基于文本情感分析的共享單車用戶滿意度研究①

冒小棟， 范 濤

(華東交通大學 經濟管理學院， 南昌 330013)

近年來， 網絡口碑以用戶評論真實客觀的優點逐漸替代了傳統的口碑. 相比于通過線下調研方法獲取消費者對產品的態度， 網絡口碑能夠幫助企業在更短時間內以更低成本獲取到目標消費群體的反饋信息.隨著互聯網經濟的迅猛發展， 滴滴等網約車平臺解決了人們打車難的問題， 共享單車無樁車的出現有效地解決了“最后一公里”難題. 共享單車是共享經濟的模式創新， 它正處于“青春期”， 仍然面臨著眾多挑戰. 通過網絡口碑研究共享單車用戶滿意度， 有助于把握用戶真實和潛在的需求及期望， 并為改進單車的服務水平提供依據.

目前， 對于網絡口碑的研究， 李剛等學者利用依存句法分析設計情感標簽抽取模型， 通過情感極性對情感標簽進行過濾， 獲得具有較高的抽取準確率和召回率的情感標簽抽取方法[1]. 魏慧玲通過構建情感詞典，并結合語義相似度算法， 對小米手機的在線評論進行情感分類， 實現對人工匯總的主要商品特征的情感判斷[2]. 徐勇等人借鑒相關學者的研究結果， 建立電子商務商品評價指標結構模型； 通過機器學習， 利用文本情感分析中語句情感標簽抽取與標注的方法， 對淘寶網站商品進行模糊綜合評價[3]. 吳江等學者采用LDA模型對小米、華為和Fitbit智能手環在線評論的主題進行挖掘， 了解用戶對不同品牌的關注點； 通過對網站上三種品牌智能手環的評論分值進行獨立樣本t檢驗來比較三種品牌智能手環的用戶滿意度[4]. 李勇敢等學者基于依存句法和無監督主題情感模型設計出一個可自動批處理中文微博信息的情感分析系統， 并且驗證該方法具有準確率高、自動化程度高、系統效率高的優點[5]. 對于共享單車的研究， 譚袁學者提出了共享單車的各種違規現象與運營商之間的“底線競爭”有直接的關系， 并要求運營商制定自律性規范并嚴格執行來解決該問題[6]. 黃國清， 陳雪兩位學者將UTAUT模型與情景感知理論相結合， 通過問卷調查的方式， 探究共享單車用戶使用意愿的影響因素[7].

查閱相關文獻， 發現鮮少有學者通過網絡口碑研究用戶滿意度， 利用LDA模型和文本情感分析相結合對用戶滿意度進行模糊綜合評價的文獻更少. “摩拜”單車為目前較受歡迎的共享單車. 因此， 本文基于LDA模型構建“摩拜”共享單車用戶滿意度結構模型， 設計情感標簽抽取算法， 利用HowNet情感詞典和語義相似度算法判斷評價對象的情感傾向， 并利用模糊綜合評價法探究“摩拜”單車的用戶滿意度.

圖1 探索共享單車用戶滿意度流程圖

1 數據來源及研究方法

1.1 網絡評論語料庫的建立

本文以“摩拜”單車評論為研究對象， 從360手機助手、應用寶以及華為手機助手三個網站上利用網絡爬蟲獲取“摩拜”單車2017年8月至9月共23 306條評論數據. 為了保證數據的有效性， 除去包含特殊符號、英文字符、與評論無關以及重復的數據. 通過對清洗后的評論數據進行觀察分析， 利用“摩拜”評論中出現的專屬詞匯及新型詞匯構建用戶詞典， 然后進行jiebeR中文分詞及詞性標注， 進而建立“摩拜”單車用戶滿意度的網絡評論語料庫.

