消費(fèi)品投訴識(shí)別與缺陷特征發(fā)現(xiàn)

摘要：【目的】為改進(jìn)消費(fèi)品質(zhì)量和服務(wù)、提升消費(fèi)者滿意度和品牌競爭力提供依據(jù)，助力消費(fèi)品市場(chǎng)有序健康發(fā)展?！痉椒ā恳?016—2021年從政府官方平臺(tái)獲取的23，736條投訴文本為基礎(chǔ)，應(yīng)用BERTopic模型進(jìn)行主題挖掘，識(shí)別主要主題及演化趨勢(shì)，并借助投訴主題網(wǎng)絡(luò)分析缺陷特征之間的關(guān)聯(lián)性。【結(jié)果】消費(fèi)品投訴主要集中在電子產(chǎn)品的質(zhì)量缺陷和售后服務(wù)不足，消費(fèi)者對(duì)手機(jī)電池問題導(dǎo)致的自動(dòng)關(guān)機(jī)關(guān)注度較高，投訴主題網(wǎng)絡(luò)揭示了投訴內(nèi)容之間的復(fù)雜關(guān)系，維修、售后等問題在網(wǎng)絡(luò)中占據(jù)橋梁地位，消費(fèi)者重視品牌，并對(duì)品牌和產(chǎn)品類別的投訴表現(xiàn)出顯著差異?！窘Y(jié)論】所構(gòu)建的主題模型能夠較好地識(shí)別投訴的類別、品牌、缺陷特征等，并詳細(xì)展示了各投訴內(nèi)容之間的關(guān)聯(lián)性。后續(xù)將進(jìn)一步擴(kuò)大研究樣本范圍，從更廣泛的渠道獲得投訴文本并進(jìn)行信息挖掘。

關(guān)鍵詞：消費(fèi)品缺陷；BERTopic模型；文本挖掘；投訴主題網(wǎng)絡(luò)

DOI編碼：10.3969/j.issn.1674-5698.2025.06.016

0引言

中國提出構(gòu)建以國內(nèi)大循環(huán)為主體、國內(nèi)國際雙循環(huán)相互促進(jìn)的新發(fā)展格局，進(jìn)一步加強(qiáng)內(nèi)需對(duì)經(jīng)濟(jì)增長的推動(dòng)力。2023年1月31日，習(xí)近平主持中共中央政治局第二次集體學(xué)習(xí)并發(fā)表重要講話，習(xí)近平總書記強(qiáng)調(diào)，建立和完善擴(kuò)大居民消費(fèi)長效機(jī)制，使居民有穩(wěn)定收入能消費(fèi)、沒有后顧之憂敢消費(fèi)、消費(fèi)環(huán)境優(yōu)獲得感強(qiáng)愿消費(fèi)。消費(fèi)品的量質(zhì)齊增是擴(kuò)大內(nèi)需戰(zhàn)略的關(guān)鍵[1]，在經(jīng)濟(jì)運(yùn)行中扮演著“市場(chǎng)調(diào)節(jié)器”與“宏觀經(jīng)濟(jì)運(yùn)行指示器”的重要角色，保證消費(fèi)品質(zhì)量安全對(duì)于保障和改善民生有重要作用[2]。國家市場(chǎng)監(jiān)督管理總局印發(fā)的《市場(chǎng)監(jiān)督管理投訴信息公示暫行規(guī)則》[3]，要求消費(fèi)品投訴信息公開化，公示成為常態(tài)，不公示才是特例，遵循“誰處理、誰公示”的原則，提升消費(fèi)市場(chǎng)的透明度，保護(hù)消費(fèi)者知情權(quán)。

投訴是消費(fèi)者對(duì)質(zhì)量缺陷表達(dá)不滿的重要途徑[4-5]，投訴信息是消費(fèi)者在使用后對(duì)消費(fèi)品或服務(wù)表達(dá)不滿的載體[6]，包含負(fù)面缺陷信息的投訴比正面營銷信息更能獲得潛在購買者的關(guān)注。投訴會(huì)引起政府介入、誘發(fā)企業(yè)輿情危機(jī)，對(duì)企業(yè)品牌聲譽(yù)造成致命打擊[7]?？诒疇I銷對(duì)品牌帶來的正面效應(yīng)往往經(jīng)不起一次負(fù)面投訴的沖擊[8-9]。投訴產(chǎn)生的負(fù)面口碑通過社交媒體的傳播擴(kuò)大了影響人群范圍[10]，從而更大范圍地削減消費(fèi)者對(duì)品牌的忠誠度[11]。投訴比差評(píng)需要消費(fèi)者投入更多的精力，只有在嚴(yán)重質(zhì)量缺陷并損害權(quán)益時(shí)，消費(fèi)者才會(huì)進(jìn)行投訴[12]。不同于第三方平臺(tái)或社交媒體上進(jìn)行情緒宣泄的差評(píng)[13]，投訴是消費(fèi)者向政府部門尋求維權(quán)的重要信號(hào)，表明差評(píng)已經(jīng)無法滿足消費(fèi)者的訴求。對(duì)投訴文本進(jìn)行挖掘是發(fā)現(xiàn)消費(fèi)品質(zhì)量缺陷的重要方式，為消費(fèi)者進(jìn)行購買決策提供參考，同時(shí)幫助企業(yè)正視缺陷，降低消費(fèi)市場(chǎng)信息不對(duì)稱程度[14]，維護(hù)消費(fèi)者的合法權(quán)益。

