使用者的總體評價狀況，為其購買決策提供有利支持。在線社群成為企業(yè)建立“用戶—品牌”聯(lián)系的重要支點(diǎn)[10]。因此，挖掘在線社群中的隱含信息，及時了解用戶關(guān)注熱點(diǎn)的發(fā)展態(tài)勢具有重要現(xiàn)實(shí)意義。

針對在線社群用戶互動行為的相關(guān)研究。景奉杰等[11]通過問卷調(diào)查法將用戶情緒作為中介效應(yīng)，研究結(jié)果表明用戶之間的互動對品牌滿意度有正向影響。Bruhn等[12]得出的結(jié)論是，在線社群用戶的互動交流有利品牌忠誠度的提高，互動質(zhì)量對品牌在線社群的符號性、體驗(yàn)性、功能性效益有積極影響。Wang等[13]對企業(yè)在Facebook上的信息進(jìn)行了分析，發(fā)現(xiàn)使用社交媒體有助于企業(yè)實(shí)現(xiàn)客戶管理，增強(qiáng)市場能力。申光龍等[14]通過結(jié)構(gòu)方程模型，證實(shí)了社群用戶的體驗(yàn)價值對用戶參與價值的正面影響。荊磊等[15]通過調(diào)查問卷分析了在線品牌社群優(yōu)化，認(rèn)為文化認(rèn)同、社群維護(hù)、體驗(yàn)交流等行為對購買意愿有顯著的正向影響。黃鄭超等[16]通過對移動社群信息的分析，傳播中的負(fù)面口碑對品牌用戶忠誠度產(chǎn)生差異化影響。劉宇涵等[17]分析了消費(fèi)者體驗(yàn)、優(yōu)化共創(chuàng)價值與網(wǎng)絡(luò)輿情的關(guān)系，提出根據(jù)社群用戶間的不同需求點(diǎn)，開展在線社群活動以滿足用戶多需求。Ghose等[18]指出，網(wǎng)絡(luò)負(fù)面信息的集合降低了用戶購買欲望，影響用戶對品牌的情感信任度。雷宇[19]提出將具有相同消費(fèi)偏好、消費(fèi)觀點(diǎn)的用戶聚集在一起，企業(yè)可以提取這一群體的消費(fèi)潛力。高海霞等[20]通過運(yùn)用SOR模型對社交購物的用戶信息進(jìn)行特征提取，發(fā)現(xiàn)購物分析信息顯著影響用戶的隱性需求。

從國內(nèi)外學(xué)者的研究現(xiàn)狀可以看出，網(wǎng)絡(luò)社群信息挖掘研究已成為學(xué)術(shù)界關(guān)注熱點(diǎn)，但是目前研究還存在以下問題：a.現(xiàn)有在線社群研究主要以傳統(tǒng)統(tǒng)計學(xué)分析方法為主。在數(shù)據(jù)來源上，以抽樣調(diào)查方式獲取數(shù)據(jù), 數(shù)據(jù)是實(shí)際調(diào)查或觀察中的一些個體, 這使得樣本分析的效果存在明顯局限性；在分析方法上，以“假設(shè)—驗(yàn)證”為分析思路，利用數(shù)據(jù)信息建立的理論模型和主觀判斷來驗(yàn)證這一假設(shè)，人的主觀判斷會對調(diào)查過程和結(jié)果產(chǎn)生影響，結(jié)論是單一性、片面性的[21]。b.現(xiàn)有研究分析主要集中在模式分析和創(chuàng)新上[22]，基于用戶角度的網(wǎng)絡(luò)在線社群文獻(xiàn)相對較少，其中對汽車用戶需求研究更少。c.現(xiàn)有研究在主題挖掘上較少考慮時序參數(shù)信息，缺乏時間維度上的演化性。需要特別指明的是，社群化為企業(yè)帶來了許多裨益，但是少有研究著眼于在線社群用戶評論的文本挖掘的研究，缺乏對個案的分析和建議。

