基于機器學習的富硒茶評論文本消費者滿意度感知研究

王 濤，劉星亮，王泓淇，于志軍

（安康學院電子與信息工程學院，陜西 安康 725000）

鄉(xiāng)村振興是“三農”發(fā)展的重要問題之一，鄉(xiāng)村振興需要借助產業(yè)振興，產業(yè)振興需要借力區(qū)域農產品的發(fā)展，區(qū)域農產品建設對區(qū)域經濟增長和鄉(xiāng)村振興具有重要作用［1］。區(qū)域農產品是指來源于獨特地域，具有該地區(qū)相關的質量、聲譽或品牌，經相關機構組織審核批準并以特色農產品進行命名的產品［2］。區(qū)域農產品品牌的形成與用戶的滿意度主要來自消費者的認知，富硒茶作為陜西安康和湖北恩施地區(qū)的區(qū)域特色農產品，仍然面臨品牌知名度提升、用戶信任度、用戶滿意度不足等問題［3，4］。伴隨茶葉銷售電子商務網站不斷增多，為消費者購買茶葉提供了更多的決策機會，企業(yè)要想提升富硒茶品牌建設與消費者滿意度就必須對消費者的行為數據進行挖掘，了解用戶的主觀需求，消費者線上參與行為數據會正向影響消費者的信任、滿意度、忠誠度［5］。而消費者在線評論文本的行為數據作為商品的口碑數據能夠真實表達出消費者的消費體驗，能夠直接幫助電商企業(yè)獲取消費者滿意度的相關維度指標，挖掘該類口碑數據對研究消費者的滿意度以及品牌建設有重要指導性作用［6］。本研究以電商平臺的富硒茶真實評論數據為數據源，使用機器學習和特征詞與主題挖掘方法提取消費者對富硒茶的感知特性，旨在為富硒茶消費者滿意度感知提供相關研究借鑒與營銷啟示。

1 研究綜述與述評

消費者滿意度是指購買產品的過程和使用之后的反應，滿意度被視為累積的過程，消費者滿意度是指當消費者的期望與他們的真實消費體驗一致時產生的一種情緒［7］。消費者滿意度會受到客戶體驗和消費體驗所產生的體驗價值影響［8］。在農產品與消費者滿意度研究方面，王二朋等［9］以蘋果在線消費評論數據進行建模挖掘分析，識別消費者的偏好特征。李寧等［10］以問卷調查收集研究數據，使用中介效應和結構方程模型對消費者網購生鮮農產品的滿意度進行實證研究。李蕾等［11］使用調查問卷研究了農產品的感知價值與服務質量對消費者的滿意度影響。陳艷等［12］通過調查問卷收集數據，分析了消費者購買贛南臍橙的消費行為影響因素。盧秀龍等［13］以調查問卷分析了茶葉品牌選擇的影響因素。李倩等［14］以問卷調查分析了青年群體對茶葉消費行為，發(fā)現品牌信任在消費者信任與矛盾追加中存在調節(jié)作用。從已有研究可以看出，消費者在購買特色農產品時，產品的質量感知、價值感知和物流服務等諸多因素影響消費者購買意愿。從研究數據角度來看，已有文獻多采用問卷調查的方式進行數據收集，較少利用在線評論進行滿意度挖掘研究，在線評論文本數據作為半結構化數據對消費者決策和企業(yè)營銷具有重要影響［15］。目前大多數學者研究在線評論文本對消費者影響多用于酒店評論、在線旅游評論等，鮮有學者將其用在特色區(qū)域農產品營銷方面。部分學者研究了在線評論與消費者滿意度的關系，如曹裕等［16］針對休閑類食品的在線評論文本實證研究了消費者的信任感對購買決策影響。朱麗葉等［17］驗證了在線評論的評論質量與評論者等級高低卷入度對消費者購買意愿的影響。尹麗春等［18］對圖書在線評論文本數據進行研究影響消費者滿意度的因素。

從已有文獻看出研究消費者滿意度的文獻較為豐富，但是使用機器學習等相關技術在農產品評論文本中進行滿意度的分析較少，而尚未有學者使用機器學習的方法獲取評論文本一手數據來對富硒茶進行研究，并對消費者購買的影響機制進行研究。鑒于此，研究將結合富硒茶評論文本數據，進行富硒茶消費者滿意度識別，拓寬富硒茶產品的內外部研究視角。