在此背景下，本文基于國家市場(chǎng)監(jiān)督管理總局獲得的消費(fèi)者投訴文本，研究消費(fèi)品存在的質(zhì)量缺陷問題。本文數(shù)據(jù)具有如下優(yōu)勢(shì)：第一，數(shù)據(jù)的可靠性。數(shù)據(jù)來自政府部門及其官方平臺(tái)，不同于第三方投訴平臺(tái)（如黑貓投訴）中包含較多的噪聲信息。第二，數(shù)據(jù)的相關(guān)性。相比前人研究，本研究數(shù)據(jù)擁有較高的缺陷信息含量和較低的消費(fèi)者情緒傾向，能夠準(zhǔn)確定位品牌及其缺陷情況。

1文獻(xiàn)綜述

1.1消費(fèi)者投訴研究現(xiàn)狀

投訴作為消費(fèi)者表達(dá)不滿、維護(hù)自身權(quán)益的重要渠道，其對(duì)企業(yè)經(jīng)營、市場(chǎng)表現(xiàn)及消費(fèi)者保護(hù)機(jī)制等方面具有重要影響?，F(xiàn)有研究圍繞消費(fèi)者投訴的影響機(jī)制、檢測(cè)與分析方法、企業(yè)應(yīng)對(duì)策略等方面展開，取得了豐富的研究成果。在消費(fèi)者投訴的影響機(jī)制方面，研究發(fā)現(xiàn)消費(fèi)者投訴對(duì)企業(yè)的銷售、運(yùn)營及市場(chǎng)表現(xiàn)具有顯著影響。消費(fèi)者投訴不僅可能直接導(dǎo)致銷量下降，還可能通過影響企業(yè)聲譽(yù)和品牌形象間接作用于市場(chǎng)表現(xiàn)。在消費(fèi)者投訴的檢測(cè)與分析方法方面，研究者利用自然語言處理（NLP）方法對(duì)非結(jié)構(gòu)化投訴文本進(jìn)行了深入探索，包括基于社交媒體評(píng)論的缺陷識(shí)別系統(tǒng)[4]、基于圖論的半監(jiān)督學(xué)習(xí)方法[15]，以及結(jié)合句子和單詞級(jí)別的注意力機(jī)制的投訴識(shí)別模型[16]，有效提升了消費(fèi)者投訴的自動(dòng)化檢測(cè)與分析能力。企業(yè)采取積極的召回措施有助于降低因缺陷產(chǎn)品投訴引發(fā)的市場(chǎng)損失[17]，引入基于人工智能的智能客服系統(tǒng)能減少投訴量并提升客服績效[10]。此外，企業(yè)對(duì)負(fù)面投訴的回應(yīng)方式需慎重選擇，幽默回應(yīng)可以在一定程度上提升品牌知名度，但也可能損害消費(fèi)者對(duì)品牌的信任[18]。

1.2主題模型研究現(xiàn)狀

主題模型作為一種無監(jiān)督的機(jī)器學(xué)習(xí)方法，在文本分析中發(fā)揮了重要作用，能夠通過構(gòu)建詞共線矩陣來識(shí)別文本中的潛在主題，幫助研究者完成文本分類、信息關(guān)聯(lián)和整合[19]。當(dāng)前，學(xué)術(shù)界廣泛應(yīng)用的主題模型主要包括LDA和BERTopic模型。LDA模型是經(jīng)典的主題挖掘方法，通過引入狄利克雷先驗(yàn)分布對(duì)詞語進(jìn)行向量化并計(jì)算其概率，構(gòu)建主題的詞語分布[20]。該模型已在用戶內(nèi)容與行為分析中取得較多成果，如Jia[21]利用LDA分析中美顧客評(píng)論以揭示文化差異，Kirilenko等[22]利用LDA提取游客負(fù)面評(píng)論中的不滿主題。

基于Transformer架構(gòu)的BERTopic模型通過預(yù)訓(xùn)練方式學(xué)習(xí)文本的語言特征。BERTopic模型先在無標(biāo)簽的語料庫中進(jìn)行訓(xùn)練，然后通過有標(biāo)簽的數(shù)據(jù)進(jìn)行微調(diào)[23]，利用經(jīng)過預(yù)訓(xùn)練的句子嵌入模型將文本向量化，以向量聚類方式學(xué)習(xí)文本中的語言特征[24]，從而挖掘潛在主題。Grootendorst[25]提出了BERTopic模型，使用預(yù)訓(xùn)練語言模型生成文檔嵌入，并對(duì)嵌入進(jìn)行聚類，最后基于c-TF-IDF生成主題。Wang等[26]利用BERTopic分析圖書館與信息科學(xué)領(lǐng)域的發(fā)展趨勢(shì)。Sanchez-Franco等[27]應(yīng)用該模型挖掘消費(fèi)者評(píng)論中的主觀體驗(yàn)信息。

2研究設(shè)計(jì)

2.1數(shù)據(jù)獲取與預(yù)處理

本文數(shù)據(jù)來自國家市場(chǎng)監(jiān)督管理總局、缺陷產(chǎn)品管理中心、中國政府網(wǎng)等官方網(wǎng)站及公眾號(hào)，以及郵件、電話、信訪獲得的投訴文本，時(shí)間跨度為2016—2021年，在去掉部分重復(fù)投訴信息后共獲取投訴文本23，736條。圖1展示了主題挖掘與分析流程。