為此，本文提出一種基于LSTM-LDA算法和IPA分析的在線品牌社群關(guān)注熱點(diǎn)研究方法。采用LSTM-LDA算法，獲取在線社群用戶關(guān)注熱點(diǎn)和滿意度隨時間的變化趨勢，并運(yùn)用IPA方法，構(gòu)建了在線品牌社群用戶的產(chǎn)品使用體驗(yàn)要素結(jié)構(gòu)，分析用戶關(guān)注熱點(diǎn)主題的發(fā)展趨勢。該方法的主要特點(diǎn)在于：a.以大數(shù)據(jù)技術(shù)對在線品牌社群進(jìn)行研究。以“發(fā)現(xiàn)—總結(jié)”為分析思路，利用大數(shù)據(jù)驅(qū)動，通過對海量的數(shù)據(jù)進(jìn)行快速的分析和價值挖掘，整合分析多維度、多角度的數(shù)據(jù)，突破原有的數(shù)據(jù)分析范式，從數(shù)據(jù)中發(fā)現(xiàn)規(guī)律，實(shí)現(xiàn)對數(shù)據(jù)內(nèi)在聯(lián)系和價值的最大可能挖掘和分析。b.首先基于時序窗口利用LDA進(jìn)行主題建模，結(jié)合時間離散分析方法，對用戶評論文本主題進(jìn)行動態(tài)追蹤，并通過計算困惑度來確定最佳主題數(shù)，保證文檔聚類效果，有效識別在線社群隱含主題，劃分用戶主題偏好，識別主題特征。困惑度是衡量LDA模型準(zhǔn)確性的有效方法[23]。同時，婁巖等[24]證明了通過LDA抽取文本主題以獲取用戶的關(guān)注熱點(diǎn)和態(tài)度的可行性。c.引入邊緣評論概念，剔除邊緣評論，避免邊緣評論對用戶關(guān)注熱點(diǎn)主題識別造成的干擾。d.利用LSTM網(wǎng)絡(luò)提取用戶評論文本情感，完整獲取評論文本的非結(jié)構(gòu)化上下文信息，避免過多依賴情感詞典的構(gòu)建，準(zhǔn)確挖掘用戶的情感態(tài)度。e.將文本挖掘法與IPA模型結(jié)合，從用戶需求供給側(cè)出發(fā)，構(gòu)建品牌關(guān)注要素結(jié)構(gòu)，并對其特征進(jìn)行深入分析，以新的研究視角豐富在線品牌社群用戶需求挖掘的研究內(nèi)容。

1 基于LSTM-LDA和IPA的在線品牌社群用戶關(guān)注熱點(diǎn)模型構(gòu)建

1.1問題描述及解決框架隨著Web2.0的發(fā)展，用戶日常使用的社群、微信小程序/公眾號、平臺/社交電商、微博等，越來越成為用戶喜愛的“種草”工具。品牌營銷已從單向、單一的傳播模式轉(zhuǎn)向強(qiáng)社交、多觸點(diǎn)的傳播模式。對于企業(yè)而言，如何有效利用社群渠道強(qiáng)化品牌營銷影響力，深入多場景和用戶建立觸點(diǎn)，及時識別銷售機(jī)遇，激發(fā)用戶興趣、帶動用戶決策、持續(xù)受到用戶喜愛，是企業(yè)亟待解決的問題。本文從用戶需求視角，設(shè)計出基于LSTM-LDA算法和IPA分析的在線品牌社群用戶關(guān)注熱點(diǎn)分析方法，有效挖掘用戶評論中的有效信息，加強(qiáng)與用戶的信息交流，梳理內(nèi)部機(jī)制快速迭代新品，形成基于用戶評論數(shù)據(jù)的建議、推斷和決策。本文構(gòu)建的在線品牌社群用戶關(guān)注熱點(diǎn)分析框架如圖1所示。