2 研究設計

首先，使用Python 爬蟲獲取富硒茶評論文本，并將其存儲為CSV 文件。其次，對評論文本進行數據預處理，如機械去重、清洗、分詞、詞向量轉化等。再次，使用機器學習分類器進行分類，獲取正負類文本數據。最后，進行評論文本語義消費者滿意度分析，得出相關的結論及營銷管理啟示，其研究框架圖1所示。

圖1 相關流程框架

2.1 數據獲取

選取京東平臺作為數據來源，搜索商品關鍵詞“富硒茶”，并按照評論進行排序，使用Python 編程爬蟲程序采集30 余家店鋪的10 000 多條用戶評論文本信息，保留每條評論的用戶名稱、用戶級別、評論內容、評價星級、評論時間、追評內容等信息，部分數據如圖2 所示。

圖2 數據采集部分結果

2.2 數據清洗

由于在線評論文本消費者在評論時具有較大的隨意性與不確定，將會產生噪音數據，數據清洗首先就是對噪音數據進行處理。首先，刪除少于3 個字評論文本以及無意義評論如“好”、“好的”、“好評”、“還沒有喝”等，并刪除重復評論。其次，刪除與富硒茶評論信息無關的一些數據，如“此用戶未填寫評價內容”；再次，將初評數據與追評數據進行對比，如果初評數據與追評數據情感傾向不同，則使用追評數據代替初評數據，如初評數據為“一般般，這個價格也只能夠這樣了”，而追評數據為“非常差，泡出來的味道非常淡，一點茶葉的味道也沒有，還都是碎渣子”，則認為該評論為差評數據，篩選后剩余7 500 條數據。

2.3 分詞與詞向量轉化

對用戶評論文本進行分詞時，使用Jieba 分詞工具進行分詞，使用哈工大停用詞表進行停用詞處理，為了提高分詞精度需要自定義情感詞典，自定義情感詞典部分歧義詞典、網絡新詞詞典與未登錄詞典如表1 所示。

表1 自定義詞典

對分詞后的文本，使用Word2vec 進行詞向量轉化，Word2vec 詞向量的原理是將文本中的每一個詞都映射到特定維度的實數向量空間中，其中越接近的詞義會在該向量空間中越相近，Word2vec 詞向量將每個詞都作為一個隨機的K 維向量，通過該模型訓練后能夠輸出相應詞的最優(yōu)向量［19］。

3 結果與分析

3.1 情感分類

使用有監(jiān)督學習方法對富硒茶評論文本進行情感分類，通過預先建立的領域類自定義情感詞典，組織3 名本科生對每條評論文本進行打標簽并進行校正，從而形成人工標注的訓練集和測試集，將標注的6 000 條數據作為訓練集，1 500 條作為測試集。使用機器學習分類算法中常見的K-近鄰（KNN）［20］、邏輯回歸（LR）［21］、隨機森林（RF）［22］、決策樹（DT）［23］、支持向量機（SVM）［24］、梯度提升決策樹（GBDT）［25］算法進行情感分類。對各種分類器結果使用常用的機器學習分類指標精確率（Precision）、召回率（Recall）、準確率（Accuracy）、F值（F-score）來衡量各類分類算法效果［26］。其中F值為精確率和召回率的調和平均值，可以使用F值大小反映整體指標，F值越大，代表精確率和召回率越高，分類器分類效果也越好，6 種分類器的相關結果如表2 和圖3 所示，從分類結果可以看出，SVM 算法在該數據集上的分類效果最佳。精確率、召回率、F值、準確率相關計算公式如下。

圖3 各分類器參數比較

表2 各分類器分類結果

式中，TP表示為正確預測的正樣本數，TN為正確預測的負樣本數，FP為預測錯誤的正樣本數，FN為預測錯誤的負樣本數［26］。

3.2 在線評論消費者滿意度挖掘分析

對情感分類所得到的正負面評論文本進行文本語義內容分析得到影響消費者滿意度的相關因素，用戶生成的每條評論文本，由用戶評價的各個主題元詞匯構成，對此進行分析能夠識別用戶對商品的滿意度評價指標，對消費者的在線評論文本進行詞云與特征詞提取和主題詞提取來識別消費者的評價傾向滿意度，生成正負面評論詞云如圖4 所示。