借助Python對(duì)投訴文本進(jìn)行數(shù)據(jù)清洗和預(yù)處理，將重復(fù)及無意義的投訴文本剔除。使用中文分詞工具jieba對(duì)文本進(jìn)行分詞，借助哈工大停用詞表清洗掉部分無研究價(jià)值的符號(hào)、語氣詞等。除此之外，對(duì)文本先進(jìn)行數(shù)十次訓(xùn)練，記錄對(duì)于主題聚類無意義的詞匯，例如時(shí)間信息詞“2016”“上旬”“十月”，網(wǎng)站信息詞“comhttps”，程度信息詞“經(jīng)?！薄安坏健薄翱赡堋钡龋尤胪Ｓ迷~表，最大程度降低無意義詞對(duì)模型訓(xùn)練結(jié)果的影響。

2.2BERTopic模型

BERTopic模型是1種先進(jìn)的深度學(xué)習(xí)算法[25]，可以對(duì)大批量文本進(jìn)行計(jì)算并提取其中的關(guān)鍵信息，挖掘文本背后的隱藏問題，助力決策者制定科學(xué)的戰(zhàn)略規(guī)劃[28-29]。BERTopic基于BidirectionalEncoderRepresentationsfromTransformers（BERT）語句嵌入模型，利用Transformer和c-TF-IDF創(chuàng)建聚類，對(duì)主題進(jìn)行畫像并保留關(guān)鍵含義的詞語。使用BERTopic模型進(jìn)行主題建模會(huì)經(jīng)歷以下4個(gè)階段：詞嵌入（SentenceTransformer）、詞向量降維（UMAP[30]）、聚類（HDBSCAN[31]）、主題詞獲?。╟-TF-IDF）。與LDA、LSA等主題模型相比，BERTopic模型主要有以下優(yōu)點(diǎn)：1）可以與不同的嵌入模型相結(jié)合；2）通過HDBSCAN，BERTopic模型能夠有效處理噪聲文本；3）非常適合處理時(shí)間序列數(shù)據(jù)；4）在結(jié)合降維算法（UMAP）和高效聚類算法（HDBSCAN）時(shí)，BERTopic模型擅長處理大規(guī)模文本數(shù)據(jù)；5）很好地解決密度聚類與中心采樣之間不兼容的問題[32]。

本文涉及BERTopic模型的具體過程如下：

（1）詞嵌入。使用Sentence-Transformer深度學(xué)習(xí)模型將分詞得到的詞語進(jìn)行編碼并計(jì)算詞語之間的相似度，通過自注意力機(jī)制和位置編碼來生成高維詞向量，選擇支持中文文本嵌入的多語言模型paraphrase-multilingual-MiniLM-L12-v2實(shí)現(xiàn)文本嵌入，并保留詞語位于原投訴文本中的語義關(guān)聯(lián)信息。

（2）詞向量降維。由于獲得的詞向量處于高維空間，很難被聚類算法處理。UMAP算法在降維過程中對(duì)于保留詞向量的全局結(jié)構(gòu)方面表現(xiàn)良好，使得降維后的詞向量仍保留原有意義。因此本文借助降維算法UMAP對(duì)高維詞向量進(jìn)行降維并獲得新的低維詞向量。

（3）聚類。使用無監(jiān)督算法HDBSCAN對(duì)降維后的詞向量進(jìn)行聚類，形成語義相近的文本聚類結(jié)果。

（4）主題詞獲取。采用c-TF-IDF算法計(jì)算聚類的整體詞頻，提取每個(gè)聚類的特征詞，從而識(shí)別每個(gè)聚類的主題。

2.3社會(huì)網(wǎng)絡(luò)分析

通過BERTopic模型獲得的主題詞構(gòu)建投訴主題網(wǎng)絡(luò)，借助主題詞之間的共線關(guān)系發(fā)現(xiàn)投訴的關(guān)聯(lián)性。將主題詞作為網(wǎng)絡(luò)節(jié)點(diǎn)，同一條投訴文本中各主題詞之間的共線關(guān)系作為網(wǎng)絡(luò)的邊，從而形成投訴主題網(wǎng)絡(luò)。對(duì)投訴主題網(wǎng)絡(luò)的分析可以揭示投訴文本中不同主題內(nèi)容之間的聯(lián)系強(qiáng)度、結(jié)構(gòu)特征等，并發(fā)現(xiàn)關(guān)鍵投訴主題詞在網(wǎng)絡(luò)中的中心性等信息。投訴主題網(wǎng)絡(luò)將幫助識(shí)別消費(fèi)者重點(diǎn)關(guān)注的投訴領(lǐng)域，挖掘出各缺陷之間的聯(lián)系，為改進(jìn)消費(fèi)品質(zhì)量提供支持。

3結(jié)果分析

利用BERTopic模型對(duì)投訴文本進(jìn)行主題建模，在多次實(shí)驗(yàn)的基礎(chǔ)上調(diào)整參數(shù)獲得最終模型。為使得每個(gè)主題能夠盡可能多地包含更多信息，設(shè)置最小主題大小為100，共識(shí)別獲得17個(gè)主要投訴主題（Topic0～Topic16），涵蓋了消費(fèi)者投訴信息中的19，676條投訴文本，另外有4060條投訴文本被歸為噪聲主題（Topic-1）。噪聲數(shù)據(jù)中除了少部分離群投訴文本外，絕大多數(shù)都是聚類規(guī)模沒有達(dá)到100（即該主題所包含的投訴文本lt;100條）的投訴主題。