圖1 用戶關(guān)注熱點(diǎn)分析框架

1.2 LDA主題模型

1.2.1 LDA主題提取 使用LDA模型從評論文本中提取主題。是由Blei等[25]在2003年提出的概率主題模型。作為三層貝葉斯概率模型，具有 “詞、主題、文檔”三層結(jié)構(gòu)。LDA主題模型認(rèn)為，一個文檔有幾個主題，一個主題由幾個詞來體現(xiàn)。利用LDA獲取文本主題信息的分布，文檔是具有一定概率的潛在主題的隨機(jī)組合；每個主題是詞匯一定概率的組合，如圖2所示。

圖2 LDA模型的矩陣表示

其中，D表示“文檔-詞匯”矩陣；φ表示“主題-單詞”矩陣；θ表示為“文檔-主題”矩陣。使用LDA從頻率文本中提取主題的基本計算過程：使用公式(1)，從矩陣D中，通過無監(jiān)督學(xué)習(xí)得到矩陣φ和θ。

(1)

其中，α為文檔參數(shù)；β為詞匯參數(shù)；θ為從β中采樣的“文檔-主題”矩陣；φ為從β中采樣的“主題-詞匯”矩陣；t為θ中采樣的主題；N為文檔集合中的單詞總數(shù)。

對于主題模型，本文利用困惑度來確定最優(yōu)主題數(shù)K，以保證主題提取效能。困惑度是評價語言模型性能的常用指標(biāo)。一般來說，困惑度越低，說明聚類效果越好，主題擬合性越高。困惑度計算公式如式(2)所示。

(2)

其中，D為所需測試文檔集的數(shù)量，wd為d的詞匯序列，Nd為d的詞量。

1.2.2 熱點(diǎn)主題特征詞提取 根據(jù)式(1)，得到“文檔-主題”矩陣φ。如式(3)所示，矩陣中共有m個主題和n個詞匯，每一列為各詞匯在m各主題中的分布概率，每一行為各主題在n個詞匯的分布概率。

(3)

根據(jù)公式(1)，得到“主題-詞匯”矩陣θ。如公式(4)所示，矩陣中共有s個文檔和m個主題，每一列為各主題在s個文檔中的分布概率，每一行為各文檔在m個主題中的分布概率。

(4)

(5)

為更好地揭示主題間的結(jié)構(gòu)信息，本文引入邊緣評論概念。邊緣評論指的是，如果某一評論與所有文檔-主題概率都很低，則認(rèn)為該評論主題不明確，對其進(jìn)行剔除處理，避免邊緣評論對主題變化趨勢產(chǎn)生不利影響。因此，本文認(rèn)為，當(dāng)文檔-主題概率值小于α?xí)r，該評論屬于邊緣評論。

1.2.3 熱點(diǎn)主題關(guān)注度計算 根據(jù)式(1)，可以計算得出文檔集合中每個文檔對應(yīng)各個主題的分布概率，通常以最大分布概率對應(yīng)的主題作為該文檔所屬的主題。但是，對于這些主題，哪些是常見主題，哪些是熱門主題，需要區(qū)分開來。由此，依據(jù)文檔主題支持度的思想，認(rèn)為在某段時間內(nèi)該主題是熱點(diǎn)主題，則在線品牌社群評論文本集合中屬于該主題的評論文檔占據(jù)一定比例。根據(jù)蔣翠清等[26](主題演化)提出的平均熱度方法，將每個主題演化應(yīng)用到結(jié)果分析中，該方法利用LDA模型提取文檔集的潛在主題，并以評論時間信息檢查不同離散時間段的主體分布情況，從而對主題進(jìn)行歸一化平滑處理，統(tǒng)計不同時間段用戶討論主題的關(guān)注度趨勢，最終形成評論數(shù)據(jù)集合的整體主題演變趨勢。各時間段內(nèi)主題關(guān)注度按式(6)計算。

(6)