1.2 LDA模型

本文用LDA模型對網絡評論語料庫中的文本數據進行挖掘， 識別出文本數據中蘊含的共同主題信息，建立共享單車用戶滿意度結構模型. LDA是一種無監督的文檔主題生成模型， 用來識別大規模文檔的潛在主題信息. LDA模型可視為一個三層貝葉斯概率模型，將每一篇文檔表示為一個主題的概率分布， 又將每一個主題表示為一個詞語的概率分布， 形成文檔-主題-詞語三層概率分布， 即:

文檔主題分布P(topic|document)， 指不同主題在同一個文檔中所占比重. 文檔詞語分布P(word|topic)， 指每個主題中不同詞語出現的概率. 文檔詞語分布P(word|document)，指每個文檔中不同詞語出現的概率.在計算LDA模型的相關分布時， 我們需要剔除網絡評論語料庫中的停用詞. 在應用LDA模型時， 需要確定三個參數: 主題數量K， 超參數α和β. 我們通過計算困惑度及多次實驗對比， 最終設定K=16，α=0.1，β=0.05，循環迭代次數為5000次， LDAvis可視化展示見圖2.圖中的參數λ用來調整詞語與主題之間的相關性， 如果λ越接近1， 則會顯示在該主題下出現最頻繁的詞語， 可通過這種方式了解該主題下用戶討論的熱點詞匯； 如果λ越接近0， 那么結果中會顯示在該主題下更特殊、更獨有的詞語， 則可以了解到該主題下區別于其他主題的獨有詞語. 本文設置λ=0， 顯示主題下更獨有的特殊詞語， 更好地體現主題之間的差異.

圖2 LDA模型挖掘文本主題

1.3 基于依存句法分析的情感標簽抽取算法

文本情感分析， 就是對產品評論中的文本數據進行挖掘， 識別出消費者對評論信息的觀點、喜惡、情感等. 情感標簽抽取的任務就是識別產品網絡評論語句中意見持有者對于一個或多個評論對象的具體評價，并將其按照對應的關系細粒度地抽取出來[2]. 情感標簽由評價對象、程度副詞、否定詞和情感詞組成. 情感標簽的抽取規則如下:

規則一. 通過依存句法分析抽取產品評論語句中的評價對象詞及情感詞. 依存句法分析能夠識別句子中各單位成分之間的修飾關系. 從生成的句法依賴關系樹， 篩選出符合條件的修飾關系[3]， 并依據評價對象與情感詞抽取規則(表1)， 提取評價對象詞及相應的情感詞.

表1 評價對象與情感詞抽取規則

規則二. 查找產品評價語句中依賴于情感詞的否定詞及程度副詞. 為了避免分詞時將部分情感詞中的否定詞與情感詞分開， 如可能將“不喜歡”分為“不”和“喜歡”， 導致情感發生錯亂. 因此， 我們建立否定詞庫V， 依據否定詞抽取規則 (表2)， 若存在否定詞修飾情感詞時， 應該給予“評價對象—情感詞”對否定標記. 同時，篩選出HowNet情感詞典程度集中類別為“極其、最”、“很”下的程度副詞， 建立程度副詞庫G， 依據程度副詞抽取規則(表2)判斷是否有程度副詞依存于情感詞， 并給予“評價對象—情感詞”對相應的程度副詞標記.

表2 否定詞與程度副詞抽取規則

按照規則一、規則二抽取出語句情感標簽， 接下來， 需要判斷用戶對評價對象的情感傾向值. 用戶對評價對象的情感傾向值由情感詞、程度副詞及否定詞三部分組成. 其中， 情感詞的分值采用HowNet情感詞典和基于同義詞林的詞語相似度算法[8]來判斷. 如果情感詞為褒義， 情感詞值為“1”； 如果情感詞為貶義， 它為“-1”. 當存在程度副詞修飾情感詞時， 用戶對評價對象的情感強度被加強， 變為原來的2倍. 若“評價對象—情感詞”對存在否定標記， 用戶對評價對象的情感極性發生變化. 最后， 用戶對評價對象的情感傾向值有4 種可能， 分別為-2， -1， 1 和 2.