3.1投訴主題識(shí)別

表1展示了識(shí)別獲得的17個(gè)主要主題的基本情況。從表1中可以看出，噪聲主題Topic-1擁有4060條文本數(shù)量，占全部文本的比例超過1/6，這部分投訴文本并沒有被歸入主要主題內(nèi)進(jìn)行研究，但不可忽視的是，噪聲主題重點(diǎn)關(guān)注了售后問題。主題4所占比例最高，擁有超過6500條投訴文本，占全部投訴量的27.77%，這表明關(guān)于手機(jī)、售后的問題受到消費(fèi)者的廣泛關(guān)注；主題4、2、12文本數(shù)量超過3000，共占全部投訴量的58.89%，主題4和主題2重點(diǎn)關(guān)注2款品牌手機(jī)問題，品牌X的缺陷集中于主板故障導(dǎo)致的售后問題，而品牌A則存在電池問題而導(dǎo)致自動(dòng)關(guān)機(jī)，主題12關(guān)注空調(diào)等家電的售后維修問題，顯示出消費(fèi)者對(duì)傳統(tǒng)家電行業(yè)售后維修的重視；主題0、8、9、10、14、16的投訴文本數(shù)量在400～1000，這些主題關(guān)注“自動(dòng)關(guān)機(jī)”“電量”“電動(dòng)車”“電腦”“屏幕”等存在的缺陷，說明與電相關(guān)的消費(fèi)品受到關(guān)注，這可能與該類型消費(fèi)品的單位價(jià)值高、安全隱患大有關(guān)；主題1、3、5、6、7、11、15的文本數(shù)量在400以下，主要關(guān)注“電池電量”“顯示屏”“充電”等問題?？傊M(fèi)者投訴對(duì)象集中于以手機(jī)和電腦為代表的電子消費(fèi)品領(lǐng)域，并且重點(diǎn)關(guān)注電池電量導(dǎo)致的自動(dòng)關(guān)機(jī)問題，而空調(diào)等電器設(shè)備則更重視消費(fèi)品售后與維修服務(wù)。

3.2投訴大類識(shí)別

根據(jù)3.1節(jié)識(shí)別出的主題，得到主要主題的聚類結(jié)果。如圖2所示，每個(gè)氣泡代表一個(gè)主題，氣泡的大小代表主題所包含的投訴文本數(shù)量，氣泡間的距離代表主題近似程度。Topic12的氣泡包含了Topic3和Topic10的氣泡，這些主題氣泡在距離上接近，主題含義也較為接近。Topic4的氣泡包含了Topic2的氣泡，這2個(gè)氣泡最大，距離也最為接近，主要是關(guān)于手機(jī)存在的質(zhì)量缺陷問題。Topic0和Topic14距離接近，且有大部分重合，它們位于左下象限靠近D2軸線的位置，這2個(gè)主題都與電腦缺陷相關(guān)。Topic16包含Topic15，并與Topic13大部分相交，這一部分主要描述的是電子消費(fèi)品的屏幕存在的缺陷。而位于左下象限的Topic1、Topic5、Topic6、Topic7、Topic8、Topic9、Topic11集中分布于左下角，氣泡較小并且混雜在一起，這些主題都是與電池電量、充電及自動(dòng)關(guān)機(jī)相關(guān)的部分。

表2為聚類結(jié)果的類別劃分表。依據(jù)聚類結(jié)果，將17個(gè)主題劃分為手機(jī)、電池、電腦、屏幕及其他投訴大類。手機(jī)投訴大類包括主題2和４，手機(jī)是遭投訴最多的消費(fèi)品，共擁有10，837條投訴文本，達(dá)到總投訴量的45.66％，這表明消費(fèi)者十分重視手機(jī)的質(zhì)量，對(duì)手機(jī)存在缺陷容忍度較低，傾向于向政府尋求投訴維權(quán)。電池投訴大類包括主題1、5、6、7、8、9和11，共包含7個(gè)主題，是擁有主題數(shù)最多的投訴大類，表明關(guān)于電池缺陷導(dǎo)致的問題較為復(fù)雜，包括自動(dòng)關(guān)機(jī)、閃屏、電池鼓包、電量不足、手機(jī)開裂及開關(guān)機(jī)問題。電池問題不僅涉及手機(jī)也涉及對(duì)電池依賴度較高的電腦。電腦投訴大類包括主題0和14，涉及其中的1322條投訴文本，占比為5.57％，主要是對(duì)電腦屏幕和售后維修的投訴。屏幕投訴大類包括主題13、15和16，共擁有1028條投訴文本，占比為4.33％，針對(duì)屏幕的投訴主要來自電視機(jī)、顯示器及手環(huán)。其他投訴大類包括主題3、10和12，共擁有4165條投訴文本，占比為17.55％，包含了耳機(jī)、電動(dòng)車、空調(diào)等消費(fèi)品，針對(duì)耳機(jī)的投訴主要為佩戴造成的耳道發(fā)炎問題，針對(duì)電動(dòng)車投訴主要為行駛過程中輪胎的質(zhì)量問題，針對(duì)空調(diào)的投訴主要為售后維修問題。