1.3 LSTM模型

1.3.1 LSTM網(wǎng)絡(luò)結(jié)構(gòu) 長短期記憶網(wǎng)絡(luò)(Long Short Term Memory Neural Network, LSTM)是一種用于處理時間序列數(shù)據(jù)的專用網(wǎng)絡(luò)[27]，傳統(tǒng)RNN神經(jīng)網(wǎng)絡(luò)的神經(jīng)元通過輸入函數(shù)計算輸出單元，而LSTM神經(jīng)網(wǎng)絡(luò)是將神經(jīng)元轉(zhuǎn)為記憶單元，每個記憶單元由輸入門、遺忘門和輸出門三部分組成，單元圖如圖3所示。

圖3 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

其中，c為長期狀態(tài)，用來儲存長期記憶信息，保存序列的長期狀態(tài)，并傳送到下一層。從左往右第一個框?yàn)檫z忘門，用于c的更新，丟棄過時信息，它接收上一時刻ht-1和當(dāng)前輸入的xt經(jīng)過wf得到另一個向量，由此才經(jīng)過σ。遺忘門的增加解決了RNN梯度消失和爆炸的問題。

xt數(shù)據(jù)到達(dá)網(wǎng)絡(luò)后，同上時刻的輸出ht-1作為輸入，更新Ct-1，到新Ct，計算公式如公式(7)所示。

(7)

在進(jìn)行sigmod計算后，和更新后的Ct進(jìn)行計算，得到該時刻下的ht，ht計算公式如下式(8)所示。

(8)

1.3.2 熱點(diǎn)主題滿意度計算 根據(jù)所提取主題的基礎(chǔ)上進(jìn)行文本分類構(gòu)建。由于論壇帖子回復(fù)大多是短文本，每個用戶語言習(xí)慣不同，在進(jìn)行分類前需如1.1步驟進(jìn)行文本預(yù)處理、詞向量訓(xùn)練。LSTM后，使用Dropout來防止模型過擬合并增強(qiáng)模型的適用性。由此對論壇帖子文本進(jìn)行情感分析。將論壇帖子文本分為正、負(fù)兩種情感集合。根據(jù)9：1比例，將數(shù)據(jù)集分為訓(xùn)練集、測試集。大量實(shí)驗(yàn)證明，構(gòu)建LSTM網(wǎng)絡(luò)分類器進(jìn)行文本分類所得到的結(jié)果遠(yuǎn)遠(yuǎn)高于樸素貝葉斯、邏輯回歸、SVM等機(jī)器學(xué)習(xí)算法[28-30]。最后根據(jù)分類結(jié)果計算主題滿意度，計算公式如式(9)所示。

(9)

其中，νk,t為t時間下主題k的滿意度，ht為t時間下k主題的好評文檔數(shù)量，Mk,t為時間t下的k主題評論個數(shù)。

1.4 IPA分析IPA(Importance Performance Analysis; IPA)分析法。最早由Martilla和James[31]于1997提出。其基本思想是對影響用戶滿意度的各種因素的重要性和用戶實(shí)際使用感知進(jìn)行評估和分析，找出企業(yè)優(yōu)、劣勢。常采樣“重要性”：I、“績效/滿意度”：P建立二維坐標(biāo)系。通過I、P各自均值分為四象限，分別為第一象限：優(yōu)勢區(qū)；第二象限：維持區(qū)；第三象限：改進(jìn)區(qū)；第四象限：弱勢區(qū)，如圖4 所示。

圖4 IPA四象限圖

(10)

(11)

2 實(shí)證研究

2.1數(shù)據(jù)源說明本文以愛卡汽車論壇帖子作為數(shù)據(jù)來源。愛卡汽車社區(qū)是全球最大的汽車主題社區(qū)，也是國內(nèi)第一家社會化的汽車網(wǎng)絡(luò)互動媒體。它擁有著廣泛的客戶和更全面的數(shù)據(jù)。其次，本文將大眾作為研究品牌，選取大眾旗下高爾夫、途安、邁騰、途觀L、帕薩特、速騰，6個車型作為研究對象，主要原因?yàn)椋涸撈放茷槲覈J(rèn)知度較高汽車品牌，且在選取研究車型時包含轎車、SUV，符合我國汽車購買習(xí)慣，更具代表性。