2 基于層析分析法的模糊綜合評價

本文選取模糊綜合評價法來評價共享單車的用戶滿意度. 模糊綜合評價法是以模糊數學為基礎， 應用模糊關系合成的原理， 能夠將定性評價定量化， 依據用戶對評價指標滿意程度的隸屬度建立模糊評價矩陣， 結合層次分析法確定用戶的整體滿意度. 模糊綜合評價法的建模步驟如下:

(1)確定模糊綜合評價指標體系. 在對LDA挖掘出的文本主題進行命名時， 我們發現主題間并不是完全獨立的， 存在多個主題描述單車特征不同方面的情況. 因此需要先對文本主題進行歸納， 然后進行主題命名， 建立共享單車用戶滿意度評價指標體系， 如圖3. 其中， 用后心情描述了用戶在使用單車后的整體體驗， 不是針對具體的某個方面， 是整個使用過程的一種總結性感受； 單車押金反響包括用戶對使用共享單車所需交付的押金的金額、退還速度的反響情況； 軟件整體性能指用戶使用共享單車APP的整體感受， 涉及的情感標簽如: “操作簡單”， “界面流暢”， “軟件不錯”等.

圖3 共享單車用戶滿意度結構模型

(2)確定評語集. 在評價共享單車的用戶滿意度時，將產品特征的情感傾向得分: “-2”、“-1”、“1”、“2”，與“很低”、“較低”、“較高”、“很高”4 個水平等級對應. 評語集可表示為:V={很低、較低、較高、很高}.

(3)確定評價指標的權重. 共享單車用戶滿意度模糊綜合評價是基于多指標、多層次的綜合性評價， 是由10個指標形成的評價體系. 綜合性評價最重要的環節就是決策每層的每一個指標對共享單車用戶滿意度的影響程度， 并將各指標的影響程度作為該指標的權重.本文選擇層次分析法[9]確定各指標的權重， 其步驟如下:

第一步: 構建兩兩比較判斷矩陣. 層次分析法的計算基礎是兩兩比較判斷矩陣， 判斷矩陣體現了各指標的相對重要程度， 對決策結果的影響至關重要. 本文決定采用共享單車用戶滿意度評價指標體系中每個指標提取的特征情感詞對數量， 作為構建兩兩比較判斷矩陣的依據.

第二步: 計算指標權重及一致性檢驗. 首先， 計算兩兩比較判斷矩陣的最大特征根 λmax及其對應的特征向量x=(x1,x2,···,xn)T， 對該特征向量進行歸一化處理， 得到評價指標的權重向量. 其中， 所有的兩兩判斷矩陣的CR值均接近于0＜0.1， 說明一致性檢驗通過.

(4)確定模糊評價矩陣

本文在確定模糊評價矩陣時選用模糊統計的方法，與其他學者選用主觀確定、比較法、專家法等方法來確定模糊評價矩陣相比， 這里提出的方法可以更好的反映客觀事實. 采用模糊統計的方法， 若某指標下的評價對象數為n， 該指標隸屬于V中某等級評語的隸屬度:

隸屬度rm表示對于某個指標， 有1 0 0rm%的用戶將它評為m等級. 最后， 依據隸屬度確定若干指標對應的模糊評價矩陣.

(5)共享單車用戶滿意度綜合評價值

在模糊評價矩陣和權重向量確定之后， 用模糊評價矩陣和權重向量進行綜合， 即可得到“摩拜”單車用戶滿意度評價體系的準則層和目標層下各指標的模糊評價矩陣. 假設準則層下的各指標的模糊評價矩陣為(i=1,2,3,4)， 指標層下的指標權重向量為Wi(i=1,2,3,4)，準則層下各指標的模糊評價矩陣為Ri(i=1,2,3,4). 其中，i表示準則層的第i個指標；由準則層下各指標對應的指標層下各指標的隸屬度組成. 本文的模糊算子均采用加權平均算子， 則假設“摩拜”單車用戶滿意度評價體系的目標層的模糊評價矩陣為S.W代表準則層下指標的權重向量，R代表目標層的模糊評價矩陣. 其中評價體系中指標Aij的用戶滿意度為:指標的得分為:； 單車用戶滿意度的綜合得分

3 實證分析

對“摩拜”單車的用戶滿意度進行實證分析. 首先，利用情感標簽抽取算法識別產品網絡評論語料庫中的評價對象及其相對應的程度副詞、否定詞和情感詞.將HoweNet情感詞典與語義相似度算法相結合， 判斷評價對象的情感傾向值. 然后， 將情感標簽中的評價對象與“摩拜”用戶滿意度結構模型的10個指標對應的關聯詞語進行匹配并歸類， 對未成功歸并的詞語再進行人工判斷. 接下來， 結合用戶對評價對象的情感傾向，采用模糊綜合評價法對共享單車用戶滿意度進行評價.