手機(jī)是消費(fèi)者最為關(guān)切的消費(fèi)品，投訴量占比超過40%。為此，本研究針對(duì)手機(jī)品牌信息進(jìn)行識(shí)別，發(fā)現(xiàn)10，050條文本中含有手機(jī)品牌信息，并對(duì)品牌信息進(jìn)行匿名處理。表3展示了中國市場(chǎng)銷售的主要手機(jī)品牌投訴量，其中品牌A收到的投訴最多，超過5000條投訴與之相關(guān)，其次是品牌X，超過2000條。考慮到銷量情況對(duì)投訴量的影響，本文對(duì)2016—2021年間占據(jù)銷量排名前9的手機(jī)品牌進(jìn)行了統(tǒng)計(jì)，銷量數(shù)據(jù)包括了該品牌旗下的子品牌。為此，計(jì)算投訴率以評(píng)價(jià)不同品牌手機(jī)質(zhì)量，并對(duì)銷售量排名前5品牌的銷售量和投訴率進(jìn)行了分析。如圖3所示，投訴量與銷量情況并不一致，投訴率最高的為品牌A手機(jī)。該品牌手機(jī)存在的電池問題被廣泛詬病，并且在中國市場(chǎng)售價(jià)普遍偏高，消費(fèi)者對(duì)其質(zhì)量預(yù)期要高于其他品牌，當(dāng)出現(xiàn)質(zhì)量缺陷時(shí)，更容易遭遇用戶投訴。國產(chǎn)手機(jī)品牌V、O、H和X投訴率較低，顯示出國產(chǎn)手機(jī)質(zhì)量受中國消費(fèi)者的認(rèn)可。式（1）為投訴率的計(jì)算公式，根據(jù)2016—2021年間該品牌的總銷售量和總投訴文本數(shù)來計(jì)算。

3.3投訴主題網(wǎng)絡(luò)

為探尋各投訴內(nèi)容之間的關(guān)聯(lián)性，在社會(huì)網(wǎng)絡(luò)視角下，根據(jù)BERTopic模型獲得的主題（剔除Topic-1）中包含的主題特征詞，將詞頻數(shù)大于100的特征詞作為主題網(wǎng)絡(luò)節(jié)點(diǎn)，該網(wǎng)絡(luò)包含108個(gè)節(jié)點(diǎn)，663條無向邊。主題特征詞提取、投訴主題網(wǎng)絡(luò)構(gòu)建借助Python，網(wǎng)絡(luò)可視化使用Gephi0.10.1。利用投訴主題網(wǎng)絡(luò)分析投訴內(nèi)容之間的關(guān)系，特征詞聯(lián)系越緊密，即2類缺陷投訴之間的相關(guān)性越高[33]，特征詞之間無共線關(guān)系，表明2類缺陷投訴之間無關(guān)聯(lián)。

投訴主題網(wǎng)絡(luò)如圖4所示，圖4中節(jié)點(diǎn)大小代表特征詞數(shù)量多少，即度數(shù)中心度，連線粗細(xì)代表各主題特征詞之間的相關(guān)性大小，連線越粗相關(guān)性越強(qiáng)。由圖4可知發(fā)現(xiàn)2個(gè)聚類集群，一個(gè)是以“開機(jī)”“電量”“電池”等為核心的聚類集群，由電池問題引發(fā)的一系列質(zhì)量缺陷，并且這些缺陷與手機(jī)聯(lián)系密切。另一個(gè)是以“維修”“售后”“屏幕”等節(jié)點(diǎn)為核心的聚類集群，由售后問題導(dǎo)致的服務(wù)不滿，與售后要求較高的消費(fèi)品聯(lián)系密切，如“電視”“電腦”等。這些節(jié)點(diǎn)面積較大，表明它們的度數(shù)中心性較高。2個(gè)聚類集群都聚焦于電子消費(fèi)品的缺陷，表明消費(fèi)者對(duì)以手機(jī)為代表的電子消費(fèi)品缺陷容忍度較低，可能與電子消費(fèi)品單位價(jià)格高有關(guān)。

消費(fèi)者對(duì)電子消費(fèi)品的重要零部件也保持重點(diǎn)關(guān)注，如電池、充電器、屏幕、硬盤、主板等。零部件的缺陷對(duì)消費(fèi)品整體質(zhì)量管理十分重要。消費(fèi)者很多情況下是針對(duì)消費(fèi)品出現(xiàn)缺陷的零部件進(jìn)行投訴，并不是針對(duì)整件消費(fèi)品進(jìn)行投訴。例如電池電量不足導(dǎo)致手機(jī)自動(dòng)關(guān)機(jī)，手環(huán)屏幕亮度不夠?qū)е略谑彝夂茈y看清。在投訴主題網(wǎng)絡(luò)的左下部分，關(guān)于電動(dòng)車的聚類集群獨(dú)立于主體網(wǎng)絡(luò)，說明關(guān)于電動(dòng)車的缺陷投訴與其他消費(fèi)品的缺陷投訴無關(guān)聯(lián)。電動(dòng)車缺陷特征包括“剎車”“輪胎”“行駛里程”等。在投訴主題網(wǎng)絡(luò)的右下部分，對(duì)手環(huán)投訴的問題主要為亮度不高。除此之外，本文發(fā)現(xiàn)當(dāng)電池電量位于50%時(shí)，部分消費(fèi)者就陷入電量焦慮狀態(tài)。