通過使用“爬蟲”軟件在愛卡汽車論壇上抓取信息抓取。收集的內(nèi)容包括標(biāo)題、發(fā)帖人、發(fā)帖時間、回復(fù)次數(shù)、瀏覽次數(shù)、最新回復(fù)者、最新回復(fù)時間、帖子類型和回復(fù)文本，共形成168 810個初始實(shí)驗(yàn)數(shù)據(jù)集。對初始數(shù)據(jù)集進(jìn)行合并、無關(guān)數(shù)據(jù)和重復(fù)數(shù)據(jù)刪除處理，形成研究語料庫，最終有效評論數(shù)據(jù)共計134 110條。丟棄重復(fù)、異常條目數(shù)據(jù)。將數(shù)據(jù)格式轉(zhuǎn)變?yōu)橛嬎銠C(jī)程序可識別形式。依據(jù)關(guān)鍵詞頻率，對同時出現(xiàn)多個汽車品牌的關(guān)鍵詞帖子，將其規(guī)劃到某一汽車品牌。為保證研究成果的正確性和科學(xué)性，將收集到的數(shù)據(jù)整理如下：

①初步處理數(shù)據(jù)。首先，整理分析帖子信息，找出與該汽車車型不相關(guān)的帖子，刪除無關(guān)數(shù)據(jù)， 減少無關(guān)這些評論數(shù)據(jù)對最后結(jié)果的影響。②文本去重。同一個人可能會出現(xiàn)重復(fù)評論，有價值的即為第一條評論，將評論中重復(fù)部分除去。③機(jī)械壓縮去詞。收集的汽車評論信息中夾雜著大量無意義的內(nèi)容，文本去重之后，仍有許多信息需要處理。如：“哈哈哈”以及“非常好非常好”。④建立歸并詞表。即統(tǒng)一汽車的外觀、配置、性能等定義：如將“前臉”“正臉”等統(tǒng)一替換為“車頭”,將“后尾”“尾部”轉(zhuǎn)換為“車尾”等。⑤建立自定義詞表。建立與汽車相關(guān)聯(lián)的詞匯，精確分詞，使本文研究更加具有真實(shí)性。⑥去停用詞。⑦分詞。

2.2基于LDA的用戶關(guān)注熱點(diǎn)關(guān)注度分析

2.2.1 主題抽取和特征詞選取 按照主題關(guān)注度算法步驟對汽車評論文檔數(shù)據(jù)進(jìn)行預(yù)處理，對評論文本使用LDA主題模型建模，挖掘主題詞及詞頻。根據(jù)經(jīng)驗(yàn)值，模型的超參數(shù)取α=50/K，β=0.01，各主題關(guān)鍵詞數(shù)為20。根據(jù)式(3)計算不同主題數(shù)目下困惑度，結(jié)果如圖5所示，可以看出，K取8時，LDA主題模型困惑度產(chǎn)生局部最小值，之后Perplexity逐漸增加。同時，調(diào)用PyLDAvis包對各主題間距離進(jìn)行可視化呈現(xiàn)，由圖6所示，當(dāng)K=8時，主題區(qū)分度明顯。因此，確定LDA最佳主題數(shù)K為8。

圖5 主題困惑度變化趨勢

圖6 主題距離圖

本文設(shè)置閾值α=0.2，去除3 697條邊緣評論，剩余130 413條評論。在此基礎(chǔ)上，針對在線品牌社群用戶關(guān)注熱點(diǎn)信息進(jìn)行深層次挖掘與分析。

利用訓(xùn)練好的LDA主題模型，對在線品牌社群評論文本進(jìn)行主題抽取，得到矩陣：“文檔-主題”“主題-詞匯”，根據(jù)式(1)對“主題-詞匯”計算出每個主題的特征詞，分別如表1和表2所示。