(1)共享單車用戶滿意度評價. “摩拜”單車的用戶滿意度綜合分值為0.6877. 其中， 用戶的整體體驗、單車的性能、用戶使用單車的經濟成本、摩拜公司的運營服務四個指標的分值依次是1.1651、0.5791、0.5880和0.1062. 這里的整體體驗不針對具體的某方面， 是用戶使用單車后的總結性感受. 從整體看， 四個指標值都是正向的， 且用戶使用單車的整體體驗分值最高， 表明用戶對“摩拜”單車總體較滿意. 具體表現為:

第一， 在單車性能方面， 單車硬件在10個指標中的排名第二， 用戶滿意度較高. 這里的單車硬件主要指除車鎖外， 自行車的各個組成部件、騎行的舒適度、外觀及質量. 然而， “摩拜”單車的車鎖得分接近于 0， 滿意度較差， 問題主要集中在掃描二維碼時出現閃退， 開鎖失敗等.

第二， 在經濟成本方面， 單車費用及優惠指標的滿意度較高， 表明對于消費者來說， “摩拜”的使用費用合理， 深受用戶的青睞. 但是消費者對單車所需支付押金的反響不好， 支付押金多及不能及時退還致使用戶的滿意度較差.

第三， 在公司運營服務方面， 用戶的滿意度排名居后. 其中， 單車投放量、單車維修情況及軟件的定位三個指標的得分值為負， 表明“摩拜”公司仍應注意用戶對單車的需求量， 加強工作人員對車輛的定期維護工作. 同時， 公司要在APP上加大科技投入， 加強對GPS定位系統的維護， 除去不存在定位系統的車型. 這里的單車維修情況主要體現在消費者使用單車時， 故障車出現的頻率； 客服對用戶的回應指客服咨詢電話是否通暢及服務態度； 軟件整體性能指“摩拜”APP的操作流暢性以及軟件界面設計.

圖4 用戶對“摩拜”單車各項指標的滿意度

(2)結果可靠性的驗證分析. 為了驗證結果的可靠性， 本文對“摩拜”單車用戶滿意度結構模型指標層中表現突出的指標進行反查， 即分析10個指標中分值較低和較高的指標所對應的具體評論內容. 結果表明表現突出的指標所對應的評論內容與滿意度結果一致.以“摩拜”單車硬件為例， 圖 5 中， 字數越大， 說明其出現的頻率越高. 從圖中可以看出， 從整體來看， 單車硬件指標下的的評價對象情感傾向值大多為正向的， 且出現頻率較高的評價對象的情感得分值都為正， 得分為2的情感標簽也比較多， 表明驗證結果可以通過.

圖5 “摩拜”單車硬件的情感標簽及情感傾向值

4 結論與展望

網絡口碑保證了用戶評論的真實性和客觀性， 能夠幫助企業在更短時間內以更低成本獲取到消費群體的反饋信息， 通過網絡口碑來研究用戶滿意度為我們帶來了極大的便利. 本文將文本挖掘與模糊綜合評價法相結合來分析用戶滿意度， 這種方法同樣適合于其他領域基于網絡口碑的用戶滿意度研究. 針對本次研究， 提出以下幾方面的展望: ① 進一步優化分詞方案；② 進一步完善共享單車用戶滿意度結構模型， 適當加入一些評論內容之外的指標， 比如: 網絡評論的數量；③ 研究不同時間段的用戶滿意度， 并進行顯著性分析來檢驗它們之間的差異； ④ 將不同品牌共享單車的用戶滿意度進行橫向比較研究， 以期各品牌能夠相互借鑒、取長補短.