3.4網(wǎng)絡(luò)結(jié)構(gòu)分析

表4展示了投訴主題網(wǎng)絡(luò)的基本結(jié)構(gòu)特征。網(wǎng)絡(luò)密度用于衡量整體網(wǎng)絡(luò)特征，反映各節(jié)點(diǎn)之間聯(lián)系的緊密程度，為網(wǎng)絡(luò)的連接數(shù)與可能連接數(shù)之間的比值，值越接近1，表示網(wǎng)絡(luò)連結(jié)越緊密。該網(wǎng)絡(luò)的密度為0.1147，涉及的消費(fèi)品缺陷特征覆蓋面廣，可以較好地反映消費(fèi)者投訴關(guān)注的缺陷全貌。連接數(shù)代表網(wǎng)絡(luò)中各節(jié)點(diǎn)之間的連線數(shù)量，該網(wǎng)絡(luò)連接數(shù)為663，網(wǎng)絡(luò)中各節(jié)點(diǎn)之間存在大量連接，各投訴節(jié)點(diǎn)之間聯(lián)系廣泛。聚類系數(shù)用來衡量節(jié)點(diǎn)與鄰近節(jié)點(diǎn)的緊密程度，值越接近1，節(jié)點(diǎn)聯(lián)系越緊密。該網(wǎng)絡(luò)的聚類系數(shù)為0.8831，表明各節(jié)點(diǎn)之間的聯(lián)系緊密，缺陷特征的集中度較高。同時(shí)，該網(wǎng)絡(luò)的平均度為12.2778，反映網(wǎng)絡(luò)的平均連接數(shù)和節(jié)點(diǎn)的整體連結(jié)情況。除電動(dòng)車外，各投訴聚類集群之間存在普遍的關(guān)聯(lián)性。由于該網(wǎng)絡(luò)為非連通圖，因此，僅計(jì)算最大連通分量下的直徑和平均路徑長度，分別為4和2.3280。

表5展示了主題網(wǎng)絡(luò)度中心性排名前20節(jié)點(diǎn)的特征。該表展示了節(jié)點(diǎn)的度中心性、加權(quán)度、接近中心性和中介中心性。度中心性為一個(gè)節(jié)點(diǎn)的度數(shù)與網(wǎng)絡(luò)中總節(jié)點(diǎn)數(shù)（減去1）之間的比值，用來識(shí)別網(wǎng)絡(luò)中的重要節(jié)點(diǎn)。由表5可知，“維修”“售后”“客服”“屏幕”“自動(dòng)關(guān)機(jī)”等節(jié)點(diǎn)度中心性不低于0.2，是網(wǎng)絡(luò)的關(guān)鍵節(jié)點(diǎn)，表明消費(fèi)者對(duì)售后維修服務(wù)存在較大不滿，對(duì)“屏幕”“自動(dòng)關(guān)機(jī)”關(guān)注度較高，是投訴的重點(diǎn)內(nèi)容。同時(shí)，加權(quán)度指的是節(jié)點(diǎn)與其鄰近節(jié)點(diǎn)連接邊的權(quán)重之和，同樣用于評(píng)估節(jié)點(diǎn)的重要性。上述5個(gè)節(jié)點(diǎn)的加權(quán)度也較大，顯示在投訴主題網(wǎng)絡(luò)中占據(jù)重要位置。網(wǎng)絡(luò)中節(jié)點(diǎn)的接近中心性指該節(jié)點(diǎn)到其他所有節(jié)點(diǎn)的平均距離的倒數(shù)，反映節(jié)點(diǎn)在網(wǎng)絡(luò)中的相對(duì)地位。節(jié)點(diǎn)的接近中心性越高，該節(jié)點(diǎn)越核心。投訴主題網(wǎng)絡(luò)中，“售后”“維修”“客服”“自動(dòng)關(guān)機(jī)”4個(gè)節(jié)點(diǎn)的接近中心性均超過0.4，在連接其他節(jié)點(diǎn)中具有關(guān)鍵作用。中介中心性衡量一個(gè)節(jié)點(diǎn)在網(wǎng)絡(luò)中的中介作用，反映節(jié)點(diǎn)在網(wǎng)絡(luò)中扮演的橋梁作用，只有“售后”“維修”“自動(dòng)關(guān)機(jī)”3個(gè)節(jié)點(diǎn)的中介中心性大于0.1。

從表5中可以發(fā)現(xiàn)，“維修”“售后”是消費(fèi)者反映較多的內(nèi)容，它們的度中心性、加權(quán)度、接近中心性和中介中心性在所有節(jié)點(diǎn)中是最高的，表明商家提供的售后維修服務(wù)無法滿足消費(fèi)者的要求。同時(shí)“維修”“售后”連接較多種類消費(fèi)品的投訴內(nèi)容，在一定程度上反映售后維修問題是困擾消費(fèi)者的重要共性問題。值得注意的是，圖4中共線頻率較高的“開機(jī)”“電量”“屏幕”等節(jié)點(diǎn)并沒有出現(xiàn)在表5中，它們的度中心性、加權(quán)度、接近中心性及中介中心性值并不高，表明其只是以手機(jī)為代表的電子消費(fèi)品的獨(dú)有缺陷，并非被投訴消費(fèi)品的共性問題。

