線上虛擬試衣平臺服務質量主題挖掘及指標構建

仇惠玲，劉雅玲,b

(河北科技大學,a.紡織服裝學院；b.河北省紡織服裝技術創新中心，石家莊 050018)

試衣過程是影響服裝購買決策的核心因素之一，是服裝營銷中不可忽視的環節[1]。近年來，實體店銷售模式逐步升級為“線上+線下”全渠道營銷模式，使消費者越來越關注線上服裝購買的適體性問題[2]。然而，線上服裝銷售平臺因試衣過程的不便，頻繁出現因尺碼不符而退貨、換貨的現象，對品牌商來說無形中加大了成本支出。對此，優衣庫開發了一款可以線上進行三維立體試衣的虛擬試衣軟件，通過掃描條形碼、分類檢索找到服裝，調整身材參數設置虛擬模特，即可利用和自己體型相仿的虛擬模特進行三維立體試衣；上海試衣間信息科技公司也開發了一款名叫好搭盒子的App，與優衣庫虛擬試衣軟件不同的是，這是一款可以在線試穿ZARA、UR、H&M等各類品牌服裝的虛擬試衣軟件。伴隨著虛擬試衣的熱潮，淘寶也推出了“試搭間”二維虛擬試衣模塊，可以在線搭配服裝、實現換裝特效；可見，虛擬試衣技術逐步進入線上店鋪是未來不可阻擋的趨勢[3]。

然而，現階段對于虛擬試衣的研究主要集中在虛擬系統實現方式、虛擬技術應用等技術方面。對于虛擬試衣系統實現方式主要有：基于Kinect的虛擬試衣系統、基于Android平臺的虛擬試衣系統、基于草圖的虛擬試衣系統[4-5]。針對虛擬試衣技術應用研究主要圍繞樣板結構、著裝效果、性能模擬三方面為主。諸如郭美林等[6]通過CLO3D三維試衣軟件研究了結合面料、結構、款式、色彩等特點進行快速結構設計；田丙強等[7]借助CLO3D虛擬試衣技術研究了著裝狀態下各關鍵部位合體性評估，模擬了服裝著裝效果的真實性；云暢等[8]利用CLO3D服裝性能模擬技術，研究了經緯異性織物的懸垂性。然而，針對線上虛擬試衣終端消費者體驗服務的研究較少。因此，本文從用戶感知角度出發，借助虛擬試衣平臺用戶體驗，分析了線上虛擬試衣服務用戶滿意度以及影響用戶認可度、滿意度的主題分布特征，并據此構建線上虛擬試衣平臺服務質量評價指標，以期提升線上消費者購物體驗。

1 虛擬試衣平臺用戶評論文本的采集與分析

1.1 用戶評論數據的采集

在線用戶評論是已體驗過虛擬試衣服務的消費者依據主觀感受進行的真實服務質量反饋[9]。為增加研究結果的普適性，本研究數據以華為手機應用市場、蘋果手機App store、小米手機應用市場的虛擬試衣App用戶評論為研究樣本的數據源進行內容分析。在虛擬試衣平臺的選擇上，根據虛擬試衣系統關鍵詞排名，發現目前中國主流的線上虛擬試衣軟件App主要有好搭盒子App、優衣庫數字搭配師、每日新款App、虛擬試衣間App。

本文借助Python軟件，共自動爬取了6482條用戶評論數據，經過簡單人工篩選得到6293條有效用戶評論數據，如圖1所示，好搭盒子App軟件用戶評論數據2312條，優衣庫數字搭配師軟件用戶評論數據1956條，每日新款App用戶評論數據994條，虛擬試衣間App用戶評論數據1031條。爬取內容包括用戶評論內容、手機應用版本，并整合成文本文檔做下一步數據處理使用。

圖1 四個虛擬試衣平臺評論數分布Fig.1 Distribution of comments on four virtual fitting platforms

1.2 用戶評論數據的規范化處理

在建立初始文本數據庫時，發現用戶評論涉及版本使用、后臺運行、使用體驗等多方面的感受，也說明用戶在對虛擬試衣軟件服務質量進行評價時，是受多方面因素共同影響的。同時，在采集用戶評論數據過程中發現評論者普遍存在用詞不規范的情況。因此，需要對用戶評論文本進行規范化處理。評論數據處理流程如圖2所示，最終獲取規范評論數據共5200條，詞匯表長度為60100，詞語總數共2051，并存儲規范化處理后的用戶評論文本數據。