表1 文檔主題矩陣的部分示例

表2 主題詞匯矩陣的部分示例

從實(shí)驗(yàn)結(jié)果看，用戶對汽車品牌的關(guān)注主題呈現(xiàn)出范圍廣、多樣性的特點(diǎn)。不僅涵蓋了汽車價格、汽車制動、汽車保養(yǎng)等領(lǐng)域，還包括對汽車行業(yè)前景、用戶對汽車產(chǎn)品接受程度等話題的討論。以topic0為例，相關(guān)評論主要與汽車外形、顏色、車型設(shè)計、空間大小、配置問題密切相關(guān)，因此將主題描述為汽車總體結(jié)構(gòu)問題?；诖朔椒ǚ謩e對topic1- topic7的主題進(jìn)行描述為：汽車制動、汽車配置定制、汽車保養(yǎng)、汽車輪胎、汽車相關(guān)配件及其價格、汽車車友交流、汽車行車。

2.2.2 熱點(diǎn)主題關(guān)注度計算 對于主題抽取，根據(jù)式(5)進(jìn)行主題關(guān)注度計算，分析各主題關(guān)注度隨時間的變化，得到汽車各主題關(guān)注度隨時間演變情況如圖7所示。在2017年12月至2018年4月期間，用戶對各主題的關(guān)注度有如下趨勢：相關(guān)討論以topic0為主，在此期間topic0主題關(guān)注度一直高于其余7個主題。相關(guān)討論以topic0、topic1為主，這些為用戶的主要關(guān)注熱點(diǎn)；topic2占比處于第3，屬于用戶主要關(guān)注點(diǎn)，但其波動呈現(xiàn)先增加后下降趨勢，說明用戶對該主題有所關(guān)注，但關(guān)注度呈現(xiàn)下降趨勢；topic3-topic7的關(guān)注相對穩(wěn)定，波動幅度不大。用戶在不同時間對不同主題的關(guān)注熱度不同，可能與相關(guān)政策或汽車推出有關(guān)。如在2017年，大眾集團(tuán)在“2025年變革”會議中大眾產(chǎn)品攻勢正式啟動，將陸續(xù)推出多款車型，大眾在華發(fā)起最大規(guī)模的產(chǎn)品攻勢，旨在成為中國市場領(lǐng)先SUV品牌。此后，用戶對與汽車車型相關(guān)主題的關(guān)注以及討論迅速增加，且明顯高于其余主題，并在2018年1月達(dá)到最高值，且該主題在用戶討論中占據(jù)較大比重，表明汽車總體架構(gòu)為用戶的主要關(guān)注熱點(diǎn)。企業(yè)可圍繞用戶核心需求，實(shí)時獲取用戶對產(chǎn)品的需求和偏好，快速迭代，不斷更新提升產(chǎn)品，同用戶建立長遠(yuǎn)信賴關(guān)系，驅(qū)動社交裂變，增強(qiáng)品牌在線社群的影響力。

圖7 汽車評論主題關(guān)注度時間演化

2.3基于LSTM的用戶關(guān)注熱點(diǎn)滿意度分析在模型數(shù)據(jù)訓(xùn)練方面，根據(jù)9：1尺度將評論文本集分為訓(xùn)練集、測試集。為了達(dá)到理想的情感分類效果，進(jìn)行了LSTM模型參數(shù)的調(diào)整實(shí)驗(yàn)。Droput設(shè)置為0.2，共執(zhí)行5個訓(xùn)練周期。模型的準(zhǔn)確率在訓(xùn)練集上達(dá)93.4%，在測試集上超過90%。 最后由評論文本得到的分類結(jié)果為：正面評論：91 588條；負(fù)面評論：38 825條，見表3。