4結(jié)論

消費(fèi)者投訴是反映消費(fèi)品缺陷最直觀的證據(jù)，品牌信息、缺陷特征、負(fù)面情緒都包含在消費(fèi)者投訴文本中，借助自然語言處理技術(shù)能夠剔除消費(fèi)者情緒化表達(dá)的干擾，獲得消費(fèi)品真實(shí)的缺陷信息。本文基于BERTopic模型對(duì)來自官方投訴平臺(tái)的投訴文本進(jìn)行主題挖掘與缺陷發(fā)現(xiàn)，通過構(gòu)建投訴主題網(wǎng)絡(luò)探究各投訴主題之間的關(guān)聯(lián)性，得出以下結(jié)論：

（1）電子消費(fèi)品的質(zhì)量缺陷是投訴的重點(diǎn)對(duì)象。手機(jī)、電腦、手環(huán)、耳機(jī)等被消費(fèi)者重點(diǎn)關(guān)注，自動(dòng)關(guān)機(jī)、黑屏等問題在消費(fèi)者投訴中被多次提及，電池、屏幕等零部件質(zhì)量問題是電子消費(fèi)品產(chǎn)生缺陷的重要原因。（2）消費(fèi)品質(zhì)量缺陷和售后服務(wù)不滿高度相關(guān)。消費(fèi)品缺陷問題無法得到售后的及時(shí)回應(yīng)和解決，使得消費(fèi)者尋求投訴途徑以獲得自身權(quán)益保障，消費(fèi)品缺陷和售后不滿的疊加因素導(dǎo)致了投訴的發(fā)生。（3）不同消費(fèi)品領(lǐng)域的投訴差異明顯。手機(jī)的投訴集中于電池不足和自動(dòng)關(guān)機(jī)問題，電腦的投訴則集中在電池鼓包、屏幕故障等方面，而電動(dòng)車投訴則相對(duì)獨(dú)立，主要關(guān)注剎車、輪胎等問題，與其他消費(fèi)品投訴主題聯(lián)系較弱。（4）投訴以品牌為基準(zhǔn)。消費(fèi)者投訴普遍提及品牌信息，直接反映了品牌在質(zhì)量控制和消費(fèi)品體驗(yàn)方面的不足，消費(fèi)者容易形成對(duì)品牌的刻板負(fù)面印象。

企業(yè)應(yīng)建立動(dòng)態(tài)投訴監(jiān)測(cè)與分析機(jī)制，重視消費(fèi)者訴求。以往研究表明，企業(yè)聲譽(yù)和品牌影響力十分重要[34-36]，零部件供應(yīng)鏈管理是消費(fèi)品質(zhì)量管理的關(guān)鍵，企業(yè)要重視售后服務(wù)，確保消費(fèi)品全生命周期內(nèi)的使用體驗(yàn)。雖然本文借助自然語言技術(shù)對(duì)投訴文本進(jìn)行主題挖掘具有一定的客觀性，但由于投訴文本來自政府平臺(tái)，與來自第三方平臺(tái)有關(guān)的投訴相比，樣本量較小，具有一定的局限性。

參考文獻(xiàn)

馬勝男，王旭華，孫錫敏，等.適應(yīng)新發(fā)展階段的中國消費(fèi)品標(biāo)準(zhǔn)化戰(zhàn)略轉(zhuǎn)型研究[J].中國科學(xué)院院刊，2022，37（9）：1248-1258.

陳明華，史楠，王山，等.邁向消費(fèi)品統(tǒng)一大市場(chǎng)：基于價(jià)格溢出視角的消費(fèi)品市場(chǎng)一體化水平測(cè)度與分析[J].

中國軟科學(xué)，2024（11）：87-99.

中國政府網(wǎng).市場(chǎng)監(jiān)督管理投訴信息公示暫行規(guī)則[Z].2023

ABRAHAMSAS，JIAOJ，WANGGA，etal.Vehicledefectdiscoveryfromsocialmedia[J].DecisionSupportSystems，2012，54（1）：87-97.

PASCUAL-NEBREDAL，CABANELASP，BLANCO GONZALEZA.CriticalincidentsanddissatisfactioninB2Brelationships：anappraisaltheoryanalysis[J].JournalofBusinessamp;IndustrialMarketing，2023，38（7）：1574-1586.

蔡衛(wèi)星，蒲雨琦，李浩民.顧客至上：消費(fèi)者在線投訴的基本面預(yù)測(cè)能力研究[J].管理世界，2024，40（5）：139-154.

施文，渠玉杰，蔣國銀.基于隨機(jī)Kriging的汽車品牌質(zhì)量序貫主題比較研究[J].中國管理科學(xué)，2023，31（11）：114-127.

孫瑾，苗盼.口碑效價(jià)因人而異：調(diào)節(jié)定向與社會(huì)距離對(duì)消費(fèi)者口碑效價(jià)的影響[J].南開管理評(píng)論，2021，24（5）：202-214.

黃敏學(xué)，王峰，謝亭亭.口碑傳播研究綜述及其在網(wǎng)絡(luò)環(huán)境下的研究初探[J].管理學(xué)報(bào)，2010，7（1）：138-146.

WANGL，HUANGN，HONGY，etal.Voice-basedAIincallcentercustomerservice：Anaturalfieldexperiment[J].ProductionandOperationsManagement，2023，32（4）：1002-1018.

URUENAA，HIDALGOA.Successfulloyaltyine-complaints：FsQCAandstructuralequationmodelinganalyses[J].JournalofBusinessResearch，2016，69（4）：1384-1389.