圖2 評論數據處理流程Fig.2 Comment data processing flow

1.3 用戶評論文本的情感傾向性分析

1.3.1 評論內容情感分析

為獲得用戶對虛擬試衣平臺服務質量的情感態度，對文本數據庫的情感態度和觀點表達詞匯進行提取分析，共提取具有情感關鍵詞的評論2143條，隨之利用ROST CM6軟件情感分析功能對評論數據進行正負面標注，通過評論數據與系統的情感詞典進行逐個匹配，并記錄匹配到的情感詞分值，最終統計匯總每一條評論情感分值的得分結果，將得分結果小于0的評論定義為消極情感，如含“打不開、不精準”等否定性評論；將大于0的評論定義為積極情感，如含“棒極了、好用”等肯定性評論；得分為0的評論定義為中性情感，如含“還行、一般”等無明顯態度評論。為進一步獲取各類情感的輕重程度，將評論情感得分結果進行劃檔比較。因整體分值區間位于-20分至20分且呈中間多、兩端少的形態，故按照整數原則劃10分一檔，對應的積極情感分檔結果為一般(0～10)、中度(10～20)、高度(20以上)三檔，對應的消極情感分檔結果為一般(0～-10)、中度(-10～-20)、高度(-20以下)，各類情感輕重程度評論條數統計結果如圖3所示。可以看出：第一，用戶對于線上虛擬試衣服務的體驗主要呈積極情感即線上虛擬試衣體驗服務整體得到用戶支持；第二，積極情感程度輕重上，積極情感得分多數在10分以上，即中度及以上，說明線上虛擬試衣服務能夠滿足消費者需求，用戶支持度高。

圖3 各類情感一般、中度、高度評論條數情況統計Fig.3 Statistics on the number of general, moderate and high comments of various emotions

1.3.2 評論內容潛在關聯度分析

情感分析僅能判定用戶滿意與否，但對于具體滿意在何處、不滿意在何處以及用戶最關心的內容，還需要借助語義網絡結構作進一步分析。為掌握用戶在體驗線上虛擬試衣過程中最關注的服務質量內容維度，通過不同評論中詞匯的共現關系來判定詞匯連接關系，諸如在不同評論者描述“軟件”時，用不同的內容反應“軟件”的服務體驗，如“圖片”“加載”“速度”等方面反應軟件體驗；通過共現頻率高低來判定詞匯連接中心度高低，諸如評論中“軟件”的共現頻率高，如軟件中的圖片體驗、加載速度體驗等，那么詞匯“軟件”的中心度高。利用ROST CM6軟件科學找尋高頻詞匯間的共現關系，找到高頻詞中詞匯與詞匯之間的潛在聯系，并進行中心關聯度高低排序，結果如圖4所示：a)“軟件”“衣服”“虛擬”“功能”“形象”五項是中心度最高的高頻詞匯，說明這些內容是用戶體驗服務中最為關注的，也是潛在影響用戶服務體驗滿意度的主要因素之一。b)將中心度高的詞匯按照屬性劃分，發現用戶關注的服務內容主要是系統屬性、功能屬性，諸如“軟件”“打開”“改進”“系統”“創建”等詞匯均是與系統運行特征相關，“衣服”“虛擬”“人物”“數據”“造型”等均是與功能使用特征相關；c)最值得關注的是情感詞之間的共現關系，諸如“改進”與“形象”“功能”“虛擬”“衣服”“軟件”等詞匯連接度較高，說明在用戶評論中集中反映了虛擬形象、服裝款式、軟件性能等方面存在一定的問題，需要進一步改進。

圖4 高頻詞匯共現網絡圖譜Fig.4 High-frequency vocabulary co-occurrence network map

2 基于LDA模型的用戶評論主題分布

2.1 LDA主題模型

語義網絡分析能夠深層次挖掘出詞項與詞項之間的語義共現程度和關聯程度，然而對于大量的文本數據分析，節點間的關聯程度和虛擬試衣平臺服務特征之間便難以區分。因而，需要進一步構建文本主題模型，對大量文本內容進行建模分析，從而獲取虛擬試衣平臺服務過程的主題分布。本文選擇Python軟件中的topicmodels包中的LDA_Gibbs模型進行主題建模分析[10]。LDA主題模型拓撲結構表示如圖5所示，假設虛擬試衣用戶在線評論中的每個詞以一定的概率選擇某個主題，基于此原理，則虛擬試衣用戶在線評論具備多個主題，而每個主題又對應著不同的詞語，以此反向推演，可獲取用戶評論文本潛在的主題分布。

圖5 LDA主題模型拓撲結構表示Fig.5 LDA topic model topology representation

LDA主題模型結構如圖6所示，其中θ表示的是M×K階文檔-主題分布矩陣，φ表示的是K×V階主題-詞語分布矩陣，z表示的是主題，w表示的是詞語，N表示的一個文檔中的詞語數量，M表示的是文檔集的文檔數，K表示的是文檔集的主題數，α是主題分布θ的先驗分布(即Dirichlet分布)的參數，β是詞語分布的先驗分布(即Dirichlet分布)的參數。

圖6 LDA主題模型結構Fig.6 LDA topic model structure

LDA主題模型中生成某一文檔中每個詞語的概率的公式可以表示為[11]：

(1)

LDA主題模型主題關鍵詞生成過程如圖7所示：

圖7 主題關鍵詞生成過程Fig.7 Topic keyword generation process

2.2 基于LDA模型的主題分布提取

2.2.1 確定最優主題數目

文本主題數目的確定在一定程度上會影響主題建模的效果，因而在正式構建主題模型之前，需要確定一個最優的主題數目。本文依據文本內容特征選擇復雜度(Perplexity)作為指標體系的主題數目確定。