表3 熱點(diǎn)主題的情感分布情況

依據(jù)式(8)進(jìn)行主題滿意度計算，具體結(jié)果如圖8所示?？梢园l(fā)現(xiàn)用戶對汽車評論滿意度普遍以積極情感為主，對各主題的滿意度存在差異性。例如，用戶對topic0、topic1的積極情感在2017年1月趨向于消極情感，在2017年12月達(dá)到最大值，并逐漸趨向于平穩(wěn)趨勢?？梢钥闯鲇脩魧ζ囓囆秃推囍苿拥膽B(tài)度隨產(chǎn)品的持續(xù)出新，用戶消極情感有所上升，可能是發(fā)現(xiàn)某些汽車設(shè)計對用戶存在不便之處。用戶對topic6和topic7的積極情緒逐漸增加，并在2018年1月達(dá)到最大值，然后逐漸趨于穩(wěn)定，負(fù)面情緒增加，但主要以積極情緒為主。說明隨著一系列政策的出臺，更多用戶對汽車制動表現(xiàn)看好，少部分用戶持消極觀點(diǎn)。用戶對余下主題的積極情感出現(xiàn)持續(xù)上升再有所下降趨勢，用戶對主題情感趨向于積極態(tài)度，消極情感均低于積極情感。

圖8 汽車評論主題滿意度時間演化

2.4用戶關(guān)注熱點(diǎn)IPA分析在品牌形象感知各要素的關(guān)注度與滿意度的基礎(chǔ)上，用IPA方法計算該汽車產(chǎn)品感知的表現(xiàn)性數(shù)值和重要性數(shù)值，結(jié)果如圖9所示。進(jìn)入第一象限的關(guān)注要素有：汽車制動、汽車配置要素，即用戶對這些主題要素關(guān)注度、滿意度高，說明大眾汽車的汽車制動、汽車配置性能良好，用戶享受了優(yōu)質(zhì)產(chǎn)品服務(wù)及其情感體驗(yàn)。

圖9 用戶關(guān)注熱點(diǎn)IPA分析結(jié)果

落在第二象限的關(guān)注要素為：汽車輪胎、汽車行車要素，雖然用戶對這些要素關(guān)注度較低，但用戶對其評價價值較高，說明雖然用戶對大眾汽車的汽車輪胎、汽車行車的感知相對較低但較為滿意，在產(chǎn)品使用過程中獲得良好使用體驗(yàn)。

進(jìn)入第三象限的要素有3個，分別為：汽車保養(yǎng)、汽車配件及其價格、汽車車友交流，用戶對這些要素不僅感知重要性低，而且對其滿意度也較為低下，是大眾汽車未來產(chǎn)品研發(fā)方向和線上線下交流活動有待優(yōu)化的方面。汽車保養(yǎng)要素不足主要表現(xiàn)在汽車保養(yǎng)費(fèi)用較高；保養(yǎng)地點(diǎn)較少，不方便；此外，在市場上有著 “開不壞的豐田，修不好的大眾”的俗語。后期問題出現(xiàn)時，進(jìn)行保養(yǎng)修護(hù)比較困難。汽車車友交流的不足在于車友交流互動不夠?qū)崟r，有滯后性；活動較少。

在第四象限的要素為：汽車總體架構(gòu)，說明用戶要素是影響其使用感價值的重要因素，大眾企業(yè)需采取相應(yīng)處理措施進(jìn)行有效優(yōu)化提升以提高優(yōu)化滿意度水平。從總體來看，大眾汽車優(yōu)化使用體驗(yàn)滿意度平均值為0.29，滿意度為負(fù)值時，情感趨向于消極情緒，高于0時為積極情緒，除topic0以外其余情感均趨向于正向情感，說明大眾作為日系車的一大巨頭，用戶整體使用體驗(yàn)感質(zhì)量相對較高。