HUN，ZHANGT，GAOB，etal.Whatdohotelcustomerscomplainabout？Textanalysisusingstructuraltopicmodel[J].TourismManagement，2019，72：417-426.

張公讓，鮑超，王曉玉，等.基于評(píng)論數(shù)據(jù)的文本語義挖掘與情感分析[J].情報(bào)科學(xué)，2021，39（5）：53-61.

SCOTTJE，GREGGDG，CHOIJH.Lemoncomplaints：Whenonlineauctionsgosour[J].InformationSystemsFrontiers，2015，17（1）：177-191.

SINGHA，SAHAS，HASANUZZAMANM，etal.

Identifyingcomplaintsbasedonsemi-supervisedmincuts[J].ExpertSystemswithApplications，2021，186：115668.

DASS，SINGHA，SAHAS，etal.NegativeRevieworComplaint？ExploringInterpretabilityinFinancialComplaints[J].IEEETransactionsonComputationalSocialSystems，2024，11（3）：3606-3615.

SHAOQ，LIYN，WEIJ，etal.Apunishmentsharedisapunishmenthalved：Concurrentrecallsreduceproducts'marketshareloss[J].Psychologyamp;Marketing，2024，41（8）：1715-1734.

SARKARS，RAJAGOPALANB.Consumersafetycomplaintsandorganizationallearning：evidencefromtheautomotiveindustry[J].InternationalJournalofQualityamp;ReliabilityManagement，2018，35（10）：2094-2118.

曹麗娜，唐錫晉.基于主題模型的BBS話題演化趨勢(shì)分析[J].管理科學(xué)學(xué)報(bào)，2014，17（11）：109-121.

韓亞楠，劉建偉，羅雄麟.概率主題模型綜述[J].計(jì)算機(jī)學(xué)報(bào)，2021，44（6）：1095-1139.

JIASS.MotivationandsatisfactionofChineseandUStouristsinrestaurants：Across-culturaltextminingofonlinereviews[J].TourismManagement，2020，78：104071.

KIRILENKOAP，STEPCHENKOVASO，DAIX.

Automatedtopicmodelingoftouristreviews：DoestheAnnaKareninaprincipleapply？[J].TourismManagement，2021，83：104241.

DEVLINJ，CHANGMW，LEEK，etal.BERT：Pre trainingofDeepBidirectionalTransformersforLanguageUnderstanding;proceedingsoftheConferenceoftheNorth-American-ChapteroftheAssociation for-Computational-Linguistics-HumanLanguageTechnologies（NAACL-HLT），Minneapolis，MN，F(xiàn)Jun02-07，2019[C].2019.

陸偉，李鵬程，張國標(biāo)，等.學(xué)術(shù)文本詞匯功能識(shí)別：基于BERT向量化表示的關(guān)鍵詞自動(dòng)分類研究[J].情報(bào)學(xué)報(bào)，2020，39（12）：1320-1329.

GROOTENDORSTM.BERTopic：Neuraltopicmodelingwithaclass-basedTF-IDFprocedure[J].arXivpreprintarXiv：220305794，2022.

WANGZ，CHENJ，CHENJ，etal.IdentifyinginterdisciplinarytopicsandtheirevolutionbasedonBERTopic[J].Scientometrics，2023，129（11）：7359-7384.

SANCHEZ-FRANCOMJ，REY-MORENOM.Dotravelers'reviewsdependonthedestination？Ananalysisincoastalandurbanpeer-to-peerlodgings[J].Psychologyamp;Marketing，2022，39（2）：441-459.

聶亞青，吳庭璋，王若佳，等.基于BERTopic模型的健康信息學(xué)主題挖掘與發(fā)展演化研究[J].情報(bào)科學(xué)，2024，42（4）：98-110.

徐漢青，滕廣青.機(jī)遇與挑戰(zhàn)：基于BERTopic的AI環(huán)境下圖書館主題文本挖掘[J].情報(bào)科學(xué)，2024，42（4）：119-128.

MCINNESL，HEALYJ，MELVILLEJ.Umap：Uniformmanifoldapproximationandprojectionfordimensionreduction[J].arXivpreprintarXiv：180203426，2018.

RAHMANMF，LIUW，SUHAIMSB，etal.Hdbscan：Densitybasedclusteringoverlocationbasedservices[J].arXivpreprintarXiv：160203730，2016.

胡凱茜，李欣，王龍騰.基于BERTopic模型的網(wǎng)絡(luò)暴力事件衍生輿情探測(cè)[J].情報(bào)雜志，2024，43（7）：146-153.

蘇敬勤，許昕傲，李曉昂.基于共詞分析的我國技術(shù)創(chuàng)新政策結(jié)構(gòu)關(guān)系研究[J].科技進(jìn)步與對(duì)策，2013，30（9）：110-115.

LAIC-S，CHIUC-J，YANGC-F，PAID-C.TheEffectsofCorporateSocialResponsibilityonBrandPerformance：

TheMediatingEffectofIndustrialBrandEquityandCorporateReputation[J].JournalofBusinessEthics，2010，95（3）：457-469.

DELLAROCASC.Thedigitizationofwordofmouth：Promiseandchallengesofonlinefeedbackmechanisms[J].ManagementScience，2003，49（10）：1407-1424.

VELOUTSOUC.Enlighteningthebrandbuilding audienceresponselink[J].JournalofBrandManagement，2023，30（6）：550-566