圖4 正負面評論詞云

使用 TF-IDF 算法［27］進行特征詞詞頻分析，正負面評論文本特征詞及其權重如表3 所示。

表3 TF-IDF 特征詞詞匯

從特征詞頻可以看出，負面評論消費者的主要評論關鍵詞如茶葉、味道、口感、包裝、湯色、味道、快遞、沒有、不符等，這些維度特征詞對消費者的滿意度有直接負面影響。正面評論消費者主要的關鍵詞如不錯、茶葉、口感、包裝、味道、湯色、性價比、質量等對消費者的滿意度有正面直接影響。使用TFIDF 進行特征詞分析，能夠識別消費者評論文本所關注的重點信息，為了進一步挖掘消費者滿意度指標使用LDA［28］主題模型對在線評論文本進行主題詞提取，LDA 是無監(jiān)督的機器學習方法，可用來挖掘隱藏在文檔或語料中的主題信息，經過試驗對比，設置主題數為4，抽取每個主題下前20 個關鍵主題詞，正、負面主題詞如表4、表5 所示，并使用pyLDA-vis可視化，如圖 5、圖6 所示。

圖5 正面評論主題可視化

圖6 負面評論主題可視化

表4 正面評論主題詞

將正面評論的關鍵詞主題歸納為質量感知、營銷感知、信任感知、物流服務。據表4 可以看出，在質量感知主題下，消費者主要對富硒茶的香味、湯色、新鮮度、顏色、味道等方面進行評論，這些主題詞表達了消費者對富硒茶質量感知的重點關注傾向評論。在營銷感知主題下，消費者對富硒茶的包裝、禮品、贈品等方面較為關注。在信任感知主題下，消費者的主題詞如第二次、繼續(xù)、下次、推薦、支持等表達消費者的信任度。在物流服務主題下，消費者對商品的物流、很快、發(fā)貨、快遞、京東等評論較為關注。

依據表5，將負面的評論主題詞歸納為物流服務、信任感知、價格感知、質量感知。據表5 可以看出，消費者的負面評論主要集中在物流的效率、產品的質量、色澤、口感、味道。根據pyLDAvis 可視化可以得出每個主題的在文檔中占比，由圖7 可以看出，每個主題在負面文檔的占比分別是質量感知（47.26%）、信任感知（24.15%）、物流服務（15.78%）、價格感知（12.81%），可以看出質量問題和信任問題是造成消費者滿意度差評的主要因素。

表5 負面評論主題詞

圖7 負面評論主題文檔占比

4 結論與啟示

以消費者與企業(yè)間的互動數據信息為研究對象，較之傳統(tǒng)的問卷調查方式更具有客觀性和有效性，使用文本挖掘與情感分類方法對富硒茶評論文本顧客滿意度進行挖掘，研究了影響富硒茶顧客滿意度評價的相關指標，進而為富硒茶企業(yè)、電商平臺持續(xù)改善消費者滿意度提供理論基礎，加強富硒產品的品牌建設?；诖朔椒ㄋ杉唐吩诰€的評論文本，通過機器學習算法與數據挖掘方法對消費者評價的情感極性進行識別，克服了消費者在電商平臺通過用戶自定義的星級指標來識別評價的等級隨意性，使用該方法得到的消費者正負面評論文本更為詳實地表達消費者的情感信息?；谝陨戏治龅贸龈晃柘M者滿意度的相關管理啟示。

1）重點提升消費者的質量感知。消費者對富硒茶的口感、味道、新鮮度等的質量感知最為顯著，質量感知是影響消費者滿意度的主要差評因素。因此，提升質量感知是加強富硒茶品牌建設的剛性需求，富硒茶企業(yè)要從源頭控制茶葉的口感、味道、新鮮度等質量感知因素，改善消費者的內在質量感知，提升消費者的滿意度水平，從而提升富硒茶在同類產品的競爭力。

2）保證消費者的價格感知與信任感知。價格感知因素對消費者滿意度具有直接影響，保證消費者購買產品的價格感知，信任是消費者購買產品的安全感與意愿，信任是一個動態(tài)建立的過程，留存消費者的信任度能夠加強消費者對產品的忠誠度與滿意度，同樣信任度也是影響消費者差評的主要因素。

3）完善物流服務配套設施。物流作為電商交易的重要環(huán)節(jié)，商家應該提升發(fā)貨速度，制定合理高效的物流配送設施是獲取客戶資源的戰(zhàn)略決策，提升物流配送的專業(yè)性，形成資源可持續(xù)輸出帶來更多的經濟收入。

4）加強消費者對商品的營銷感知。改善現有營銷策略，對商品進行差異化包裝，保證營銷廣告宣傳與實際商品的真實性。