利用復雜度(Perplexity)計算，如式(2)：

(2)

式中：M為文檔數目，Nd為詞語的數目，P(Wd)為文檔中詞語Wd出現的概率。

2.2.2 主題建模及主題詞提取

在LDA主題模型文檔生成過程中，經過基于變分期望的EM求解和Gibbs采樣的對比發現，Gibbs采樣更易推導且效果較好，因而本文選擇Gibbs采樣方式[12]。

通過LDA()函數，以Gibbs采樣為基礎對10到50之間的各個主題數的復雜度進行循環，迭代次數為50次，重復采樣直到收斂，比較不同主題個數的結果，發現最優主題數目為15，故將提取的主題個數設定為15個。針對每個主題，利用LDA()函數提取前9個概率最高的詞語作為反映主題內容的關鍵詞，結果如表1所示。

表1 15個主題提取前9個關鍵詞的結果Tab.1 Results of extracting the top nine keywords for 15 topics

3 構建虛擬試衣服務質量指標體系

通過分析市場上主流的線上虛擬試衣平臺用戶評論，挖掘了用戶在進行線上虛擬試衣體驗時的主題分布，如表1主題分布結果所示，可以發現：從提取的主題分布結果來看，15個主題之間存在共性。因此，依據虛擬試衣平臺特征屬性、服務過程屬性將主題作進一步分類歸納：a)主題9、13中的關鍵詞，諸如“隱私”“支付”“認證”等均與安全性、隱私性等有關的關鍵詞，故而定義為系統安全；b)主題10、14中的關鍵詞，諸如“清晰”“系統”“注冊”“兼容”等均與系統技術開發有關的關鍵詞，故而定義為系統設計；c)主題5、8中的關鍵詞，諸如“加載”“分鐘”“小時”“反應”等多為描述系統反應速度相關關鍵詞，故定義為響應速度；d)主題11、15中的關鍵詞，諸如“風格”“有趣”“創意”等均與形容虛擬試衣服務特色有關的關鍵詞，故而定義為服務品質；e)主題2、3、7中的關鍵詞，諸如“虛擬”“自拍”“功能”“打扮”等多為描述試衣基本操作行為屬性，故而定義為試衣功能；f)主題1和4中的關鍵詞，諸如“客服”“分享”“接近”“互動”等多為描述用戶與平臺之間交互體驗的關鍵詞，故而定義為交互品質；g)主題6、12中的關鍵詞，諸如“衣服”“款式”“虛擬形象”“性別”等多為組成虛擬試衣平臺主要內容模塊的關鍵詞，故而定義為內容信息。

通過上述主題詞歸納分析發現，用戶最關注服務內容是系統安全、系統設計、響應速度、服務品質、試衣功能、交互品質、內容信息7個維度。因此在構建虛擬試衣服務質量評價指標時，遵循用戶為中心原則，將提煉出的系統安全、系統設計、響應速度、服務品質、試衣功能、交互品質、內容信息7個主題作為一級指標；對于更加細化的二級指標內容，依據一級指標中的關鍵詞屬性，參考現有經過前人驗證且具備較高適用度的相關量表的服務質量指標作為二級指標，保證指標體系內容的有效性。根據問卷調查，通過信效度檢驗，進一步確保了指標體系的結構有效性。最終構建了包含7個一級指標，25個二級指標的虛擬試衣服務質量評價指標體系，如表2所示。

表2 服務質量評價指標主題關鍵詞及指標說明Tab.2 Service quality evaluation index subject keywords and index description

4 結 論

通過爬取市場上主流的虛擬試衣平臺的用戶在線評論，借助情感傾向性分析，掌握了用戶對于線上虛擬試衣服務體驗態度，結果顯示絕大多數用戶對虛擬試衣提供的服務持積極情感態度，少量用戶對虛擬試衣服務持消極情感態度。其次，利用語義網絡共現分析，掌握用戶對線上虛擬試衣服務的具體關注內容。結果發現：用戶最為關注的是線上虛擬試衣的系統屬性、功能屬性，另外，用戶認為虛擬試衣模特形象、試衣款式、系統軟件升級方面存在問題，亟待改進。最后，結合LDA主題模型，獲取影響用戶體驗認可度、滿意度的15個主題分布，并結合現有服務質量相關量表，最終構建了以系統安全、系統設計、響應速度、服務品質、試衣功能、交互品質、內容信息為一級指標，以平臺安全性、用戶隱私性、信息安全性、安全預防性、界面簡潔性、界面友好性、開發價值性、響應及時性、操作靈敏性、試衣關聯度、服務主動性、服務一體性、服務特色性、功能完整性、功能延伸性、導航清晰性、功能從眾性、交互友好性、交互流暢性、交互易用性、交互有效性、內容多樣性、內容價值性、內容系統性、內容有效性為二級指標的服務質量評價體系，以期增強消費者線上服裝購物體驗感。