3 結(jié) 論

本研究基于“愛卡汽車論壇”相關(guān)數(shù)據(jù)，提出了基于LSTM-LDA算法和IPA分析方法，探索在線品牌社群用戶在不同時間片內(nèi)的參與交流評論的情況，勾勒熱點(diǎn)主題的關(guān)注度、滿意度的時序發(fā)展趨勢，并通過構(gòu)建IPA分析模型，明確當(dāng)前熱點(diǎn)主題發(fā)展態(tài)勢。經(jīng)過實(shí)證研究得出如下結(jié)論：

a.從主題討論信息來看，在線品牌社群用戶通過論壇關(guān)注汽車信息以及交流使用心得，用戶關(guān)注主題具有范圍廣、類型多的特點(diǎn)。不僅涵蓋了汽車總體結(jié)構(gòu)、汽車制動、汽車配置定制、汽車保養(yǎng)、汽車輪胎等多種企業(yè)品牌產(chǎn)品特性，還包括了售后服務(wù)等問題的探討。

b.從主題時序發(fā)展態(tài)勢來看，主題關(guān)注度的演變趨勢反應(yīng)了用戶對汽車品牌的關(guān)注情況，品牌用戶對各主題關(guān)注度變化趨勢呈現(xiàn)較為平穩(wěn)狀態(tài)，用戶在不同階段所關(guān)注的主題側(cè)重點(diǎn)具有一定差異性。主題滿意度的演變趨勢反應(yīng)了用戶對汽車品牌的情感態(tài)度，用戶對品牌總體滿意度趨向于正向，用戶主體滿意度較高。以topic0為例，其情感趨向于負(fù)向，這表明汽車產(chǎn)品周邊服務(wù)未能達(dá)到用戶期望值。

c.根據(jù)IPA四象限分析，挖掘品牌形象感知各要素。定位出處于改進(jìn)區(qū)的要素為：汽車保養(yǎng)、汽車配件及其價格、汽車車友交流；處于弱勢區(qū)的要素為：汽車總體架構(gòu)。用戶作為產(chǎn)品的最終使用者，其使用反饋有利于汽車制造商、經(jīng)營商了解用戶需求及其發(fā)展趨勢，幫助相關(guān)企業(yè)制定產(chǎn)品開發(fā)戰(zhàn)略和產(chǎn)品優(yōu)化策略，以此滿足不同用戶的不同需求，提升用戶滿意度。

本文證明了利用在線品牌社群挖掘用戶關(guān)注熱點(diǎn)及其發(fā)展態(tài)勢的可行性，具有一定理論意義，在以往研究中，多集中于直接使用LDA模型訓(xùn)練結(jié)果進(jìn)行主題分析。相對于傳統(tǒng)的聚類主題挖掘，本文結(jié)合LDA與多時間窗口，從時間維度上梳理用戶關(guān)注主題演變趨勢，與此同時，通過過濾邊緣評論，充分考慮相似度低的評論對動態(tài)主題挖掘的影響，豐富了在線品牌社群用戶需求挖掘的結(jié)果研究。

研究結(jié)果還能為相關(guān)企業(yè)在進(jìn)行產(chǎn)品創(chuàng)新、前景路線規(guī)劃、市場營銷等工作提供參考。一方面，當(dāng)品牌進(jìn)入市場疲軟期時，用戶關(guān)注度明顯下降，企業(yè)可提供感知結(jié)果，以便市場營銷部門根據(jù)用戶關(guān)注主題類型及其關(guān)注度的變化趨勢，及時了解并預(yù)測用戶的興趣主題及時調(diào)整營銷方向。為用戶提供個性化資源推薦和話語內(nèi)容反饋。例如，具有相似關(guān)注主題的討論貼、興趣小組等。另一方面，在主題演變周期的基礎(chǔ)上，實(shí)現(xiàn)對市場流程預(yù)警、引導(dǎo)、控制的管理。在滿意度低下階段，注重產(chǎn)品評價，探索產(chǎn)品出現(xiàn)的問題，形成預(yù)案，避免造成客戶群體流失，增強(qiáng)用戶市場黏合力。

本研究僅局限于愛卡汽車論壇，數(shù)據(jù)覆蓋面和研究對象范圍有限。在后續(xù)研究中，拓寬數(shù)據(jù)獲取渠道，對不同網(wǎng)絡(luò)、不同搜索引擎及不同車系信息進(jìn)行收集，以便對該類問題做更深入細(xì)致的研究。